人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。人脸识别综合运用了数字图像、视频处理、模式识别、计算机视觉等多种技术，核心技术是人脸识别算法，泰首智能人脸识别算法为自主研发的Gface5高速人脸识别算法。
    Gface 5——高速人脸识别算法
    有素描常识的人都清楚，人脸不动的是眉弓到颧骨到鼻骨、上颚骨形成的金五角区域，不管做什么夸张表情，不管胖瘦的变化，不管什么角度，这个区域都保持相对固定的几何关系。基于这些不变的因素我们采用深度学习的方法发明了Gface人脸识别算法，本算法不受肤色、种族干扰，同时能很好的避开表情变化、胡须伪装、角度偏差、发际改变、眼镜装饰、口部遮挡等环境因数对人脸识别的影响。
    Gface 基于特征脸方法该方法是一种简单、快速、实用的基于变换系数特征的算法。特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。
    基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。现在Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法；而自1991年特征脸技术诞生以来，研究者对其进行了各种各样的实验和理论分FERET'96测试结果也表明，改进的特征脸算法是主流的人脸识别技术，也是具有最好性能的识别方法之一。
    该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。Turk和Pentland提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别。在200个人的3000幅图像中得到 95%的正确识别率，在ＦＥＲＥＴ数据库上对150幅正面人脸象只有一个误识别。但系统在进行特征脸方法之前需要作大量预处理工作如归一化等。在传统特征脸的基础上，研究者注意到特征值大的特征向量 (即特征脸)并不一定
    是分类性能好的方向，据此发展了多种特征(子空间)选择方法，双子空间方法、线性歧义分析方法、FisherFace方法等。事实上，特征脸方法是一种显式主元分析人脸建模，一些线性自联想、线性压缩型ＢＰ网则为隐式的主元分析方法，它们都是把人脸表示为一些向量的加权和，这些向量是训练集叉积阵的主特征向量。总之，特征脸方法是一种简单、快速、实用的基于变换系数特征的算法
    适用范围：人脸年龄变化不大，光线稳定。
    平台：Windows  X86
    单线程版本：适合小规模数据比对。
    服务器版本：适合海量人脸快速搜索。
    超级图形计算——人脸识别的基础
    超级计算机是计算机的一个分支，是计算机中功能最强、运算速度最快、存储容量最大的一类计算机，多用于国家高科技领域和尖端技术研究，是一个国家科研实力的体现，它对国家图像识别依赖高性能的浮点运算，动态人脸识别更是需要极大的计算资源，行业中一路1080p高清视频人脸检测需要4核CPU资源,能做到5帧或100人次已经是高水平了。可是对于运动中的人来说是无法捕捉到清晰准确的角度的，所以基本无法实现准确识别，所以一直以来动态人脸识别都是传说，是智能分析的禁区。我们在行业内率先推出高性能超级图形计算，利用经济型超级计算资源，能对高清视频实时全帧分析。相同功耗的条件下，是普通计算机的5-10倍效率。
    多种算法结合——人脸识别的新成果
    结合几种人脸识别算法，以及年龄算法、性别算法、颜色算法、跟踪算法等多种识别算法对目标对象从不同维度进行比较识别，能有效提高识别的准确度，减少误报干扰，使动态人脸识别达到实战使用标准。