人脸识别技术综述
人脸识别综述
人脸识别综述人脸识别是一种通过计算机技术对图像或视频中的人脸进行识别和验证的技术。
随着计算机视觉和模式识别技术的不断发展，人脸识别技术在各种领域和应用中被广泛应用，如安全、监控、人机交互等。
本文将综述人脸识别技术的发展历程、主要方法和应用，以及目前面临的挑战和未来的发展趋势。
首先，人脸识别技术的发展经历了几个阶段。
早期的人脸识别技术主要基于几何特征的测量，如距离、角度和比例等，但这种方法对姿态、光照和表情等因素敏感，容易出现误识别。
随着模式识别理论的发展，基于统计和机器学习的人脸识别方法得到了广泛应用，如主成分分析（PCA）、线性判别分析（LDA）和支持向量机（SVM）等。
这些方法利用人脸图像中的主要特征、能量和信息等进行训练和分类，具有较高的识别率和鲁棒性。
近年来，深度学习技术的兴起极大地推动了人脸识别技术的发展，通过构建深层神经网络模型，实现了更准确和鲁棒的人脸识别。
其次，人脸识别技术的核心是提取和匹配人脸图像中的特征。
常用的特征提取方法包括几何特征、纹理特征和局部特征等。
几何特征是基于脸部形状和结构的特征，如眼睛、鼻子和嘴巴的位置和大小等。
纹理特征是通过分析图像中的灰度、颜色和纹理等信息获得的特征。
局部特征是利用图像中特定区域的局部信息获取的特征，如眼睛区域、嘴巴区域等。
对于特征匹配，主要采用的方法是基于距离或相似度度量的方法，如欧氏距离、曼哈顿距离和余弦相似度等。
然后，人脸识别技术在多个领域具有广泛的应用。
在安全领域，人脸识别技术可以用于身份验证和非法入侵检测。
例如，人脸识别技术可以用于解锁手机、电脑或门禁系统，以确保只有合法用户可以访问。
在监控领域，人脸识别技术可以用于追踪和识别嫌疑人。
在人机交互领域，人脸识别技术可以用于实现手势交互和情感识别。
此外，人脸识别技术还广泛应用于娱乐、医疗和教育等领域。
然而，人脸识别技术仍然面临一些挑战。
首先，光照和表情变化对人脸识别的影响较大，这容易导致识别错误。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别技术综述
一、计算机人脸识别技术的基本 原理
计算机人脸识别技术的基本原理是利用图像处理和模式识别的方法，通过对人 脸图像进行预处理、特征提取和分类器设计，来对人脸进行识别。
1、人脸预处理
人脸预处理是计算机人脸识别技术的第一步，它的目的是去除图像中的噪声、 光照、表情等因素，使得人脸图像更加清晰和规整。人脸预处理的方法包括灰 度化、二值化、去噪、归一化等。
人脸识别技术综述
基本内容
随着科技的不断发展，人脸识别技术已经成为了日常生活中不可或缺的一部分。 从安防领域的身份认证到金融风控领域的风险控制，再到人机交互和智能客服 领域的用户体验优化，人脸识别技术都有着广泛的应用。本次演示将对人脸识 别技术进行综述，探讨其发展历程、现状、优缺点、挑战和未来发展方向。
相信在未来的发展中，人脸识别技术将会不断完善和提升，为人类的生活和工 作带来更加便捷和安全的应用体验。
参考内容
基本内容
随着科技的进步，计算机人脸识别技术得到了广泛的应用和发展。人脸识别技 术是一种利用计算机视觉技术来对人脸进行识别和认证的技。术，它的应用范 围已经涉及到安全监控、门禁系统、身份认证、人机交互等众多领域。本次演 示将对计算机人脸识别技术进行综述，介绍其基本原理、实现方法和发展趋势。
2、特征提取
特征提取是人脸识别的关键步骤之一，它的目的是从预处理后的图像中提取出 有效的特征，用于区分不同的人脸。特征提取的方法包括基于几何特征的方法、 基于统计特征的方法和基于深度学习的方法等。
3、分类器设计
分类器设计是人脸识别的最后一步，它的目的是利用已经训练好的分类器对人 脸特征进行分类和识别。分类器设计的方法包括支持向量机、神经网络、决策 树等。
随着人们对个人隐私保护的重视，未来的人脸识别技术将会更加注重隐私保护， 例如采用盲生化和隐私保护技术来保护用户的隐私。
(word完整版)人脸识别综述
