基于深度学习，利用卷积神经网络对海量的人脸图片进行学习，然后对输入图像提取出对区分不同人的脸有用的特征向量，替代人工设计的特征。通过特征向量在特征空间里进行比对，同一人的不同照片提取出的特征，在特征空间里距离很近，不同人的脸在特征空间里相距较远。

现在人脸识别系统数据库都比较大，那么如何高效的从数据库里检索人脸的呢

目前来说检测的效率一般与特征值的大小和数据集大小有一定的相关性，一般特征值越大效率越低。从比对策略层面来说，针对数据集较大的一般可以采取多线程策略处理；另外，大规模的数据可以考虑服务器的集群检索的模式。

人脸比对通过将两张人脸提取出特征码，再计算两张人脸的相似度，并且给出相应的相似比值，从而判断两张人脸是否为同一个人。

同时保持低误检率。在大角度或不同角度下，低光背光环境下，人脸移动或不同表情下，因年纪增长像貌变化，少量遮挡，设备移动等等情况下，都达到业界＊＊水平。

人脸识别系统主要包括四个组成部分，分别为：人脸图像采集及检测、人脸图像预处理、人脸图像特征提取以及匹配与识别。

(1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。

(2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。

(3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方式是根据人脸脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辨认出某个人。人脸的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。

现如今，人脸识别技术已经不只是在人脸考勤，人脸社交，人脸支付上了，智能家居的智能门锁中也开始应用如此技术了。