1.非接触识别：人脸识别不需要像指纹验证或虹膜识别那样。通常被鉴定人必须积极进行检验，只需站在机器设备的检验区域，方便快捷。
2.非强制：客户基本上可以下意识地获得面部图像，不需要面部采集机器设备的专业配合，也没有那样的“强制”采样方式。
3.防伪标志水平强：人脸作为一种独特的生理特征，再加上越来越完善的活体检测技术，可以有效应对众多假冒攻击。
4.并发：可以在真实应用环境中进行人脸的明示排序、判断和识别，符合视觉效果的特点：具有“以貌取人”的特点，操作简单，结果直观，隐蔽性好。
不同个体之间差别不大。所有的人脸在结构上都是相似的，甚至面部器官在结构和外观上都是相似的。该特征有利于人脸的定位，但不利于利用人脸来区分人类个体。有哪些因素影响人脸识别测温终端工作？
1.人脸相似度
不同个体之间差别不大。所有的人脸在结构上都是相似的，甚至面部器官在结构和外观上都是相似的。该特征有利于人脸的定位，但不利于利用人脸来区分人类个体。
化妆、整容等旨在模仿某个明星的人为因素，让这个问题变得更加棘手。尤其是对于双胞胎来说，人脸识别系统能否正确识别他们，在学术界其实是有争议的。有专家认为，双胞胎根本不应该用人脸识别技术来区分，也不可能用人脸识别技术来准确区分。
2.人脸防伪
伪造人脸图像进行识别的主要欺骗手段是建立三维模型，或者嫁接一些表情。随着人脸防伪技术的提高，3D人脸识别技术和摄像头等智能计算视觉技术的引入，伪人脸图像识别的成功率将大大降低。
3.动态识别
在人脸识别不协调的情况下，由于摄像头运动或对焦不正确导致人脸图像模糊，会严重影响人脸识别的成功率。在地铁、高速公路卡口、车站卡口、超市防盗、边检等安防、监控、识别的使用中，这种难度明显。
4.缺少样品
基于统计学习的人脸识别算法是目前人脸识别领域的主流算法，但统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一种不规则的流形分布，因此能够获得的样本只是人脸图像空间中的极小一部分。如何解决小样本下的统计学习问题需要进一步研究。此外，参与训练的人脸图像数据库基本都是外国人的图像，关于中国人和亚洲人的人脸图像数据库非常少，使得人脸识别模型的训练更加困难。
5.图像质量问题
人脸图像的来源可能很多，由于采集设备的不同，获得的人脸图像质量也不同。特别是对于那些分辨率低、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图像、远程监控拍摄的图片等)。
如何有效识别人脸是一个需要关注的问题。同样，高分辨率图像对人脸识别算法的影响也需要进一步研究。现在我们在识别人脸时，通常使用大小相同、清晰度相近的人脸图像，所以图像质量问题基本可以解决，但是面对现实中比较复杂的问题，我们需要继续优化处理。
人脸识别时间是不科学的，而且不安全。