人脸识别综述1 引言人脸识别技术的研究始于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；最早AFR（Auto Face Recognition)的研究论文见于 1965 年陈(Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告。
近年来，人脸识别研究得到了诸多研究人员的青睐,涌现出了诸多技术方法。
尤其是 1990 年以来，人脸识别更得到了长足的发展。
几乎所有知名的理工科大学和主要IT产业公司都有研究组在从事相关研究。
人脸识别研究的发展可分为以下三个阶段：第一阶段（1964 年～1990年）。
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometric feature based)的方法。
第二阶段（1991 年～1997年）。
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期,可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的 FERET 人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的 Visionics(现为Identix）的 FaceIt 系统。
美国麻省理工学院（MIT)媒体实验室的特克（Turk）和潘特（Pentland）提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。
第三阶段（1998 年～现在)。
FERET’96 人脸识别算法评估表明:主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。
因此，光照、姿态、表情、遮挡问题逐渐成为研究热点。
人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题.国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用,人脸识别技术的研究对模式识别，人工智能，计算机视觉，图像处理等领域的发展有巨大的推动作用。
机器视觉中的人脸识别技术综述
机器视觉中的人脸识别技术综述一、绪论机器视觉是一个跨学科、交叉领域的学科，融合了计算机科学、图像处理、模式识别等多个领域的知识和技术。
其中，人脸识别技术作为一种典型的机器视觉应用，被广泛应用于安防、金融、医疗、交通等领域。
本文旨在对人脸识别技术进行综述，着重介绍其技术原理、现有算法、应用场景以及主要挑战。
二、人脸识别技术原理人脸识别技术依靠计算机对人脸图像进行处理和分析，从而对其进行识别。
其技术原理包括图像获取、预处理、特征提取和分类等四个步骤。
1.图像获取图像获取是人脸识别技术的第一步，其核心是采集和保存人脸图像数据。
常见的图像获取方式包括摄像头、扫描仪、红外线等。
2.预处理图像预处理是对采集的图像进行处理，使其更加适合进行后续处理。
其主要包括去噪、滤波、灰度化、对齐、归一化等技术手段。
3.特征提取特征提取是人脸识别技术的核心，其目的是从人脸图像中提取出最具有区分度的特征。
常用的特征提取方法包括局部二值模式(LBP)、主成份分析(PCA)、线性判别分析(LDA)、Gabor滤波器等。
4.分类人脸图像的分类是指将针对某个人脸提取到的特征进行比对，从而判断该人脸是否为已知人脸或者新人脸。
常用的分类方法包括支持向量机(SVM)、k最近邻(k-NN)、神经网络等。
三、人脸识别算法人脸识别技术的研究与应用已经有近几十年的历史，现有的算法也越来越成熟和丰富，其中主要包括传统算法和深度学习算法两大类。
1.传统算法传统算法是指在深度学习算法出现之前，使用传统的机器学习和图像处理技术进行特征提取和分类的技术手段。
常用的传统算法包括PCA、LDA、SVM、k-NN等。
在处理小规模的数据集时，这些传统算法表现出了很好的效果，但在处理大规模、复杂数据集时，效果不如深度学习算法。
2.深度学习算法深度学习算法是指利用深度神经网络对人脸数据进行特征提取和识别的方法。
常用的深度学习模型包括卷积神经网络(CNN)、循环神经网络(RNN)等。
人脸识别方法综述
人脸识别方法综述一、引言随着人工智能技术的不断发展，人脸识别技术已经成为了一个非常热门的领域。
