人臉識別是機器學習領域在學術界的一個熱門研究方向，它在一定程度上體現著人工智能的發展水平。而在工業界，我們也能隨處看到它的身影——移動支付、門禁系統、員工簽到系統、安防系統、VIP客戶管理系統等。利用人臉識別技術研發的智能系統具有極大的應用市場。比如，祈飛科技研發的輕型雙臂六軸機械臂和智能服務機器人都應用了人臉識別技術。
人臉識別技術從最初的提取人臉幾何特征到基于PCA技術的Eigenface以及基于LDA的Fisherface，再到后來的Haar，sift，LBP等特征提取方法，識別準確率不斷的提升。雖然如此，這些傳統模式識別方法中最好的GaussianFace也僅僅達到了98.52%的識別準確率，依然沒有超越人類99.20%的肉眼識別準確率。直到如DeepFace，DeepID，FaceNet等深度學習人臉識別方法的出現，人臉識別準確率最終超越了人類的極限，在LFW人臉驗證數據集上，目前最好的人臉識別方法已經超過了99.70％的準確率。
既然人臉識別已經達到了如此高的準確率，那么是否可以說人臉識別技術已經完全成熟了呢？答案是否定的。
首先LFW是常用的人臉識別算法性能評價數據集，該數據中人臉姿態變化相對較小，旋轉角度主要分布在-20°到+20°之間，光線、背景等變化相對實際場景來說較少。所以目前人臉識別算法的準確率還只是在局限的場景能達到。
其次，人臉識別大部分實驗結果都是基于嚴格提取關鍵點、人臉矯正后的訓練樣本和測試樣本得到的，正是因為有這么多依賴，所以識別方法還有待完善。
最后，對于實際應用中的光照、對比度、抖動、焦點、模糊、遮擋、分辨率、姿態等影響人臉識別的復雜因素依然沒有得到完全解決。
正是由于以上因素，使得人臉識別還面臨很多挑戰。除此之外還有一個問題——“偽人臉”，在人臉驗證操作中，驗證者采用人臉圖片或視頻等偽造真人參與識別，而使得計算機無法分辨是真人還是假人，這嚴重影響了系統的可用性。
舉個例子，今年的CVPR會議展示了一項由國紐倫堡大學的科學家Justus Thies領銜完成的人臉表情捕捉與復現的技術Face2Face。這項技術可以非常逼真的將一個人的面部表情、說話時面部肌肉的變化完美的實時復制到另一個視頻中的角色上。技術上來說，這不僅是第一個能實時進行面部轉換的模型，而且準確率和真實度比以前那些模型高得多。正是如此逼真的算法，使得計算機很難辨別人臉的真偽，容易給不壞好意的人以可趁之機。“偽人臉”技術不斷發展，給人臉識別系統帶來越來越大的挑戰。
我們看到人臉識別性能不斷提升，同時應用越來越廣泛。但是，在看到這些進步的同時，我們還要注意到當前人臉識別的局限性。如何克服這些問題，研發出更穩定可靠的人臉識別系統是一個亟待解決的問題，也是祈飛科技研發出具有祈飛特色的人臉識別系統的一個重要方向。
