Prepoznavanje lica tehnika je koja omogućuje računalima da identificiraju ili provjere osobu na osnovu fotografije ili vida. Široko se koristi kao biometrijsko rješenje za zaštitu kontrole pristupa u različitim sigurnosnim sustavima. Premda je točnost prepoznavanja lica općenito niža od nekih drugih biometrijskih rješenja, poput sustava za prepoznavanje otisaka prstiju ili šarenice njezina je prednost neinvazivnost same metode. Zahtjevi za prepoznavanjem lica naglo rastu jer se, između ostalog, sve više koristi u video nadzoru, kontroli pristupa, interakciji čovjeka i računala i video indeksiranju. Unutar ovih novih zadataka, mogućnost praćenja lica u stvarnom vremenu če igra važnu ulogu.
Tradicionalna rješenja za prepoznavanje lica obično zahtijevaju postupak u dvije faze. Od svake slike najprije se izdvajaju određene crte lica, nakon čega slijedi klasifikacijski postupak za dodjeljivanje lica s najvjerojatnijom oznakom. Popularni algoritmi za izdvajanje i transformaciju značajki uključuju vlastita lica, linearnu diskriminacijsku analizu i algoritam fisherface. Tijekom postupka klasifikacije kodiranja lica se na neki način uspoređuju s onima unutar baze podataka, a oznaka najsličnijih lica bit će vraćena kao rezultat prepoznavanja. Popularni algoritmi klasifikacije uključuju najbližeg susjeda, vektorske strojeve za podršku (SVM) i neuronske mreže. Ručno izrađene značajke imaju urođene nedostatke osjetljivosti na varijacije okoline, poput promjene uvjeta osvjetljenja, poza i izraza lica. Zbog toga tradicionalni sustavi prepoznavanja i praćenja lica često pate od slabe robusnosti u real time sustavima.
U praksi je moguće da se ista osoba snimi pod različitim uvjetima. Najbolji rezultati postižu se kada osoba mirno stoji ispred uređaja za prepoznavanje lica okrenuta direktno prema kameri. No ako da osoba napravi neku grimasu poput smijanja prepoznavanje je otežano. Različiti izvori svjetla ujutro, navečer, po sunčanom ili kišnom danu također stvaraju probleme.
U posljednjih 15-ak godina duboko učenje revolucioniralo je mnoga područja umjetne inteligencije (AI), uključujući računalni vid (CV) i obradu prirodnog jezika (NLP). Konvolucijske neuronske mreže (CNN) postale su dominantna rješenja u prepoznavanju, otkrivanju i segmentaciji slika, stvarajući najsuvremenije performanse na brojnim skupovima podataka. Snagu dubokog učenja treba uvelike pripisati njegovoj sposobnosti da automatizira proces inženjeringa značajki: za razliku od tradicionalnih CV/NLP rješenja, duboke mreže izvlače diskriminirajuće značajke na način s kraja na kraj, izravno iz podataka. Još jedna prednost metoda dubokog učenja je mogućnost uključivanja hijerarhijske strukture koja sadrži semantičke značajke niske i visoke razine. Različiti se podaci mogu preslikati u usklađene faze kroz više razina. Ova dublja arhitektura pruža još veće kapacitete za spajanje povezanih zadataka. Stoga metode dubokog učenja pokazuju značajne prednosti u odnosu na tradicionalne pristupe u osiguravanju da sustavi za prepoznavanje lica funkcioniraju točno i učinkovito.
Najsuvremenija izvedba prepoznavanja lica je uvelike poboljšana, vodeći predstavnici su DeepFace, FaceNet i VGG Face. Za praćenje i prepoznavanje lica u video zapisima, većina postojećih rješenja prihvaća pristup otkrivanja i prepoznavanja lica temeljen na kadru, neovisno obrađujući video okvire pomoću određene 2D mreže za prepoznavanje. Praćenje lica postiže se slaganjem ili kombiniranjem rezultata 2D otkrivanja na određene načine. Nedostatak korištenja 2D modela lica za rješavanje zadataka praćenja video zapisa su da se vremenske kontekstualne informacije između uzastopnih okvira ne uzimaju u obzir pa se stoga ne mogu u potpunosti oporaviti kroz kombinacije.