- 文献综述（或调研报告）：
- 人脸识别研究现状
当前很多国家展开了有关人脸识别的研究，主要有美国、欧洲国家、日本等，著名的研究机构有美国MIT的Media lab，AI lab，CMU的Human-Computer Interface Institute，Microsoft Research，英国的Department of Engineering in University of Cambridge等。综合有关文献，目前的方法可分为以下几类：
(一)模板匹配
1960 年到1970 年是人脸识别技术的开端，在1965 年由Bledsoe 和Chan 首次开始研究人脸识别领域，他在文[1]中提出了以人脸结构和比率为特征的研究方法，比较这些特征之间的距离来做人脸识别，为模板匹配方法提供了基础。基于模板匹配的人脸识别主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较多但是由于人脸特征的变化很大，很难得到有效的模板来表示人脸的共性。
变形模板在原理上与固定模板相同，但其中包含一些非固定的元素，一种方法是手工构造参数化的曲线和曲面以表征人脸中的某些非固定特征，如眼睛，鼻子和嘴唇等。如Brunelli，Roberto 和 Poggio 等人的文章[2]，度量每个人脸上眼睛鼻子嘴巴等重要部位的位置，计算模板与待测人脸图像之间的差别来进行识别。另一种方法是系统自动生成自适应的曲线或曲面，以构成变形人脸模板。检测方法是：将模板与测试图像进行弹性匹配，并加入惩罚机制，利用某种能量函数表示匹配程度。
基于模板匹配的人脸识别的研究大多限定在了理想模型下，训练样本单一，无表情变化，背景简单，很难应用在实际场景中。
(二)基于特征
从90 年代一直到21 世纪初，基于特征的方法都起到了非常重要的作用，这段时期出现了大量优秀的科技文献，对人脸识别的发展起到了重大作用。如1991 年Turk，Matthew 和Pentland 等人提出的特征脸[3] 方法，该方法利用人脸的全局信息，引入PCA (Principal Component Analysis) 技术，找到固定的几个基础特征脸，然后用这些基准对其他样本进行特征表示，最后分类识别。特征脸对后续的人脸识别工作影响很大，紧接着1997 年Belhumeur，Hespanha 和Kriegman 提出了Fisherfaces[4]，Fisherface 跟特征脸类似，特征脸采用了PCA 主成分分析技术，而Fisherface 采用了LDA(Linear Discriminant Analysis) 线性鉴别分析技术。同时，二者都从数学方法出发，寻找对人脸的更好表示。2004 年由Ahonen, Timo 和Hadid 等人提出的LBP(Local binary pattern) 特征[5]是基于特征人脸识别的一个最典型的代表。LBP 是一个用局部窗进行过滤，通过判断窗体外围和中心像素值大小的不同进行编码的一个特征，该特征经过验证，能够很好地表示人脸，在很长一段时间内都是人脸识别领域state-of-art 的实验结果。在LBP 特征之后几乎没有找到更好的特征来代替人脸，但是仍然诞生了很多优秀的文章，其中Zhang，Yang 和Meng 等人的人脸稀疏表示方法[6] 也是非常值得关注的，此方法在稀疏表示与压缩感知发展的基础上，将其应用在人脸识别领域，取得了不俗的成绩。之后Huang，Chang 和Zhu 等人的度量学习方法[10]从度量学习的角度，通过大量样本的有监督学习，获得马氏距离的度量矩阵，再进行识别和分类。接着2013 年由Chen，Cao 和Wen 等人提出的高维LBP 特征[7]将人脸识别算法的准确度提升到了96% 以上(在LFW(Labeled Faces in the Wild) 数据集上)。
（三）人脸识别技术在国内的研究现状
国内关于人脸自动识别的研究始于二十世纪80年代，主要是集中在三大类方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法。研究单位主要有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化所，复旦大学，北京科技大学等，并都取得了一定的成果。
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。
