人脸识别技术研究的意义应用与发展现状
1人脸识别的发展
人脸是人类情感表达和交流的最重要、最直接的载体。通过人脸可以推断出一个人的种族、地域，甚至身份、地位等信息；人们还能通过人脸丰富而复杂细小的变化，得到对方的个性和情绪状态。科学界从计算机图形学、图像处理、计算机视觉、人类学等多个学科对人脸进行研究。最早的人脸识别技术的研究可以追溯到20世纪50年代，当时的研究人员主要涉及的是社会心理学领域；到了60年代，开始有一些工程文献陆续发表出来；但是，真正的自动人脸识别的研究是从20世纪70年代的Kanade和Kelly开始的，当时采用的技术基本上都是典型的模式识别技术，例如利用脸部重要特征点之间的距离进行分类识别。随着计算机技术的发展，从80年代到90年代初期，人脸识别技术得到了很大的发展并进入了实际应用领域。在这一阶段，基于人脸外貌的统计识别方法得到了很大的发展，其中Eigenfaces和Fisherfaces在大规模的人脸数据库上进行的实验得到了相当不错的结果[1]。同时，基于人脸特征的识别方法也逐渐发展起来，此类方法对光线和视角的变化、人脸的定位都不太敏感，有利于识别率的提高，但是其采用的特征提取方法还不够成熟和可靠[2]。
2人脸识别的应用
自90年代后期以来，一些商业性的人脸识别系统逐渐进入市场；近几年来人脸识别作为计算机安全技术在全球范围内迅速发展起来，特别是美国遭受911恐怖袭击以后，人脸识别技术更引起了广泛的关注。在这一阶段，更多的研究集中在基于视频的人脸识别上面。人脸识别技术具有广泛的应用前景,在国家安全、军事安全和公共安全领域，智能门禁、智能视频监控、公安布控、海关身份验证、司机驾照验证等是典型的应用；在民事和经济领域,各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证、社会保险人的身份验证等具有重要的应用价值；在家庭娱乐等领域，人脸识别也具有一些有趣有益的应用,比如能够识别主人身份的智能玩具、家政机器人、具有真实面像的虚拟游戏玩家等。
今天,人脸检测的应用背景已经远远超出了人脸识别系统的范畴,在基于内容的检索、数字视频处理、视觉监测等方面有着重要的应用价值。
3人脸识别的意义
现实意义
研究人脸识别在理论和技术上都有重要的意义：一是可以推进对人类视觉系统本身的认识；二是可以满足人工智能应用的需要。采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景。
同时人脸识别作为一种生物体征识别与其它较成熟的识别方法（如指纹、虹膜、DAN检测等）相比有以下几个优点：
①无侵犯性，人脸图像的获取不需要被检测人发生身体接触，可以在不惊动被检测人的情况下进行；
②低成本、易安装，人脸识别系统只需要采用普通的摄像头、数码摄像机或手机上的嵌入式摄像头等被广泛使用的摄像设备即可，对用户来说也没有特别的安装要求；
③无人工参与，整个人脸识别过程不需要用户或被检测人的主动参与，计算机可以根据用户预先的设置自动进行。由于具有以上优点，近几年来，人脸识别技术引起了越来越多科研人员的关注。
学术价值
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、肤色等不同,具有模式的可变性;
②一般可能存在眼镜、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；
因此,如果能够找到解决这些问题的方法,成功构造出人脸检测与跟踪系统,将为解决其它类似的复杂模式检测问题提供重要的启示。
4发展现状
国外研究与发展现状
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、日本等着名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-ComputerInterface Institute，Microsoft Research,英国的Department of Engineering in University of Cambridge等。
20世纪90年代以来，随着高速高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段。国外有许多大学在此方面取得了很大进展，他们研究涉及的领域很广，其中有从感知和心理学角度探索人类识别人脸机理的，如美国Texas at Dallas大学的Abdi和Toole小组，主要研究人类感
知人脸的规律；由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组，主要是研究人类大脑在人脸认知中的作用，并在此基础上建立了人脸认知的两大功能模型，他们对熟悉和陌生人脸的识别规律以及图像序列的人脸识别规律也进行了研究；也有从视觉机理角度进行研究的，英国Aberdeen大学的Craw小组，主要研究人脸视觉表征方法，他们对空间频率在人脸识别中的作用也进行了分析；荷兰Groningen大学的Petkov小组，主要研究人类视觉系统的神经生理学机理并在此基础上发展了并行模式识别方法。更多的学者则从事利用输入图像进行计算机人脸识别的研究工作。
在人脸识别的领域中，国际上逐步形成了以下几个研究方向：
①基于几何特征的人脸识别方法，主要代表是MIT的Brunelli和Poggio
小组，他们采用改进的积分投影法提取出用欧氏距离表征的35维人脸特征矢量用于模式分类；
②基于模板匹配的人脸识别方法，主要代表是Harvard大学Smith-Kettlewell 眼睛研究中心的Yuille，他采用弹性模板来提取眼睛和嘴巴的轮廓，Chen和Huang则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状；
③基于K-L变换的特征脸的方法，主要研究者是MIT媒体实验室的Pentland
④基于隐马尔可夫模型的方法，主要代表有Cambridge大学的Samaria小组和Georgia技术研究所的Nefian小组；
⑤神经网络识别的方法，如Poggio小组提出的HyperBF神经网络识别方法，英国Sussex大学的Buxton和Howell小组提出的RBF网络识别方法等；
⑥基于动态链接结构的弹性图匹配方法，主要研究者是由 derMalsburg领导的德国Bochum大学和美国Southern California大学的联合小组；
⑦利用运动和颜色信息对动态图像序列进行人脸识别的方法，主要代表是Queen Mary和Westfield大学的Shaogang Gong小组[6]。
国内研究与发展现状
国内关于人脸自动识别的研究始于二十世纪80年代，主要的研究单位有清华大学，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。
国内的研究工作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。
四川大学的周激流教授实现了具有反馈机制的人脸正面识别系统，运用积分投影法提取面部特征的关键点并用于识别，获得了比较满意的效果。他同时也尝试了“稳定视点”特征提取方法，即为使识别系统中包含3D信息，他对人脸侧
