深度学习技术的进步，带动了人脸识别应用爆发式增长。目前人脸识别的应用场景可以分为人脸认证和人脸鉴别两种。
1.人脸认证：即证明你是你
典型的应用是1:1人证合一系统，将现场采集的用户人脸与证件对应的人脸照片进行比对，以验证是否为合法持有人。以目前zui常用的二代*卡内照片(照片只有102*126像素，压缩成1K字节存储，很多人存在较大的年龄跨度)vs用户配合现场照为例，大华采用深度学习的人脸识别算法在误报率低于十万分之一的情况下，通过率超过98%。深度学习算法人脸认证问题上的准确率已经超越人类平均辨识水平，因此已经广泛应用于金融机构远程开户、高铁机场安检、考场入场等需要进行身份确认的场景。
2.人脸鉴别: 可以分为静态比对与动态比对
静态比对，一般为闭集，即认为测试人存在于注册库中，以前1或者前N识别准确率作为评价指标。典型的应用是(*/走失人口等)身份确认——使用测试人配合条件下采集到的高清照片在大规模注册库(逃犯库、常住人口库等)中进行检索。目前在别的注册库规模上，大华的深度学习算法识别率达到90%以上，已经取得了很多实战成功案例。除了准确率的提升之外，深度学习的另一大优势是学习到的特征非常简洁(一般为几百维，可以在基本保持准确率的前提下进一步进行量化压缩)，大规模人脸检索的速度也得到了很大提升，底库一般可以在秒级甚至更少时间内返回检索结果。
动态比对，一般为开集，即不确认测试人员是否存在于目标库中，需要在确保误报率不高于某值的情况下统计准确率。算法性能指标与应用场景(测试人是否配合、底库规模)有关。在底库为1万人，误报率不高于1%的条件下，用户配合场景中一般深度学习算法准确率达到98%以上，可以基本满足门禁、考勤等应用的需求。对于非配合场景，识别率会受到较大幅度影响，一般在90%以下。例如公安领域注册库规模可以达到十万级，往往存在测试人不配合甚至故意回避、监控视频质量较差等不利因素，在人流密集场所确保误报足够低的条件下往往会产生比较多的漏报。
总体来说，深度学习大幅提升了人脸识别效果，直接促进了人脸识别的应用落地。虽然一定程度上深度学习算法准确率已经超越人类，但还是存在很大的提升空间以满足更多的应用要求。笔者认为，目前应用并不应该唯“识别率”论，而是要结合具体场景以系统工程的思维设计合理的产品与方案，将现有技术发挥出zui大的作用。例如，即使人证比对的准确率达到99.99%以上，在支付等场景下，我们还是要配合其他验证手段以确保足够安全；另一方面虽然有些条件下深度学习算法识别率非常低，但仍然有很大的利用价值，比如失踪儿童识别，即使准确率只有1%，也是值得去尝试的。类似的如嫌疑犯布控、行人闯红灯等场景，只需要少量的识别成功案例(识别率可能很低)，就可以起到很好的震慑与警示作用。
