一、文献综述
- 国内外研究现状
研究人脸识别的历史可以追溯到 20 世纪，最早是由法国的 Galton 进入人脸识别领域展开探索。提取侧面人脸的集合特征在早于二十世纪七十年代时就已经成为一部分典型的模式识别的核心任务。然而，受当时条件限制，图像处理得到的特征数量较少。即使通过自动提取特征的方式，也难以保证提取的准确率。直到 20 世纪 90 年代，人脸识别受到安防领域等相关领域技术的发展的影响，逐渐进入人们的视野。科研人员在 20 世纪 90 年代前期的研究目标在于图像的分割和提取图像特征上。同时，他们采用较传统的数据统计技术，如Karhunen.Loeve 变换，对神经网络分类器进行深入研究。在当时，研究人员研究的图像大多是静态图像，所使用的的数据库容量比较小。同时，研究人员探索发现，可以在视频流中对人脸信息进行多维度获取，视频流通常包含丰富的信息元素。但人们开展对多样本统计方法、神经网络方法的探索和研究时，发现：当对实际问题进行处理时，依据单一图像展开识别是很难的，然而研究中处理的图像对象往往只有一个。而单一图像包含的信息远远不够，这是研究中遇到的比较大的难题。
世界首个人工神经元模型（MP）是由 Mcculloch 和 Pitts 在十九世纪中期提出的，这个模型的推出打好了早期神经计算发展的基础。感知器模型(Perceptron)是由 Rosenblatt 在 MP 模型的基础上于二十世纪五十年代提出的，这是首次将人工神经理论运用到实际问题中。Hopfield 于 1984 年提出以其名字命名的 Hopfield 神经网络模型，该模型的提出意味着打好了人工神经网络的研究理论基础。并行分布处理理论以及具有非线性转移函数的多层前馈网络的误差反向传播算法（Back Propagation）是由 Rumelhart 等人于 1986 年提出，该算法直到现在仍然备受人们关注，广受人们欢迎。
我国在人脸识别领域的研究起步于 20 世纪 80 年代，目前也有多个研究机构对该领域进行深入的研究，哈尔滨工业大学，中科院自动化所，清华大学，中科院计算所，复旦大学等研究机构和单位在人脸识别方面处于领先，并取得了非常优秀的成绩。
（二）研究主要成果
人脸识别技术的研究是一个跨越多个学科领域知识的高端技术研究工作，其包括多个学科的专业知识，如图像处理、生理学、心理学、模式识别等知识。在人脸识别技术研究的领域中，目前主要有几种研究的方向，如：一种是根据人脸特征统计学的识别方法，其主要有特征脸的方法以及隐马尔科夫模型(HMM，Hidden Markov Model)方法等;另一种人脸识别方法是关于连接机制的，主要有人工神经网络(ANN，Artificial Neural Network)方法和支持向量机(SVM，Support Vector Machine)方法等。
基于特征脸的方法。特征脸的方法是一种比较经典而又应用比较广的人脸识别方法，其主要原理是把图像做降维算法，使得数据的处理更容易，同时，速度又比较快。特征脸的人脸识别方法，实际上是将图像做 Karhunen-Loeve 变换，把一个高维的向量转化为低维的向量，从而消除每个分量存在的关联性，使得变换得到的图像与之对应特征值递减。在图像经过 K-L 变换后，其具有很好的位移不变性和稳定性。所以，特征脸的人脸识别方法具有方便实现，并且可以做到速度更快，以及对正面人脸图像的识别率相当高等优点。但是，该方法也具有不足的地方， 就是比较容易受人脸表情、姿态和光照改变等因素的影响，从而导致识别率低的情况。
基于几何特征的方法。基于几何特征的识别方法是根据人脸面部器官的特征及其几何形状进行的一种人脸识别方法，是人们最早研究及使用的识别方法，它主要是采用不同人脸的不同特征等信息进行匹配识别，这种算法具有较快的识别速度，同时，其占用的内存也比较小，但是，其识别率也并不算高。该方法主要做法是首先对人脸的嘴巴、鼻子、眼睛等人脸主要特征器官的位置和大小进行检测，然后利用这些器官的几何分布关系和比例来匹配，从而达到人脸识别。
基于深度学习的方法。深度学习的出现使人脸识别技术取得了突破性进展。人脸识别的最新研究成果表明，深度学习得到的人脸特征表达具有手工特征表达所不具备的重要特性，例如它是中度稀疏的、对人脸身份和人脸属性有很强的选择性、对局部遮挡具有良好的鲁棒性。这些特性是通过大数据训练自然得到的，并未对模型加入显式约束或后期处理，这也是深度学习能成功应用在人脸识别中的主要原因。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
