文献综述（或调研报告）：
1、人脸检测
相比其他生物特征识别法，人脸识别因其自身的优势，具有唯一性、稳定性两大特质。在道路监控、银行认证、设备解锁等方向上，人脸识别提供了更高的准确度以及安全性，被业界广泛应用，有着良好的应用前景。
在对图像进行识别处理前，OpenCV需要先检测输入图像中的人脸，通过人脸检测算法检测面部特征，并将人脸截取获得人脸图像作为入参供识别算法使用。
2009年，Li Min提出通过头肩特征检测对应区域内人数的方法[1]，但该方法没有过滤背景，导致准确度较低；2010年，D.Merad等提出利用骨骼图像检测人脸记录识别人数的方法[2]，过滤背景图像，通过骨骼图像技术检测人数，但计算复杂度较大，因此需要消耗大量时间。2011年，柳有权提出通过比对两帧图像检测人数的方法[3]，但该方法无法检测静态人像，且存在一定误差。而由Viola和Jones总结的Haar-Like特征识别法则为具有明显特征的图像（如人脸），提供了简单、快速的检测方法[4]。实证研究指出，Haar-Like特征识别法在1500张640pix*480pix待检图像（共计人数17294人）的检测试验中达到93.9%的识别准确率，平均检测时间小于323ms[5]，说明该方法可应用于人流较大的公共场所。其不仅在速度上优于头肩特征算法，而且在准确度上也优于其他两种算法，在人脸检测这一问题上具有较高的适用性。而本课题所欲优化的人脸识别打卡系统需要在公共场所一次性捕捉大量人脸，以达到批量处理的效果，综上所述，在使用OpenCV对图像进行预处理时，决定采用Haar特征选择器，在检测人数的同时截取人脸图像供识别算法使用，保证人脸识别的准确度以及计算速度。
2、人脸识别
1965年，自动人脸识别系列研究被正式提出。经过多年的研究，人脸识别渐渐成为了数字图像处理中的热门课题，许多基础理论被相继提出。其中，较著名的有美国麻省理工学院（MIT）由Pentland领导的研究小组提出的具有里程碑意义的特征脸方法[6]；耶鲁大学（Yale University）由Kriegman领导的研究小组提出的同样影响重大的Fisher脸方法[7]；以及1994年，由芬兰科学家T.Ojala等提出的LBP纹理特征提取方法。而在国内，关于人脸识别的研究主要从2000年开始，并在此后开始了快速的发展。由清华大学丁小青教授领导的研究小组在ICPR2004竞赛中全部测试指标均获得了第一，在FRVT2006中，其人脸识别系统在非控制光照条件下取得了唯一一个性能优于人眼的佳绩，同时，测试表明该系统具有最低的相等错误率，在FAR要求不高的场合，具有最优的识别性能[8]。经公安部专家鉴定，此类人脸识别系统得到了进一步引用，处于国际领先水平。
其中，上述提到的特征脸、Fisher以及LBP方法在OpenCV库中得到了实现，具有较高的识别准确率以及较快的识别速度：
- 特征脸方法是从主成分分析（PCA）导出的一种人脸识别和描述方法[9]，他将包含人脸的图像区域看作一随机向量，经过一系列处理得到与人脸相似的形状，作为特征脸，通过选择一定的距离函数进行处理并识别。
- Fisher脸方法首先运用PCA方法将高维人脸特征向量降低到适度维度的低维空间，减少计算量的同时确保了样本类内离散矩阵是非奇异的，然后采用LDA（线性判别）方法求得最优投影矩阵[10]，来代表人脸特征以识别。
- 纹理是图像处理与识别领域中最常用的鉴别特征，用来表示物体表面的灰度信息或颜色信息[11]。使用LBP（局部二值模式）算子来分析输入图像的纹理特征，可以得到更高的计算效率与分类辨别能力，也因LBP算子属于灰度范围内的度量算子，该识别方法具有对灰度变化的不变性。
经过调研，将特征脸方法与LBP方法得到的识别结果进行对比，我们发现特征脸局限性较大，为了维持识别人脸图像的准确度，需要使图像中人脸尺寸接近特征脸人脸尺寸，并且必须为正面人脸图像；将Fisher脸与LBP方法得到的识别结果进行对比，发现与特征脸存在同样的问题，其识别性能主要取决于识别图像的角度，如果图像中的人脸相对正面存在15°以上的偏转则无法维持高识别率。若将光照元素也算入识别条件中，LBP方法将拥有更加优秀的鲁棒性，即上述提到的灰度变化不变性。通过对调研结果的分析与对比，对于此人脸识别打卡系统，应选用LBP方法进行人脸识别，以确保人脸识别的性能与准确率。
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。
