人脸识别技术相关问题分为四大块：人脸检测，特征点提取，人脸校验，人脸检索。
其中第一个问题旨在检查图片是否是人脸、检测一张图像中是否包含人脸，而这个问题早在005年就已经有了解决方案。
即将一张彩制图片通常是jg格式转化为黑白格式，然后对临近的像素点中用箭头标示出黑白区间变化没有变化则不标，从而得到一张简化的hg图片制式，可以快速而简便的检测人脸。
这个步骤v中早已存在，基于v-js算法，可以直接拿来用。
第二个问题，特征点提取，这个问题在015年前后，在yh发布的aada支持库得到了普世化的解决方案。而在015年以前，这个技术不能说没有，而是发展缓慢。
其基本原理为提取人脸特征中的6八个特征点鼻子两侧、眉心、嘴角等类似位置，也有算法是7个，这个数量不是固定的，特征点越多越精确熵越低，同样计算效率也就越低，这是两个矛盾的对立面，从而确定需要处理的面部区域。
特征点并不是某个点，而是一个像素集合，主要由卷积核和卷积核周边的像素构成，这个结构就是传说中的智能领域的神经络具体分类为卷积神经络，区别于递归神经络。它在某种程度上，和正则有着相似之处。
{}/ 实际上这个过程可能更复杂一些，它会不断的从a到b，再从b到a，不断的调整权值，从而达到人类要求得到的结果。
这人类无法完全理解的一套规则，谷歌两机器人互相以人类无法理解的语言对话，就是这个原理。
这个就叫做深度学习。
简单来讲，计算机视觉更像是鹦鹉说话，鹦鹉会说“你好”，但是它并不能理解“你好”是什么意思。对于人类来说，鹦鹉说出“你好”就是结果，也不关心它是怎么说出来的。
所以身份证取照需要人做出几个动作，额外多拍几张照片，这个过程就是为了让计算机能够深度学习，得到属于这个人的“特征库”。
手机的人脸解锁，相对于人脸识别的三维检测，则更为简单一些，因为手机普遍采用的是红外拍摄取图。
相对于彩色制式的标准图，手机对是不是本人的检测并不是特别严格，这个卷积核，也就是神经络，它是基于二维结构的。
结果论是智能领域常用的解决方案，它有一个学名，叫做监督学习。
包括双足行走和跳跃，搬运货物，下棋，等等机器行为，都非常依赖于监督深度学习。
就先记到这里，这半年正在做这方面的项目。
