- 文献综述（或调研报告）：
人脸识别就是对于输入的人脸图像或者视频，首先判断其中是否存在人脸，如果存在人脸，则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息，并依据这些信息，进一步提取每个人脸中所蕴含的身份特征，并将其与己知人脸库中的人脸进行对比，从而识别每个人脸的身份[1]。
一个完整的人脸识别系统应该包含以下三个部分人脸检测、特征提取和分类器的设计。
图：人脸识别系统架构
人脸检测的主要任务是判断输入的静态图像或视频序列中是否包含人脸，如果包含人脸则确定人脸的大小位置。人脸检测是人脸识别中的关键步骤，它可以作为人脸识别系统的有机组成部分进行研究，也可以作为一个单独的领域进行研究。经过几十年的努力，人脸检测已基本能满足系统的要求。特征提取是指从人脸图像中提取出用于区分不同个体的判别特征。人脸特征提取实际上是一个去伪存真的过程,它要求提取出的特征对于同一人具有稳定性，不同的人具有较大的差异性。从数学上来说，特征提取的目的是把人脸图像从高维空间降到低维空间，在低维空间中，一方面使后继的分类的速度加快，另一方面使分类的准确率提高。特征提取是人脸识别中最重要的环节，它的好坏直接关系到人脸识别的效果，是目前人脸识别研究的热点和难点。人脸分类就是在特征提取的基础上，设计相应的分类器将测试图像与数据库中的图像进行比对,确定测试图像的身份[2]。
随着国防安全和社会公共安全需求的不断增长，人脸识别的研究受到了极大的重视。在过去的这几十年中，许多人脸识别技术已经得到发展。在人脸识别中，最成功和广泛研究的技术是基于外貌的方法。当运用基于外貌的方法时，我们通常用维空间中的一个向量来表示一张尺寸为像素的图像。但是，在实践中，这些维数据实在太大了以至于不能进行可靠且快捷的人脸识别[3]。降维是处理这些数据的一个重要手段，它是指样本从高维输入空间通过线性或非线性映射投影到一个低维空间，从而找出隐藏在高维观测数据中有意义的低维结构。从本质上看，降维实质上是要解决一个“流形学习”问题，即当数据集所在空间表现为流形结构时，要从存在这种空间结构的数据集中提取其相应的内在几何结构及规律性[4]。按其映射的形式，降维可以分成两大类[5]：一类是线性方法，如PCA[6]和LDA[7]等；另一类是非线性方法，如等距映射(Isomap)[8]、局部线性嵌入(LLE)[9]和局部切空间排列(LTSA)[10]等。
自 20 世纪 60 年代起[11]，研究者们就开始研究自动人脸识别技术[12]，但受当时技术条件的限制，人脸识别的发展非常缓慢，研究主要集中在收集和分析大量人脸面部特征（如：双眼距离、脸颊宽度等），并通过人工或自动的实验评估这些特征对人脸辨识的作用[13]。
20 世纪 70 至 80 年代，心理学家、神经科学家和工程技术人员对人脸识别进行了多方面的研究[14]。心理学家和神经科学家关心的主要有：人脸的唯一性问题；人脸识别中整体特征和局部特征哪个占主导的问题；婴儿如何感知人脸的问题；人无法准确识别倒转的人脸图像问题；以及人脑在人脸感知中的作用问题等等。尽管心理学家和神经科学家得到的很多假设和理论都是基于一个很小的图像样本集的，但是他们的一些发现对工程技术人员进行人脸识别算法和系统的设计具有很重要的指导意义。
进入 20 世纪 90 年代后，随着图像处理技术、模式识别技术以及计算机技术的迅猛发展和社会对生物特征识别技术需求的不断增加，人脸识别技术得到了巨大的发展，涌现出许多新的人脸识别算法。著名的特征脸方法[15]、Fisher 脸方法[16]以及弹性图匹配(EGM)方法[17]等都是在这一时期产生的。
近十年来，人脸识别已经发展成为一种最热门的生物特征识别技术。在 FERET工程的基础上，美国国防部每隔两年都要对大量的人脸识别算法和系统进行测试。到目前为止已经完成了 FRVT2000、FRVT2002、FRGC 和 FRVT2006 共四次测试，对人脸识别技术的发展成熟起到了极大的推动作用。
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。