在各个领域中，都有着广泛的应用，比如安防、金融、医疗等等。
本文将对人脸识别方法进行综述，包括传统的方法和深度学习方法。
二、传统方法1. 特征提取特征提取是人脸识别过程中最重要的一步。
传统的特征提取算法主要包括LBP（局部二值模式）、HOG（方向梯度直方图）和SIFT（尺度不变特征变换）等。
2. 降维由于原始图像数据维数较高，需要进行降维处理。
PCA（主成分分析）和LDA（线性判别分析）是两种常见的降维算法。
3. 分类器分类器是将输入样本映射到输出类别的关键组件。
常见的分类器包括SVM（支持向量机）、KNN（k近邻算法）和决策树等。
三、深度学习方法1. 卷积神经网络卷积神经网络是目前应用最广泛的深度学习算法之一。
卷积神经网络主要包括卷积层、池化层和全连接层等。
其中，卷积层和池化层可以提取图像的特征，全连接层则用于分类。
2. 人脸检测人脸检测是人脸识别过程中的第一步。
常见的人脸检测算法包括Haar 特征和基于深度学习的方法，比如Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。
3. 人脸对齐由于不同人的面部特征存在差异，需要进行人脸对齐处理。
常见的人脸对齐算法包括基于特征点的方法和基于深度学习的方法。
4. 人脸识别在完成前面三个步骤后，就可以进行人脸识别了。
常见的深度学习模型包括FaceNet、DeepID系列和VGGFace等。
四、总结本文对传统方法和深度学习方法进行了综述。
传统方法主要包括特征提取、降维和分类器等步骤；而深度学习方法则主要采用卷积神经网络进行特征提取和分类。
无论是传统方法还是深度学习方法，都有着广泛的应用前景。
在未来，人脸识别技术将会在更多领域中发挥重要作用。
人脸识别技术介绍
人脸识别技术介绍人脸识别技术，作为一种基于生物特征的身份认证方法，近年来广泛应用于各行各业。
它利用计算机视觉和模式识别等相关技术，通过对人脸图像进行特征提取和匹配，实现对个人身份的准确辨识。
本文将介绍人脸识别技术的原理、应用领域以及其未来发展趋势。
一、人脸识别技术的原理人脸识别技术的工作原理主要分为三个步骤：人脸图像采集、特征提取和匹配识别。
首先，通过摄像头等设备采集到用户的人脸图像。
接着，选取合适的算法对图像进行预处理，提取出人脸的特征信息，如嘴巴、眼睛、鼻子等位置和特征点。
最后，将提取到的特征与事先注册的人脸数据库中的特征进行比对，确定身份。
二、人脸识别技术的应用领域1. 安全领域：人脸识别技术在安全领域的应用较为广泛。
例如，在人脸门禁系统中，只有被授权的人员经过人脸识别验证后才能进入特定区域。
此外，人脸识别技术还可应用于视频监控系统，通过对监控画面中人脸进行实时识别，识别出疑似的嫌犯或者行为异常的人员。
2. 金融领域：人脸识别技术在金融领域的应用可以提高用户的账户安全性。
例如，在手机银行应用中，用户可以通过人脸识别进行登录和交易验证，避免了传统的密码、指纹等方式带来的潜在风险。
另外，人脸识别技术还可以用于防止金融诈骗，及时发现并阻止冒用他人身份的非法行为。
3. 市场营销领域：人脸识别技术的应用还延伸到市场营销领域。
通过在商场、超市等场所安装人脸识别设备，可以实时统计顾客的性别、年龄、购买倾向等信息，为销售和广告投放提供依据。
同时，基于人脸识别技术的个性化推荐系统也能根据用户的特征和偏好，为其推荐更符合需求的产品和服务。
三、人脸识别技术的发展趋势随着人工智能和深度学习技术的不断发展，人脸识别技术也在不断改进和升级。
其发展趋势主要体现在以下几个方面：1. 准确性提升：通过引入更高效的算法和更大规模的训练数据集，人脸识别技术的准确性将得到显著提升。
未来将会更加精准地识别各种复杂场景下的人脸，改善现有识别中可能存在的误识别和漏识别问题。
人脸识别文献综述
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸识别研究综述
摘要：论文首先介绍了人脸识别技术概念与发展历史，解释人脸识别技术的过程与优缺点；随后对近几年人脸识别技术的研究情况与一些经典的方法进行详细的阐述，最后提出人脸识别技术在生活中的应用与展望。
