在转换过程中保留最大的信息从而创建独特的生物特征模板对于成功识别至关重要。提取过程转换模拟信息（人脸）为一组基于人的脸部特征的数字信息（数据）。比较。提取后，将收集的数据与现有模板进行比较。匹配。人脸识别技术的最后阶段是确定新样本的面部特征是否与面部数据库中的特征相匹配。人脸识别是通过技术识别人脸的一种方式。
人脸识别系统使用生物识别技术从照片或视频中映射面部特征。它将信息与已知面孔的数据库进行比较以找到匹配项。人脸识别系统的准确性如何？为什么如此重要？短短几年内，人脸识别能力得到了显着改善。截至2020年4月，最佳人脸识别算法的错误率仅为0.08％，而同期的错误率为4.1％，根据美国国家标准技术研究院（NIST）的测试，该算法在2014年成为领先算法。
截至2018年，NIST发现超过30种算法的准确性已超过2014年实现的最佳性能。在考虑最佳的技术规范方法时，必须考虑这些改进，应该采取行动来应对技术发展的风险，而不是目前的风险。进一步提高准确性将继续减少与错误识别有关的风险，并扩大正确使用可能带来的好处。但是随着性能的提高为更广泛的部署提供动力，确保技术的正确治理的需求将变得更加紧迫。
在理想条件下，人脸识别系统可以具有近乎完美的准确性。用于匹配主体以清除参考图像（例如身份证照片或面部照片）的验证算法，在标准评估（例如NIST的人脸识别供应商测试（FRVT））上，可以达到高达99.97％的准确率。这可与虹膜扫描仪的最佳结果相媲美。这种面部验证已经变得非常可靠，以至于即使是银行，也可以依靠它来将用户登录到他们的帐户中。
但是，只有在照明和定位保持一致且被摄对象的面部特征清晰且不明显的理想条件下，这种精确度才可能实现。在实际部署中，准确率往往要低得多。例如，一种领先算法的错误率从与高质量面部照片匹配时的0.1％攀升至与“野外”拍摄的个人照片匹配时的9.3％，而与被摄对象在“野外”拍摄时的错误率不一样。在相机上，或者可能被物体或阴影遮盖。
老化是可能严重影响错误率的另一个因素，因为随着时间的推移，被摄对象的脸部变化会使其难以匹配相隔多年的照片。NIST发现尝试与18年前拍摄的照片进行匹配时，许多中间层算法显示出的错误率几乎增加了10倍。防止误识别的措施始终很重要，因为人脸识别永远不会100％准确。如今，这些保护尤为重要，因为许多供应商仍然没有以极高的准确性运行的系统，即使是最好的算法也仍然在更具挑战性的现实环境中挣扎。
