据了解，目前我国人脸识别技术主要应用在金融和安防这两大B端领域。

诸如前段时间火热的大兴机场的人脸识别，机场安检领域便是一个巨大的市场，目前多个机场的安检系统已采用人脸识别技术，其实不止机场，火车站，学校等公共场所也都有布局，未来还将产生更多的需求。监控增量空间巨大，人脸识别应用前景广阔。

此外，在金融领域的刷脸支付已十分普及，有关部门将发布人脸识别相关金融标准，以明确人脸信息采集、传输、存储、利用等环节的安全管理要求。

但同样是使用人脸识别设备，为什么有些是用作高铁安检，有些是用作刷脸支付呢？这里就要从人脸识别的硬件设备和软件算法说起了。

一般来说，对身份验证不太严格的人脸识别设备使用的多数是2D人脸识别，对身份验证比较严格的则是3D识别，主要应用3D结构光、TOF等人脸摄像头，测定眼间距，鼻子高低等立体人脸信息。

同时，我们要看它的应用场景是用人脸识别终端识别和对应的识别人数，从而分为人脸识别的1:1模式、1:N模式和M:N这三种模式。

1:1模式——主要应用于一对一的身份识别场景，例如刷脸支付、酒店入住、考试身份核验、人证对比等。用户站在人脸识别终端前，过程中要站着不动几秒（静态识别），再通过人脸识别摄像头进行身份校验，以此证明“你是你”。由于如刷脸支付、酒店入住登记、考试身份核验、人证对比这些需要实名制的应用场景，搞错一个人都可能带来风险，一般要求识别准确度要达到99%以上，以保障身份精准对应。

1:N模式——主要应用于一对多的人脸识别场景，是从N张人脸中找出要找的人，以此找出“你是谁”。公司企业的刷脸考勤，同样是通过人脸识别设备，从公司内部的人脸数据库中自主查找，判定你是否公司员工，才能开门放行。又例如公安部门要从人流密集的地方找出记录在数据库的逃犯，需要通过从人脸数据库的大量信息中筛选出匹配的人。这类模式比较考验人像数据库的容量大小，准确率会比1:1模式要稍低5%-10%。

M:N模式——这里M可以理解为一个数据库。M:N模式多应用在一些人流量大、需要保障公共安全的地方。如火车站、演唱会、大型体育赛事中，进行这类人脸识别时，通常被识别的主体不会停留在一处，而且处于运动状态（如火车高铁站行色匆匆的旅客），属于动态识别，容易受侧脸、光线、距离等影响准确度，准确度是三种模式中更低。面对数据量大的人脸识别场景，可能还需要经过人脸识别终端进行边缘计算，减轻数据库后台的负担。