人 脸 识 别 已 成 为 多个 学 科 领 域 的 研 究 热 点 之 一 本 文 对 人 脸识 别 的 发 展 历 史 研 究 现 状 进 行 了 综 述 系统地 对 目 前 主 流 人 脸 识 别方 法进 行 了 分 类 针 对 人 脸 识 别 面 临 的 挑 战 着 重 对 近 几 年 来 在 光 照 和 姿 态 变 化 处 理 方 面的 研 究 进 展 进 行 了 详 细 论 述 并 对 未 来 人 脸 识 别 的发 展 方 向 进 行 了 展 望

使用常规相机获得的人脸图像可能具有固定的限制，阻碍脸部图像中一些特定信息表达。为了实现更好的性能，通过专门的采集方法捕获的３Ｄ面部己经用于改进的方法。虽然由于诸如成本和可访问性的若干问题，这些３Ｄ图像仍然难以获得，但是低成本的深度传感器如Ｋｉｎｅｃｔ允许直接获取３Ｄ信息以及ＲＧＢ彩色图像。这为计算机视觉和人脸识别研究提供了新的机会。

随着计算机和信息技术的快速发展，人脸识别技术越来越受到重视。本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题，提出了一些改进方法，并通过实验进行了可靠性验证。

人脸识别技术作为最重要的生物特征识别技术之一，可以利用每个人独一无 二的人脸特征来进行身份识别。在信息技术高度发达的现代社会，个人信息的鉴 别与保护已成为了重中之重。人脸识别技术以其高效性、准确性、非接触性等独 有的优点迅速成为了鉴别个人信息的重要技术手段。本文首先介绍了人脸识别技 术的研究背景与发展现状，然后具体介绍了四种经典的人脸识别方法，分别是主 成分分析、线性判别分析、局部保持投影和基于核的人脸识别方法。在学习了这 些经典方法后，本文改进了四种两维判别分析的人脸识别方法，解决了一些已有 方法的问题，这一部分是论文的主要研究内容：

基于协同表示的人脸识别研究.

如何 描述每个个体人脸的特征 , 使 之区别于 其他个 体 , 是人脸识 别研究 中的关 键问题 之一 .近年来提出了大量的方法 , 其中随着主元分析在人脸识别中的成功应用 之后 , 子 空间分析因其 具有描述性强 、计算代价小 、易实现及可分 性好的 特点 , 受到了 广泛的 关注 . 文中结 合近年来已 发表的文献 , 按照线性和非线性的划分 , 对子空间分析在人脸识别中的应 用作一回顾 、比较和总结 , 以供其他人参考 .

随着计算机技术的发展，在各种领域如计算机视觉、人脸识别、生物信息以及医学上都面临着高维数据的难题。高维数据中往往包含了冗余信息和噪声。数据降维是将高维数据投影至低维空间并保持数据本身固有的结构，在过去几十年里被众多学者不断地研究并取得了很大进展。在人脸识别中，入脸图像往往由于受到光照，表情和姿势的影响而难以识别，降维算法可以提取人脸图像中有效特征，去除其中的冗余和干扰，提高识别率。

YALE人脸数据库（美国，耶鲁大学）由耶鲁大学计算视觉与控制中心创建，包含15个人，每个人有不同表情、姿态和光照下的11张人脸图像，共165张图片，每张图片大小为100*100。整个数据集非常小，图片信息也较为简单。

随着“平安城市”建设的不断推进，公共安全逐渐成为人们关注的热点问题，视频监控技术也随之得到了越来越广泛的应用。传统的视频监控系统主要提供采集存储功能，这远远无法满足人们对其智能化的需求。要实现智能化的视频监控系统，以下几个关键问题亟需解决：（】）如何快速发现监控视频中的异常行为，及时给出警报，并最大限度地减少误报和漏报现象；（２）如何在多种不利因素下（如单样本，低分辨率）对可疑目标进行准确的识别分析；（３）在海量数据的情况下，如何确保视频分析系统的实时性及准确性。

人脸识别是生物识别的一个重要研究方向，随着众多学者的不断努力和长期探索，人脸识别取得了诸多成就，但对于问题的彻底解决还存在一定的距离。近年来诸多学者在神经网络的基础上提出了深度学习，由于其超强的学习能力，现阶段己成为神经网络的主要研究方向。深度学习的提出，为人脸识别问题的彻底解决提供了新的思路。本文利用深度学习算法进行人脸识别，进一步改善人脸识别效果。