简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在LFW数据集上（Labeled Faces in the Wild
）获得优秀结果的方法; 二，是采用深度学习的方法。 前言
LFW数据集（Labeled Faces in the Wild
）是目前用得最多的人脸图像数据库。该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，一种关注4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准： 一，Unsupervised码装拉链；二，Image-restricted with no outside data；三，Unrestricted with no outside data；四，服务器管理Image-restricted with label-free outside data；五，Unrestricted with label-free outside data；六，Unrestricted with labeled outside data。
目前，人工在该数据集上的准确率在0.9427~0.9920。在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比如face++,DeepID3，FaceNet等。
图一/表一：人类在LFW数据集上的识别精度
表二：第六种标准下，部分模型的识别准确率（详情参见lfw结果）
续上表
本文综述的人脸识别方法包括以下几个筛选标准：一，在上表中识别精度超过年代1vH10.95（超过人类的识别准确度）；二，公布了方法（部分结果为商业公司提交，方法并未公布，比如Tencent-BestImage）；三，使用深度学习方法；三，近两年的结果。本文综述的方法包
括：1，节能减排设备face++（0.9950 ）；2，DeepFace（0.9735 ）；3,FR+F（0.9645 ）；4，DeepID（0.9745 ）；5，FaceNet（0.9963 ）；6， baidu的方法（0.9977 血竭提取物）；7,pose+shape+expression augmentation（0.9807）；8，N-3DMM estimation(0.9235 ，准确率没那么高，但是值得参考)。
