文献综述
课题研究的现状及发展趋势：
目前，人脸检测的常用方法有以下八种：基于人脸规则的方法，基于特征不变量的方法，基于神经网络的方法，基于模板匹配的方法，基于概率分布的方法，基于几何特性的方法，基于肤色检测的方法，基于运动分析的方法。然而这八种方法因为各自都有不可避免的缺点和优点，所以单独使用这些方法不见得是一个正确做法，就目前发展现状来看，将这些方法结合使用是人脸检测方法的发展趋势之一。
就以上方法而言，人脸检测目前两个方面的挑战：①召回率：复杂背景下的人脸的尺度变化和光照等外部因素变化导致的人脸分类困难。（在CNN方法下解决此类问题一般都是通过加入此类样本进行训练解决问题。）② 耗时：人脸多尺度位置定位导致的时间消耗。
早期的人脸检测方法是利用人工提取特征，训练分类器，进行人脸检测。例如opencv源码中自带的人脸检测器就是利用haar特征进行的人脸检测。这类方法的缺点就是在环境变化强烈的时候检测效果不理想，例如弱光条件，人脸不全。另外，从通用的目标检测算法中继承过来的人脸检测算法。例如利faster-RCNN来检测人脸。效果不错，可以适应环境变化和人脸不全等问题，但是时间消耗很高。
鉴于以上两种方法的优劣势，便有人专门研究了人脸检测的算法，同时规避了以上两种的劣势，兼具时间和性能两个优势。级联结构的卷积神经网络，例如，cascadeCNN，MTCNN。另外，MTCNN效果要比cascadeCNN要好。于是本课题采用基于mtcnn算法来实现人脸检测，目的是在检测环境不理想的情况下，也能准确识别出人脸。
课题研究的意义和价值：
一个完整的人脸自动检测和识别系统应包括三个方面：人脸检测、特征提取和人脸识别。而人脸检测是人脸自动识别完成的第一步，是人脸自动识别系统解决的首要问题。人脸检测作为人脸信息处理中一项关键技术，近年来已成为模式识别与计算机视觉领域内一项受到普遍重视，研究十分活跃的课题。 经济社会的日益壮大发展，使得我们近年来，人脸处理问题已经吸引了更多科研人员的注意。然而，任何人脸处理系统的第一步都是检测人脸在图像中的位置，所以人脸检测研究具有很高的学术价值。但是从一副图像中检测人脸是一项极具挑战性的任务，因为其尺度、位置、方向和位姿都是变化的，面部表情，遮挡和光照条件也是变化的，所以如何能在图片中准确检测到人脸是一个值得探究的问题，于是研究人脸检测技术是一个重要且具有挑战性的课题。
参考文献 ：
[1]Jia X, Zhu G. Joint Face Detection and Facial Expression Recognition with MTCNN[C]// International Conference on Information Science Control Engineering. 2017.
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。