关键词：人脸识别研究现状应用与展望
一、概念
人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流。
首先判断其是否存在人脸，如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。
并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。
二、发展历史
人脸识别的研究历史比较悠久。
高尔顿(Galton)早在1888 年和1910 年就分别在《Nature》杂志发表了两篇关于利用人脸进行身份识别的文章，对人类自身的人脸识别能力进行了分析。
但当时还不可能涉及到人脸的自动识别问题。
最早的AFR1的研究论文见于1965 年陈（Chan）和布莱索（Bledsoe）在Panoramic Research Inc.发表的技术报告，至今已有四十年的历史。
近年来，人脸识别研究得到了诸多研究人员的青睐，涌现出了诸多技术方法。
三、过程与优缺点
人脸的识别过程：
(1)首先建立人脸的面像档案。
即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。
(2)获取当前的人体面像。
即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。
(3)用当前的面纹编码与档案库存的比对。
即将当前的面像的面纹编码与档案库
存中的面纹编码进行检索比对。
上述的“面纹编码”方式是根据人脸脸部的本质特征和开头来工作的。
这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辨认出某个人。
人脸的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。
人脸识别优点：
1）非接触的，用户不需要和设备直接接触；
2）非强制性，被识别的人脸图像信息可以主动获取；
3）并发性，即实际应用场景下可以进行多个人脸的分拣、判断及识别。
人脸识别的弱点：
1）对周围的光线环境敏感，可能影响识别的准确性；
2）人体面部的头发、饰物等遮挡物，人脸变老等因素，需要进行人工智能补偿；（如可通过识别人脸的部分关键特性做修正）。
四、研究现状
吴巾一、周得龙[1]对一系列人脸识别方法进行了综合性描述，对人脸识别技术在发展过程中的一些经典方法进行了比较详细的阐述。
王守桂[2]通过实验提出，在光照预处理方面，提出了改进高斯差分滤波的光照预处理方法，通过改变高斯差分滤波器中水平方向和垂直方向的参数，进而将原来的圆形滤波器扩展为椭圆形滤波器，更加适合人脸的面部特征，对于光照不均匀情况适应性较好，结合人脸识别算法获得了较高的人脸识别率和较低的人脸误识率。
王跃明，潘纲等人[3]在普通的二位平面人脸识别中提出了三维人脸识别技术，将三维人脸识别算法分为基于空域直接匹配、基于局部特征匹配、基于整体特征匹配三大类进行综述; 对二维和三维的双模态融合方法进行分类阐述。
严严等人[4]在静态人像识别向动态视频人像识别做出了新的贡献：如何充分利用视频中人脸的时间和空间信息克服视频中人脸分辨率低, 尺度变化范围大, 光照、姿态变化比较剧烈以及时常发生遮挡等困难是研究的重点；论文在对相关方法分类的基础上, 分析了各类方法中典型技术的优缺点, 并概况介绍了常用的视频人脸数据库和实验结果。
国外对人脸识别的研究，多集中在三维与动态人脸识别方面。
Chua 等[5] 提出一种基于Point Signature( PS)方法的人脸识别方法, 该方法用人脸曲面上某点邻
域内一条曲线的形状信息来表征该点的形状. 为脸部各点建立PS后,通过匹配PS 找到2 个模型的多组对应点对，然后粗略对齐2个模型，再用ICP精确对齐模型. 用高斯模型提取出脸部的刚性变化的部分，匹配时采用投票的办法。
Wang 等[ 6]使用了一种称为partial-ICP的方法对齐三维人脸，该方法也能处理包含塑性变形的三维人脸。
其不同于经典ICP 之处在于每次变换的计算只取对应点集合的一个子集，设定一个动态变化的比例来选取这个子集，从而可以实现动态地选取人脸的刚性变化的部分进行匹配，在一定程度上降低了表情变化对识别性能的影响。
