- 研究背景与意义
人脸识别作为当今社会的一项重要技术已应用于多种场景，例如安防系统、美颜相机与AI换脸等。人脸识别系统通常由获取图像、图像预处理、人脸分割、面部特征提取与人脸识别五个部分组成。本文主要对人脸分割及面部特征提取研究，获取图像有通过视频与图片两种形式，此处采用图片方式。
人脸检测研究具有重要的学术价值。人脸是一类具有相当复杂的细节变化的自然结构目标,此类目标的检测问题的挑战性在于: (1)人脸由于外貌、表情、肤色和图片角度等不同,具有模式的多样性;(2)一般意义下的人脸上,可能存在眼镜、胡须等附属物;(3)作为三维物体的人脸的影像不可避免地受由光照产生的阴影的影响[1]。
- 国内外研究现状
2.1人脸检测
对于单人脸图片，国外研究者多采取几何算法和特征算法，2010年Venkatesan等人利用遗传算法检测人脸位置[2]；2014年Hmid等人使用肤色分析作为特征，使用canny算子和Hough变换分割提取人脸特征[3]。对于多人脸多干扰的素材图片，国外更多使用基于CNN改进的全卷积网络FCN，到后来采用残差网络块的DeepLab网络。它具有特殊的跳过连接和大量使用批标准化的功能。该体系结构还缺少网络末端的完全连接的层。
国内研究者们也常采用各种人脸特征算法进行分割，王华、李介谷研究人脸斜视图像的几何特征提取与恢复。随着深度学习的发展，不断有人采用基于神经网络的算法实现人脸分割。张辉、周洪祥、何振亚使用对称主成分分析神经网络，使用冗余和权值正交结合的方式进行人脸的特征提取。
2.2面部特征提取
面部特征即为双眼、鼻尖和左右嘴角。1995年，Cootes等人提出ASM计算方法[4]，后改进提出AAM算法，采用面部关键点的几何形状与面部的纹理特征进行约束。近来的研究都以卷积神经网络与多任务约束结合的方法。2016年，Zhang等人设计多任务卷积神经网络（MTCNN）模型，在人脸检测与关键点定位中在当时取得了最佳的成绩。
目前人脸分割技术已在实际应用中发挥作用。通过摄像头采集图像信息，采用分割算法与识别算法开发人脸识别系统。然而还存在着很多难点，图像获取时外界环境的干扰，人脸模式的多样性，人脸变形的不确定性等都影响着分割与识别的准确性。
- 主要研究方法
3.1人脸检测大体包括三种方法：基于几何特征的方法、基于肤色模型的方法和基于统计理论的方法[5]。
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。
