可迁移邻域发现算法，首先找出高置信度样本，并通过最近邻算法找出这些样本的领域样本，之后通过损失函数拉近高置信度样本与其领域样本在特征空间中的距离，采用从易到难、循序渐进的方式更新深度学习模型。整个过程由近到远、由易到难、由已知到未知，逐渐识别“哪些步态是谁的”，从而锁定目标人物。
今天的人脸识别，仍然在向纵深方向上发展。我们希望人脸识别健康发展，期待人脸识别学术问题的回归，也期待人脸识别普适性的提升。同时，我们更加期待出现新的计算模式，减少诸如深度学习训练过程的超大计算规模、减少海量人脸识别系统的超大计算规模。
人脸识别本质上属于大数据技术，用户最显著的生物特征数据被用于分析、辨识，当人脸识别与金融服务等挂钩，也就等同于人脸成为价值更为多元的特殊“资产”，一旦出现问题，可能引发用户资金被盗用等恶性事件。因此，人脸识别所指向的用户隐私安全保障必须被提升到更高的管理层次。
作为身份验证手段，人脸识别技术存在先天缺陷。相对于指纹、虹膜、声音、声纹、基因等其他用于身份识别的生物信息，人脸暴露度较高，更容易实现被动采集......该系统使用两台壁挂式摄像头（一台对着学生，一台对着老师），单个摄像头可以看到教室中的每个人，并自动识别信息，并可以对视频和音频进行分析。
计算机识别人脸的准确率可达99.15%，而肉眼识别的准确率大概在97.52%。从目前情况来看，人脸识别技术是较为精确的活体检测，但仍属于一种模糊匹配。因此，人脸认证技术还不能在所有场合做到非常成熟，在涉及个人隐私、财产等重要信息的场景下，建议启用多重认证方式。
这中间的一个核心逻辑是：消费者自己使用人脸识别技术的时候，是自愿使用的，并且是知道自己的脸正在被识别的。但是，如果是公权力机构在使用的话，比如警察使用这项技术在公共场所进行监控，那么公众很可能并不知道自己的脸正在被拍摄、扫描、分析、比对、纳入数据库，即便知道也不可能把人脸识别系统关掉。
在过去的近十年的历史中，传统安防行业的头部玩家们一直稳定的占据着市场最大的市场份额与最核心的技术体系。但是在正在汹涌而来的智慧物联时代中，摄像头市场所具备的巨大潜力，已经远远超过了安防时代它能够起到的威慑作用。
较早从事AFR研究的研究人员除了布莱索外还有戈登斯泰因、哈蒙以及金出武雄等。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用......本文内容涵盖人脸识别发展历程、市场研究、核心技术、商业应用以及产业落地、个人看法等干货研究。注意，本文干货满满，约有2万7
前不久，瑞典数据保护局对Skelleftea市政府开出了20万瑞典克朗的罚单，理由是非法使用学生的敏感生物数据。Skelleftea市政府此前进行了一项实验，目的是监督当地两所高中的22名学生每天进入教室的时间。
美国在人脸识别这样的技术应用方面似乎走向了保守的道路，旧金山、波士顿郊区已经成为正式立法禁止警方和市政部门使用人脸识别软件的两个城市，奥克兰也在考虑类似的禁令。在纽约，人脸识别被尝试用于在大桥上识别车内司机面孔，结果是彻底失败。
一定时间内市场的容量总是有限的，有人崛起，也就自然有人没落。从2008年杭州派开始显露锋芒后，安防老玩家深圳与新势力杭州之间，便开启了长达数年的“安防之都”双城之战。这一时期，国内安防行业80%以上的产值都集中在了三大帮派中：以深圳为中心的珠三角、以杭州为代表的长三角以及以天津为主力的环渤海地区。
