人脸识别技术研究的意义应用与发展现状教学内容
如何利用AI技术进行智能化人脸图像识别
如何利用AI技术进行智能化人脸图像识别一、智能化人脸图像识别的意义和现状随着人工智能技术的发展，人脸识别作为其重要应用之一，在各个领域取得了广泛应用。
智能化人脸图像识别为我们提供了快捷、高效、精确的身份认证方式，并在安防、金融、教育等领域中起到了重要作用。
本文将从技术原理、算法模型以及实际应用场景等方面来介绍如何利用AI技术进行智能化人脸图像识别。
二、智能化人脸图像识别的技术原理1. 图像预处理在进行人脸图像识别之前，需要对输入的图像进行预处理。
这包括将图像调整为相同的大小，消除光照差异和噪声等。
2. 特征提取特征提取是智能化人脸图像识别的核心部分。
传统的方法主要是基于手工设计特征，如Haar特征和LBP特征等。
然而，这些方法存在着局限性，无法完全捕捉到人脸图像中丰富多样的信息。
近年来，深度学习技术的发展使得基于卷积神经网络（CNN）的特征提取方法成为主流。
通过训练大规模数据集，CNN可以自动学习到更具代表性的人脸特征。
3. 人脸识别算法模型目前，常用的人脸识别算法模型包括传统方法中的特征脸法、Fisher线性判别分析和局部二值模式直方图（LBP-Histogram）等以及基于深度学习的方法如卷积神经网络（CNN）和生成对抗网络（GAN）。
这些算法模型在不同场景下有不同的适应性和效果，可根据需求进行选择。
三、智能化人脸图像识别的实际应用1. 安防领域智能化人脸图像识别技术在安防领域有着重要应用。
通过与监控摄像头相结合，可以快速准确地识别出进入禁区或异常行为。
将其应用于公共场所、金融机构、机场等环境中，有效预防了恶意入侵和犯罪行为。
2. 金融领域在金融领域，智能化人脸图像识别技术可以用于身份验证和支付安全。
通过与银行卡或移动支付终端相结合，用户只需通过刷脸即可完成身份验证和支付过程，提升了金融业务的便利性和安全性。
3. 教育领域在教育领域，智能化人脸图像识别技术可以应用于学生考勤系统、校园门禁系统等。
人脸识别算法在智能手机解锁中的应用研究
人脸识别算法在智能手机解锁中的应用研究摘要：随着智能手机的普及，人们对手机解锁的便利性和安全性的要求越来越高。
人脸识别算法作为一种生物特征识别技术，被广泛应用于智能手机解锁中。
本文通过分析人脸识别算法的原理与优势，探讨了其在智能手机解锁中的应用现状与挑战，并提出了进一步改进与发展的方向。
1. 引言随着智能手机的普及，智能手机解锁方式也得到了诸多创新。
传统的密码、图案等解锁方式存在记忆难度大、安全性不高等问题。
而人脸识别算法作为一种生物特征识别技术，可以通过分析人脸的唯一特征进行快速准确的识别，因此被广泛应用于智能手机解锁中。
本文将就人脸识别算法在智能手机解锁中的应用进行研究和探讨。
2. 人脸识别算法原理与优势2.1 人脸识别算法原理人脸识别算法是一种基于特征模式匹配的模式识别技术，主要包括以下步骤：面部检测、特征提取、特征匹配。
面部检测是指从复杂的图像中自动检测出面部区域；特征提取是指将面部图像转化为特征向量，常用的包括主成分分析（PCA）、线性判别分析（LDA）等；特征匹配则是将输入图像的特征向量与存储在数据库中的特征进行比对。
2.2 人脸识别算法的优势相较于传统的密码、图案等解锁方式，人脸识别算法具有以下优势：2.2.1 便捷性人脸识别算法无需额外的物理设备，智能手机自带的摄像头即可完成识别过程，用户使用方便，无需记忆繁琐的密码或图案。