五、应用与展望
近些年来，人脸识别技术在我国也开始了大规模的发展。
其应用主要集中于以下几个方面：
1．企业、住宅安全和管理。
如人脸识别门禁考勤系统，人脸识别防盗门等。
2．电子护照及身份证。
这或许是未来规模最大的应用。
3．公安、司法和刑侦。
如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
4．自助服务。
如银行的自动提款机，如果同时应用人脸识别就会避免被他人盗取现金现象的发生。
5．信息安全。
如计算机登录、电子政务和电子商务。
随着应用的不断深入，我国的人脸识别技术及其产业呈现出“三化两合”的趋势。
“三化”，即主流化、芯片化、标准化;“两合”，即与其他生物特征的多生物特征融合与RFID的联合。
可以展望，结合其他的生物识别技术，我们可以在家中办理银行等金融领域的个性化服务；小区与公司可以做到实时身份识别，做到无死角安防；当人脸信息与个人金融信用绑定，人们可以直接进行购物，无需带手机与信用卡…
可以想象，当指纹、手掌纹、虹膜、视网膜、声音、人脸这些生物信息技术整合在一块的时候，人们的生活方式将发生巨大改变：
1.经济方面：个人身份与金融服务绑定在之后，人们在生活中的每一笔交易都会被记录。
交易过程中，交易介质不再是现金，通过人脸识别确认身份后直接从个人账户中扣除相应费用。
根据获取的部分交易数据（公民的隐私权受法律保护），商家与广告商可以完成精准营销。
对于消费者而言，交易的流程与成本也得到了
极大的简化与降低；另一方面，根据所记录的个人消费数据，官方评测机构可以给出每个人（组织）的信用评分，这样在生意伙伴的选择中，就可以把信用分数作为一个重要的参考指标，与信用高的伙伴做生意，从而形成一种人人都讲信用的良性循环。
2.社会方面：人体生物特征信息的整合，每个人的个人信息都将完整保存。
在不久后的中国，户籍制度将被取消，每个婴儿从出生那一刻就被国家记录完整的生物特征信息，独一无二的电子身份信息将跟随人的一生。
此外，个人信息实现全国联网后，国家对于某些违法人员（可能是拖欠农民工工资、多次盗窃等）可以进行社会制裁，例如限制出行工具，限制出国旅游…
3.政治方面：人脸识别技术的普及，将会给刑侦带来极大的帮助，给犯罪分子带来震慑。
因为一旦犯罪，被监控录像拍摄，嫌疑人将无处躲藏。
这对于维护社会甚至国家的稳定有着重要的作用。
人脸识别只是一种技术，一种识别手段。
能否充分挖掘它的潜力，主要还看人们如何使用它，决定于新的商业与社会模式。
技术来源于生活，服务于社会。
参考文献
[1]吴巾一, 周德龙. 人脸识别方法综述[J]. 计算机应用研究, 2009(09):3205-3209.
[2]王守佳. 基于图像的人体检测跟踪和人脸识别的研究[D]. 吉林大学, 2013.
[3]王跃明, 潘纲. 计算机辅助设计与图形学学报[J]. 2010(22).
[4]严严, 章毓晋. 基于视频的人脸识别研究进展[J]. 计算机学报, 2009,32(5):878-886.
[5] Chua C S , Han F , H o Y K . 3D human face recognition using point signatu re[ C] Proceedings of International Conference on Automatic Face and Gestu re Recognition,
G renoble ,2000: 233-238
[6] W ang Y M , Pan G , W u Z H , et al .Exp loring facial expression effects in 3D face recognition u sing partial IC P[ C] Proceedings of the 7th Asian Conference on C om puter Vision, Hyderabad, 2006: 581-590
[7]王彦博, 高潜, 杨璇. 大数据时代下智能人脸识别技术在商业银行中的应用[J]. 银行家, 2016(02):104-106.。