人脸识别流程：
1. 人脸定位
输入是原始图像，输出是人脸所在位置的矩形框，这里需要用到一个模型（这个模型可以用回归的方式去训练）；
2. 人脸特征点检测（landmarks）
输入是（原始图像+人脸矩形框=人脸图像），输出是特征点坐标（嘴巴的坐标，眼睛的坐标等），这里需要用到一个模型（这个模型可以用回归的方式去训练）；
3. 人脸对齐&特征提取
输入是（当前人脸landmarks+标准人脸landmarks+特征提取矩阵），过程是将对齐后的人脸输入到CNN之类的网络，得到人脸特征（如128维的人脸特征）（详细了解请看这里）
4. 应用
接下来就可以根据具体需求做不同的事了，比如判断两张照片是不是一个人，就可以对比步骤3得到的128维矩阵的相似度，如果高于阈值就是一个人，一般计算人脸特征矩阵的相似度会用余弦距离
ps：可以直接使用dlib库来提取人脸128维特征，支持cpu
其他
人脸识别范围很广泛，目前有十个关键技术
1. 人脸检测（face detection）是检测出图像中人脸位置的技术
一般输入是一张图片，输出是人脸所在位置，常用矩形框标记在原图之上；
2. 人脸配准（face alignment）是定位人脸五官关键点坐标的技术
一般输入是人脸图像+人脸坐标框，输出是五官关键点坐标序列，输入一般会统一尺寸；
3. 人脸属性识别（face atrribute）是识别人脸的性别、年龄、姿态、表情等属性的技术
一般输入是人脸图像+五官关键点坐标，输出是人脸属性值，输入一般会调整统一尺寸和旋转角度，保证数据的统一性再做分析；
4. 人脸特征提取（face feature extraction）是将人脸图像转化为一串固定长度的数字串的技术
一般输入是人脸图像+五官关键点坐标，输出是一串固定长度的数字串；
5. 人脸对比（face compare）是对比两张人脸相似度的技术
一般输入是两张人脸的特征（即两个固定长度的数字串），输出是两张人脸的相似度，人脸验证、人脸识别、人脸检索都是在人脸比对的基础上加一些策略来实现；
6. 人脸验证（face verification）判断两张人脸是否为同一个人的技术
一般输入是两个人脸特征，通过计算相似度并且和预先设置的阈值进行比较，输出为是否为同一个人；
7. 人脸识别（face recognition）是识别出输入人脸对应身份的技术
一般输入是一个人脸特征，通过对比数据库已有的人脸特征计算最高的相似度并与阈值比较，输出是人脸对应的身份，当相似度小于阈值时，输入人脸不在数据库中；
8. 人脸检索，是查询和输入人脸相似的人脸序列的技术
一般输入是一个人脸特征，通过对比数据库已有人脸特征计算相似度，并对一定数量的人脸根据相似度由高到低进行排序作为输出；
9. 人脸聚类（face cluster）是将一个集合内的人脸按身份进行分组的技术（这个集合中可能会有多张人脸属于一个身份）
一般输入是一个人脸集合，将集合内的人脸两两对比相似度，通过分析，将集合内的人脸图按身份进行分组作为输出；