人臉識別，是基於臉部特徵信息進行身份識別的一種生物識別技術。人臉識別綜合運用了數字圖像、視頻處理、模式識別、計算機視覺等多種技術，核心技術是人臉識別算法。
人臉不動的是眉弓到顴骨到鼻骨、上顎骨形成的金五角區域，不管做什麼誇張表情，不管胖瘦的變化，不管什麼角度，這個區域都保持相對固定的幾何關係。基於這些不變的因素我們採用深度學習的方法發明了Gface人臉識別算法，本算法不受膚色、種族干擾，同時能很好的避開表情變化、鬍鬚偽裝、角度偏差、髮際改變、眼鏡裝飾、口部遮擋等環境因數對人臉識別的影響。
基於特徵分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特徵的形狀參數或類別參數等一起構成識別特徵向量，這種基於整體臉的識別不僅保留了人臉部件之間的拓撲關係，而且也保留了各部件本身的信息，而基於部件的識別則是通過提取出局部輪廓信息及灰度信息來設計具體識別算法。現在Eigenface(PCA)算法已經與經典的模板匹配算法一起成為測試人臉識別系統性能的基準算法；而自1991年特徵臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分FERET'96測試結果也表明，改進的特徵臉算法是主流的人臉識別技術，也是具有最好性能的識別方法之一。
臉部基準點
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為“局部人體特徵分析”和“圖形/神經識別算法。”這種算法是利用人體面部各器官及特徵部位的方法。如對應幾何關係多數據形成識別參數與數據庫中所有的原始參數進行比較、判斷與確認。Turk和Pentland提出特徵臉的方法，它根據一組人臉訓練圖像構造主元子空間，由於主元具有臉的形狀，也稱為特徵臉 ,識別時將測試 圖像投影到主元子空間上，得到一組投影係數，和各個已知人的人臉圖像比較進行識別。在 200個人的3000幅圖像中得到 95%的正確識別率，在ＦＥＲＥＴ數據庫上對 150幅正面人臉象只有一個誤識別。
但系統在進行特徵臉方法之前需要作大量預處理工作如歸一化等。在傳統特徵臉的基礎上，研究者注意到特徵值大的特徵向量 (即特徵臉 )並不一定是分類性能好的方向，據此發展了多種特徵 (子空間 )選擇方法，雙子空間方法、線性歧義分析方法、FisherFace方法等。事實上，特徵臉方法是一種顯式主元分析人臉建模，一些線性自聯想、線性壓縮型ＢＰ網則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權和，這些向量是訓練集叉積陣的主特徵向量。總之，特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的算法。
人臉身份認證
給定人臉樣本，毫秒級別檢索大規模人臉數據庫或監控視頻，給出身份認證。在認證出96%的人臉時，誤檢率低於十萬分之一。通過大規模的人像採集和人臉算法的不斷自我學習，國內的人臉算法也在逐步的走向成熟；在實際應用領域中，以往的依靠單一算法的模式已經被多算法綜合應用所取代。
而算法的愈加成熟也使得各類應用的可靠性大大提升。
領域與實踐
應用性技術上，人臉識別技術已深耕金融、移動互聯網、安防監控三大行業
實際案例在一些知名企業如銀聯、京東、華為、小米、新浪微博、英偉達等各行業巨頭深度合作，並且不斷的在各行各業持續發酵，應用領域也隨著初期單一的技偵和安防應用更多的轉向民用行業。
智能手機人臉識別開鎖
優點與困難
人臉識別的優點在於其自然性和不被被測個體察覺的特點。所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特徵相同。例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有虹膜識別虹膜識別語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物並不通過此類生物特徵區別個體。不被察覺的特點對於一種識別方法也很重要，這會使該識別方法不令人反感，並且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同於指紋識別或者虹膜識別，需要利用電子壓力傳感器採集指紋，或者利用紅外線採集虹膜圖像，這些特殊的採集方式很容易被人察覺，從而更有可能被偽裝欺騙。
困難人臉識別被認為是生物特徵識別領域甚至人工智能領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特徵的特點所帶來的。
相似性人臉類似性人臉類似性不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對於利用人臉進行定位是有利的，但是對於利用人臉區分人類個體是不利的。
易變性人臉的外形很不穩定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭髮、鬍鬚等）、年齡等多方面因素的影響。在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-classdifference），而稱第二類變化為類內變化（intra-class difference）。對於人臉，類內變化往往大於類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。