據了解，目前我國人臉識別技術主要應用在金融和安防這兩大B端領域。

諸如前段時間火熱的大興機場的人臉識別，機場安檢領域便是一個巨大的市場，目前多個機場的安檢系統已采用人臉識別技術，其實不止機場，火車站，學校等公共場所也都有布局，未來還將產生更多的需求。監控增量空間巨大，人臉識別應用前景廣闊。

此外，在金融領域的刷臉支付已十分普及，有關部門將發布人臉識別相關金融標準，以明確人臉信息采集、傳輸、存儲、利用等環節的安全管理要求。

但同樣是使用人臉識別設備，為什么有些是用作高鐵安檢，有些是用作刷臉支付呢？這里就要從人臉識別的硬件設備和軟件算法說起了。

一般來說，對身份驗證不太嚴格的人臉識別設備使用的多數是2D人臉識別，對身份驗證比較嚴格的則是3D識別，主要應用3D結構光、TOF等人臉攝像頭，測定眼間距，鼻子高低等立體人臉信息。

同時，我們要看它的應用場景是用人臉識別終端識別和對應的識別人數，從而分為人臉識別的1:1模式、1:N模式和M:N這三種模式。

1:1模式——主要應用于一對一的身份識別場景，例如刷臉支付、酒店入住、考試身份核驗、人證對比等。用戶站在人臉識別終端前，過程中要站著不動幾秒（靜態識別），再通過人臉識別攝像頭進行身份校驗，以此證明“你是你”。由于如刷臉支付、酒店入住登記、考試身份核驗、人證對比這些需要實名制的應用場景，搞錯一個人都可能帶來風險，一般要求識別準確度要達到99%以上，以保障身份精準對應。

1:N模式——主要應用于一對多的人臉識別場景，是從N張人臉中找出要找的人，以此找出“你是誰”。公司企業的刷臉考勤，同樣是通過人臉識別設備，從公司內部的人臉數據庫中自主查找，判定你是否公司員工，才能開門放行。又例如公安部門要從人流密集的地方找出記錄在數據庫的逃犯，需要通過從人臉數據庫的大量信息中篩選出匹配的人。這類模式比較考驗人像數據庫的容量大小，準確率會比1:1模式要稍低5%-10%。

M:N模式——這里M可以理解為一個數據庫。M:N模式多應用在一些人流量大、需要保障公共安全的地方。如火車站、演唱會、大型體育賽事中，進行這類人臉識別時，通常被識別的主體不會停留在一處，而且處于運動狀態（如火車高鐵站行色匆匆的旅客），屬于動態識別，容易受側臉、光線、距離等影響準確度，準確度是三種模式中最低。面對數據量大的人臉識別場景，可能還需要經過人臉識別終端進行邊緣計算，減輕數據庫后臺的負擔。

來源：朗銳智科