全文总字数：2317字
文献综述
人脸识别技术在发展的早期，大多数算法都是使用人脸几何特征结构来规定特征提取规则，它只包含人脸的五官以及较为重要的位置，并以此来作为相对位置关系来提取人脸特征，在完成了人脸识别相似度对比后来区分人脸。
而在发展到 1990 后，学者开始在特征提取部分中采用人脸子空间方式，采用统计方法，以人脸样本集中协方差矩阵的特征向量为特征人脸，构建图像匹配模型，以及识别过程中与之匹配[1]。
之后国内外的学者，经过对基于统计模式和子空间建模的人脸识别算法的不断深入研究，促进了人脸识别的快速发展。
进入到 20 世纪后，学者通过研究局部区域特征提取发现了其可以显著的提升图形识别的鲁棒性，例如光照、人脸动作、化妆等导致的全局鲁棒性较差，先后出现了不同类型的特征提取方法：IFT 特征，Garbor 特征，HOG 特征，LBP特征[2]，上述都是在人工识别算法中认为是较为低层次的人脸特征提取。
因此这就需要在识别过程中训练大量的参数，要配备非常好的软硬件设备。
此外局部区域特征提取在较为复杂的场景中识别效率也比较低，例如当图像较为模糊、化妆后、有意识遮挡等。
在工业领域深度学习已经有了较大的成就，其中在计算机视觉领域中更是硕果累累，经过若干年的发展人脸识别已经具备较高的识别率，并逐步开始了人脸识别算法的深度学习阶段[3]。
在人脸识别技术中应用深度学习，充分利用了其较强的非线性拟合能力，自动从测试集中学习得到人脸特征，并且具备非常好的人脸特征识别效率，这就使得其逐步成为了发展趋势[4]。
Facebook 在 2014 年基于 CNN网络，并通过 Softmax Loss 来完成网络训练，以此来开发除了深度学习人脸识别算法，实验结果表明在 LFW 测试训练集中人脸识别算法中具备非常好的特性，基本接近了人类面部。
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。
