一、機器識別與人工識別相結合

　　目前市面上主流的一些人臉識別公司在引用國內外知名的人臉圖像數據庫進行測試時，其人臉識別的精準性一般都可以達到95%以上，而且進行精準人臉識別的速度也非常快，這也從側面為人臉識別技術投入實際應用提供了強有力的實踐證明。

　　不過在實際的生活中，每個人的人臉相對于攝像頭而言并不是保持靜止不動的，相反則是處于高速的運動狀態之中，攝像機采集到的人臉圖像會因為人臉的姿態、表情、光線、裝飾物等不同而呈現出完全不同的樣子，也極有可能會出現采集到的人臉圖像不清晰、不完整、關鍵部位特征不明顯的情況，這個時候人臉識別系統也就可能無法做到快速和精準的人臉識別了。

　　因此在設定了一定的人臉圖像相似程度數值之后，人臉識別公司系統會對高于該相似程度數值的人臉圖像作出提示，然后再由人工進行逐個的篩選，采用機器識別與人工識別相結合的方式才能最大限度的做到人臉圖像的精準識別。

　　二、3D人臉識別技術的廣泛應用

　　不論是時下主流的人臉圖像數據庫中已經保存好的人臉圖像，還是在街邊路口由攝像頭實時采集到的人臉圖像，絕大多數其實都是一張2D人臉圖像。2D人臉圖像本身其實存在著固有的缺陷，那就是它無法做到深度的表達人臉圖像信息，在拍攝時特別容易受到光照、姿態、表情等因素的影響。而對于人臉來講，人臉面部包括眼睛、鼻子、耳朵、下巴等諸多的關鍵部位并不是處于一個平面上的，人臉天然具有立體效果，拍攝2D人臉圖像不能夠很好的完全反映出人臉面部的全部關鍵特征。

　　不過就國內人臉識別公司中3D人臉識別技術的實際應用而言，尚處于一個初級的應用水平，遠未達到廣泛應用的階段。影響3D人臉識別技術的廣泛應用的因素主要有如下幾個：一是采集3D人臉圖像往往需要特定的采集設備，例如3D攝像機或者是雙目攝像機等，目前這一類型的攝像攝影設備的市場價格都比較昂貴，僅在特定的場景中使用較多;二是對3D人臉圖像的處理需要進行3D建模，相對應的3D人臉識別技術對于硬件設施的要求比較高，需要比較強的計算能力，在目前也不能做到廣泛應用;三是現有的3D人臉圖像的數量類型較少，相對應的3D人臉圖像數據庫也沒有搭建起來，缺少足夠的3D人臉圖像測試樣本，即使是在理論研究階段也無法深入，就更談不上更加廣泛的實際應用了。

　　三、基于深度學習的人臉識別技術的廣泛應用

　　目前主流的人臉識別技術大多都是針對輕量級的人臉圖像數據庫，對于未來完全可預見的億萬級的人臉圖像數據庫則還不太成熟，因此需要重點研究基于深度學習的人臉識別技術。

　　通俗意義上來講就是，目前國內人口有十三億之多，由實力雄厚的人臉識別公司牽頭在不久的未來建立起一個覆蓋全國范圍的統一的人臉圖像數據庫也是可以預見的，那么該人臉圖像數據庫存儲的人臉圖像的容量可能會達到數十億甚至是數百億的級別，這時候可能就會存在大量表征相似、關鍵特征點相似的人臉，如果沒有基于深度學習的人臉識別技術，建立更為復雜的多樣化的人臉模型，那么在實現精準和快速的人臉識別就會比較困難。

　　四、人臉圖像數據庫的實質提升

　　建立具備優良的多樣性和通用性的人臉圖像數據庫也是一個必然的事情，與目前主流的人臉識別公司引用的數據庫相比，其實質上的提升主要體現在如下幾個方面：一是人臉圖像數據庫量級的提升，將會從現在的十萬百萬級提升至未來的十億級甚至是百億級;二是質級的提升，將會由主流的2D人臉圖像提升至各種關鍵特征點更為明顯和清晰的3D人臉圖像;三是人臉圖像的類型提升，將會采集每個人在各個不同的姿態、表情、光線、裝飾物等之下的人臉圖像，以充實每個人的人臉表征進而做到精準的人臉識別。