摘要：人脸识别在当下已经有着非常广泛的应用，它相较于其他基于人体生物特征的识别系统，有着许多独特的优势，但是该项技术仍然有需要进一步提高的地方。卷积神经网络是人脸识别中最常用的深度学习方法。基于卷积神经网络的人脸识别的优点是通过逐层卷积降维进行特征提取，然后经过多层非线性映射，使网络可以从未经特殊预处理的训练样本中，自动学习形成适合该识别任务的特征提取器和分类器。
关键词：深度学习、人脸识别、卷积神经网络
1 引言
人脸识别技术在计算机视觉和模式识别领域一直是非常具有挑战性的课题之一。近年来，随着相关技术的飞速发展和和实际需求的日益增长,它已经逐渐引起越来越多研究人员的关注。人脸识别在许多领域都有着实际的应用，比如身份证件检验、银行系统、军队安全、安全检查等方面。正是因为人脸识别有着广阔的的应用前景，所以它一直是当前模式识别和人工智能领域的一个研究热点。
虽然人类能够毫不费力的识别出人脸及表情，但是人脸的机器自动识别仍然是一个非常有难度的课题。它牵涉到模式识别、图像处理及生理、心理等方面的诸多知识。与指效、枧网膜、虹膜、基因、声音等其他人体生物特征识别系统相比，人脸识别系统更加友好、直接，这能让使用者更加容易接受。并且它还能通过人脸的表情姿态分析，获得一些其他识别系统难以获得的信息。
人脸识别可以表述为，对给定场景的静态或视频序列图像，利用人脸数据库验证、比对或指认校验场景中存在的人像，同时可以利用其他的间接信息，比如人种、年龄、性别、面部表情、语音等，以减小搜索范围提高识别效率。自上世纪90年代以来,人脸识别研究得到了长足发展，国内外许多知名的理工大学及公司都成立了专门的人脸识别研究组。而本文将要综述的是人脸识别中最常用的深度学习方法：卷积神经网络（CNN）[1]。文中分别从深度学习的由来和发展、人脸识别的发展、基于卷积神经网络的人脸识别方法等方面进行了分类整理。
2 深度学习和人脸识别的发展
2.1 深度学习的发展
机器学习在人工智能领域具有举足轻重的地位，如果一个智能系统不具有学习能力，那它就不能称为一个真正的智能系统。机器学习通过算法，让机器可以从外界输入的大量的数据中学习到规律，从而进行识别判断。机器学习的发 展经历了浅层学习和深度学习两次浪潮。其中深度学习可以理解为神经网络的发展，神经网络是对人脑或生物神经网络基本特征进行抽象和建模，可以从外界环境中学习，并以与生物类似的交互方式适应环境[2]。神经网络是智能学科的重要部分，为解决复杂问题和智能控制提供了有效的途径。神经网络曾一度成为机器学习领域备受关注的方向。20世纪80年代，美国学者Rumelhart、Hinton和Wil-1iams等完整地提出了用于人工神经网络的反向传播算法 (Back Propagation算法，BP算法)[3]，给机器学习的研究注入了新的血液。研究人员发现，一个人工神经网络模型利用BP算法可以从大量的训练样本中学习统计到规律，从而便可以对未知的事件进行预测。与过去基于人工规则的系统相比，这种基于统计的机器学习方法在很多方面都表现出优越性。但是BP算法在神经网络的层数增多时很容易陷入局部最优，也很容易过拟合。
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。
