人脸识别主要用于身份识别。由于视频监控正在快速普及，众多的视频监控应用迫切需要一种远距离、用户非配合状态下的快速身份识别技术，以求远距离快速确认人员身份，实现智能预警。
人脸识别技术无疑是最佳的选择，采用快速人脸检测技术可以从监控视频图象中实时查找人脸，并与人脸数据库进行实时比对，从而实现快速身份识别。
扩展资料
人脸识别分为1:1模式、1:N模式和M:N这三种模式。
1、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。
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。
2、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。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%。
3、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最低。
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。
参考资料来源：