人臉識別系統技術的 難點
1、光照問題
光照變化是影響人臉識別性能的最關鍵因素，對該問題的解決程度關系著人臉識別實用化進程的成敗。由于人臉的3D結構，光照投射出的陰影，會加強或減弱原有的人臉特征。尤其是在夜晚，由于光線不足造成的面部陰影會導致識別率的急劇下降，使得系統難以滿足實用要求。
同時，理論和實驗還證明同一個體因光照不同引起的差異，大于同一光照下不同個體之間的差異。光照問題是機器視覺中的老問題，在人臉識別中的表現尤為明顯。解決光照問題的方案有三維圖像人臉識別和熱成像人臉識別。但這兩種技術還遠不成熟，識別效果不盡人意。
2、姿態問題
人臉識別主要依據人的面部表象特征來進行，如何識別由姿態引起的面部變化就成了該技術的難點之一。姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。使得姿態問題成為人臉識別的一個技術難題。
針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正面人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。
3、表情問題
面部幅度較大的哭、笑、憤怒等表情變化同樣影像著面部識別的準確率。現有的技術對這些方面處理得還不錯，論是張嘴還是做一些夸張的表情，計算機都可以通過三維建模和姿態表情校正的方法把它糾正出來。
4、遮擋問題
對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往被監控對象都會帶著眼鏡、帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至會導致人臉檢測算法的失效。
5、年齡變化
隨著年齡的變化，一個人從少年變成青年，變成老年，他的容貌可能會發生比較大的變化，從而導致識別率的下降。對于不同的年齡段，人臉識別算法的識別率也不同。
這個問題最直接的例子就是照片的識別，在我國的有效期一般都是20年，這20年間每個人的容貌必然會發生相當大的變化，所有在識別上也同樣存在很大的問題。
6、人臉相似性
不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區分人類個體是不利的。
7、動態識別
非配合性人臉識別的情況下，運動導致面部圖像模糊或攝像頭對焦不正確都會嚴重影響面部識別的成功率。在地鐵、高速公路卡口、車站卡口、超市反扒、邊檢等安保和監控識別的使用中，這種困難明顯突出。
8、人臉防偽
偽人臉圖像進行識別的主流欺騙手段是建立一個三維模型，或者是一些表情的嫁接。隨著人臉防偽技術的完善、3D面部識別技術、攝像頭等智能計算視覺技術的引入，偽造面部圖像進行識別的成功率會大大降低。
9、圖像質量問題
人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率、噪聲大、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等)如何進行有效地人臉識別是個需要關注的問題。
同樣的，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。現在，我們在人臉識別時，一般采用的都是相同尺寸，清晰度很接近的人臉圖片，所以圖像質量問題基本可以解決，但是面對現實中更加復雜的問題，還需要繼續優化處理。
10、樣本缺乏
基于統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究此外，現在參與訓練的人臉圖像庫基本都是外國人的圖像，有關中國人、亞洲人的人臉圖像庫少之又少，給訓練人臉識別模型增加了難度。
