开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
随着社会的不断进步，信息技术飞速发展，信息安全日益受到社会各界的广泛重视。信息安全本身范围很大，大到国家政治、军事、经济安全，小到个人信息的安全，信息安全与每个人息息相关。身份认证技术是信息安全的基本技术和重要内容，它是信息系统安全的第一道防线，能够起到鉴别用户身份的关键性作用。在关键涉密环境中，适用于不同场景、不同网络环境的身份认证技术具有重要的意义和广阔的发展前景。基于生物特征的认证方式与传统的身份认证方式相比，具有很多显著的优势。例如，静态密码、数字证书等方式存在易被遗忘、易被伪造等缺点；生物信息是人类与生俱来的信息，不会丢失，不易被伪造。而与指纹识别、虹膜识别等其他生物识别方式相比，人脸识别又有其独特的优点。人脸识别具有自然性，人类本身就可以通过人脸来识别其他人；人脸图像可以不接触人脸就进行取样、识别，所以人脸识别的方法可以在被识别人未察觉的情况下进行识别；人脸图像的采集对设备的要求不高，也不要求成像的人脸与设备之间保持一定的距离，在一般可视情况下，人脸图像均可以被捕捉用于识别。同时，人脸图像识别又受很多干扰因素的影响，例如，人脸表情的多样性以及成像过程中的光照、旋转角度、图像尺寸等因素。同一个人在不同环境条件下拍摄的图像也有可能不相同，甚至有很大的差别；另外，不同的人在不同的角度下有时也具有一定的相似性。这些原因导致人脸识别的复杂程度较大、识别难度较大。
人脸识别技术包括人脸检测技术和人脸身份认证技术。其中，人脸检测技术是根据所给图像的信息，利用计算机视觉与图像处理的相关算法，检测图像中是否存在人脸，并给出存在人脸的数量及位置的技术，是人脸身份认证技术的基础；人脸身份认证技术是根据脸与脸的匹配程度识别用户身份的技术。人脸识别技术涵盖了生理学、心理学、神经网络、数字图像处理、计算机视觉等多方面的内容。人脸识别的研究最早开始于20世纪50年代，当时利用的方法主要是基于人脸的外部轮廓的方法，但由于人脸轮廓的提取和对比比较困难，研究相对停滞；20世纪70年代以来，随着人工智能技术的兴起和人类的视觉方面研究的进展，逐渐形成了一个人脸识别的研究领域。
机器学习是人工智能的核心模块，深度学习是机器学习的一个分支。深度学习主要利用神经网络的算法，而神经网络有多层非线性的处理单元。因此，深度学习可以通过神经网络找到事物深层次之间的联系，可以用来处理图像、视频、语音、自然语言等高维数据，在提取物体深层次的结构特征方面具有显著的优势。
目前常用的人脸检测和人脸识别的方法有以下几种：（1）特征空间的方法。这种方法先将人脸投影在特征空间上，然后利用PCA方法或LDA方法对图像数据进行降维，进而得到人脸特征集；或先将人脸投影在特征空间及与特征空间正交的补空间上，然后利用相应的距离度量来进行检测。可以利用该方法得到的人脸特征集和距离度量来直接进行脸与脸的匹配，但由于是线性方法，容易忽略掉一些图像内部的联系。（2）基于支持向量机（SVM）的方法。SVM是模式识别的一个基于统计学习理论的二分类算法，可以对每一个具有任何像素的检测窗口进行分类，进而达到区分人脸区域和非人脸区域的目的。该方法与之前的方法相比检测速度较快，但需要的计算量比较大、训练较困难。（3）基于Adaboost算法。该方法先使用Haar-like特征对人脸进行描述，计算特征数值，然后使用Adaboost算法通过大量的正、负样本集训获得人脸检测的强分类器，最后将所有的强分类器分段级联起来。该方法检测正确率较高，检测速度也较快，但由于需要计算每个人脸的特征数值，导致检测时间过长。（4）多任务级联卷积神经网络（MTCNN）的方法。这种神经网络首先将图像进行不同程度的缩放，以适应大小不同的人脸的检测；然后利用PNet对该图像进行初步特征提取与标定边框；然后利用RNet滤除大量效果比较差的候选框；最后利用ONet来识别面部区域，并对人的面部特征点进行回归，最终输出五个面部特征点。这种方法使用图像金字塔，可以适应不同尺寸的图像，检测准确率高。但也因图像缩放导致时间消耗大。（5）FaceNet方法。该方法通过卷积神经网络（CNN）将人脸映射到欧式空间的特征向量上，因相同人脸的不同照片具有高内聚性，而不同人脸有低耦合性，即不同人脸特征的距离较大，通过相同人脸之间的距离总是小于不同人脸之间的距离来训练网络。该方法表示人脸的特征向量只有128位，便于计算和存储。本课题采用MTCNN人脸检测方法与FaceNet人脸特征提取方法相结合的方式，将MTCNN检测到的人脸放入FaceNet中进行编码，在提高检测准确率的同时，节省了计算时间和存储空间。
采用深度学习的人脸识别系统需要较高的CPU或GPU硬件来进行模型的训练，Python作为一个可扩展的程序设计语言，提供很多深度学习的框架，可以很快的搭建一个识别系统，其中，TensorFlow和Keras框架在应用过程中可以更好地利用GPU加速，而不需要多余的代码和操作，节省训练和识别的时间。
发展至今，人脸识别技术仍然存在一些问题：无法对双胞胎进行识别，容易出现识别错误；受外界环境、成像设备的影响比较大；人的表情、姿态等也会影响识别率；人的年龄的变化也会影响人脸图像数据的采集等。人脸识别技术在识别准确率、速度、外界影响等方面仍有上升空间。合理地应用人脸识别技术，必然会为我们的工作生活等提供便利。
参考文献
[1]吴一非. 主流身份认证技术在关键涉密环境中的适用性分析[J]. 软件产业与工程, 2016(03):33-37 41.
[2]毛巨勇. 生物识别技术的发展与现状[J]. 中国安防, 2010(08):36-39.
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。
