前言：“刷臉“這個詞開始不再只是幻想，已經開始慢慢走入我們的身邊我們的社會，”刷臉支付“”刷臉進門“”刷臉簽到”“APP刷臉登陸”“手機解鎖”這些小便利都是來自人臉識別系統?；勖揽萍嫉?/span>人臉識別訪客系統可以實現現在的小區管理，人臉考勤，人臉消費等等云訪客的落地。
大家在身邊的人臉識別看到的有很多種，這些都基于云訪客的人臉算法。從而實現匹配。順序就是從檢測到人臉——人臉算法——人臉匹配（提取特征）——人臉對比——人臉驗證。這樣就能成功支付成功開鎖。
“人臉檢測(Face Detection)”的作用便是要檢測出圖畫中人臉所在位置。
人臉檢測算法的原理簡略來說是一個“掃描”加“判定”的進程。即首先在整個圖畫范圍內掃描，再逐一判定候選區域是否是人臉的進程。因而人臉檢測算法的計算速度會跟圖畫尺度巨細以及圖畫內容相關。在實踐算法時，我們可以通過設置“輸入圖畫尺度”、或“最小臉尺度限制”、“人臉數量上限”的方法來加快算法。
人臉配準(Face Alignment)
人臉配準算法的輸入是“一張人臉圖畫”和“人臉坐標框”，輸出是五官要害點的坐標序列。五官要害點的數量是預先設定好的一個固定數值，常見的有5點、68點、90點等等。

當時效果的較好的一些人臉配準技術根本經過深度學習框架完結。這些辦法都是依據人臉檢測的坐標框，按某種事前設定規則將人臉區域摳取出來，縮放到固定標準，然后進行要害點方位的核算。其他，相對于人臉檢測，或者是后邊將說到的人臉特征提取的過程，人臉配準算法的核算耗時都要少許多。