深度學習技術的進步，帶動了人臉識別應用爆發式增長。目前人臉識別的應用場景可以分為人臉認證和人臉鑒別兩種。
1.人臉認證：即證明你是你
典型的應用是1:1人證合一系統，將現場采集的用戶人臉與證件對應的人臉照片進行比對，以驗證是否為合法持有人。以目前zui常用的二代*卡內照片(照片只有102*126像素，壓縮成1K字節存儲，很多人存在較大的年齡跨度)vs用戶配合現場照為例，大華采用深度學習的人臉識別算法在誤報率低于十萬分之一的情況下，通過率超過98%。深度學習算法人臉認證問題上的準確率已經超越人類平均辨識水平，因此已經廣泛應用于金融機構遠程開戶、高鐵機場安檢、考場入場等需要進行身份確認的場景。
2.人臉鑒別: 可以分為靜態比對與動態比對
靜態比對，一般為閉集，即認為測試人存在于注冊庫中，以前1或者前N識別準確率作為評價指標。典型的應用是(*/走失人口等)身份確認——使用測試人配合條件下采集到的高清照片在大規模注冊庫(逃犯庫、常住人口庫等)中進行檢索。目前在別的注冊庫規模上，大華的深度學習算法識別率達到90%以上，已經取得了很多實戰成功案例。除了準確率的提升之外，深度學習的另一大優勢是學習到的特征非常簡潔(一般為幾百維，可以在基本保持準確率的前提下進一步進行量化壓縮)，大規模人臉檢索的速度也得到了很大提升，底庫一般可以在秒級甚至更少時間內返回檢索結果。
動態比對，一般為開集，即不確認測試人員是否存在于目標庫中，需要在確保誤報率不高于某值的情況下統計準確率。算法性能指標與應用場景(測試人是否配合、底庫規模)有關。在底庫為1萬人，誤報率不高于1%的條件下，用戶配合場景中一般深度學習算法準確率達到98%以上，可以基本滿足門禁、考勤等應用的需求。對于非配合場景，識別率會受到較大幅度影響，一般在90%以下。例如公安領域注冊庫規模可以達到十萬級，往往存在測試人不配合甚至故意回避、監控視頻質量較差等不利因素，在人流密集場所確保誤報足夠低的條件下往往會產生比較多的漏報。
總體來說，深度學習大幅提升了人臉識別效果，直接促進了人臉識別的應用落地。雖然一定程度上深度學習算法準確率已經超越人類，但還是存在很大的提升空間以滿足更多的應用要求。筆者認為，目前應用并不應該唯“識別率”論，而是要結合具體場景以系統工程的思維設計合理的產品與方案，將現有技術發揮出zui大的作用。例如，即使人證比對的準確率達到99.99%以上，在支付等場景下，我們還是要配合其他驗證手段以確保足夠安全；另一方面雖然有些條件下深度學習算法識別率非常低，但仍然有很大的利用價值，比如失蹤兒童識別，即使準確率只有1%，也是值得去嘗試的。類似的如嫌疑犯布控、行人闖紅燈等場景，只需要少量的識別成功案例(識別率可能很低)，就可以起到很好的震懾與警示作用。