2.2.2 安全性每个人的面部特征都是与生俱来的，几乎不可能被仿冒。
相较于密码、图案等容易被他人破解的解锁方式，人脸识别算法具有更高的安全性。
3. 人脸识别算法在智能手机解锁中的应用现状目前，人脸识别算法在智能手机解锁中已经得到了广泛应用。
诸如苹果的Face ID、三星的Face Unlock等手机厂商推出的解锁方式，都采用了人脸识别算法。
通过在智能手机中嵌入人脸识别算法，用户可以通过简单的面部扫描完成解锁操作，提高了手机解锁的便捷性。
然而，当前人脸识别算法在智能手机解锁中仍存在一些挑战。
高精度人脸识别算法研究的开题报告
高精度人脸识别算法研究的开题报告一、选题的背景和目的随着科技的不断发展，人脸识别技术在生活中的应用越来越广泛，例如：手机解锁、人脸支付、门禁系统等。
而高精度的人脸识别技术能够更好地满足人们的需求，提高生活、工作效率和安全性。
因此，本文选取了高精度人脸识别算法作为研究对象，旨在探究如何更好地提升人脸识别的精度和应用水平，为人们日常生活带来更多的便利和安全。
二、研究的内容和方向1. 算法研究通过对目前各种人脸识别算法的研究和分析，探究如何更好地提高人脸识别的精度和应用水平，包括但不限于卷积神经网络、深度学习、特征提取等算法。
2. 数据集搜集收集不同场景下的大量人脸数据，构建人脸识别数据集，提高算法的鲁棒性和适用性。
3. 算法实现和优化将研究出的算法进行实现和优化，尝试提升算法的性能和效率。
4. 系统开发和应用将研究成果应用于实际生活和工作场景中，不断完善和优化人脸识别系统，提高系统的实用价值和安全性。
三、研究的意义和价值1. 推动人脸识别技术的发展研究出高精度的人脸识别算法，可以推动人脸识别技术的发展，提高人脸识别的准确率、速度和应用范围。
2. 提升现有人脸识别系统的性能研究出的算法可以应用于现有的人脸识别系统中，提升系统的性能和精度，增强系统的安全性和可靠性。
3. 为实际应用场景提供支持研究成果可以应用于各种实际应用场景，例如：门禁系统、公共安全、人脸支付等，为生活和工作带来更多的便利和安全。
四、研究的方法和步骤1. 文献综述对各种人脸识别算法的研究进行综述和分析，为后续研究提供基础。
2. 数据集搜集收集不同场景下的人脸数据，从而构建人脸识别数据集，为后续算法的实验提供支持。
3. 算法研究和实现根据文献综述和数据集搜集的结果，设计并实现高精度的人脸识别算法，并进行实验。
4. 系统开发和应用将研究结果应用于实际生活和工作场景中，调整和完善人脸识别系统，提升系统的性能和实用价值。
五、研究的进展和计划目前，我们已进行了文献综述和数据集搜集，对各种人脸识别算法进行了初步了解和分析。
7_人脸识别
2 人脸识别系统
（1）人脸识别系统流程 （2）人脸数据库 （3）基于统计的人脸识别算法
1）人脸识别系统流程
预处理
肤色 模板匹配 …
几何特征 统计特征 代数特征 …
人脸数据库
人脸图像的向量表示 人脸图像的向量表示
光学图像
数字化
数字图像数学表示来自二维矩阵a11 a12 ... a1,W a21 a22 ... a2,W A= ⋯ ⋯ aH1 aH 2 ... aH,W H×W = [a1, a2 ,..., aW ], ai ∈RH×1
a1 a x= 2 ⋯ aW HW×1
ai 列向量
一维向量（矩阵） 一维向量（矩阵）
2）人脸数据库 英国剑桥大学的ORL 英国剑桥大学的ORL人脸数据库 ORL人脸数据库
ORL人脸数据库是人脸识别研究中用得最多得人脸数据库， ORL人脸数据库是人脸识别研究中用得最多得人脸数据库， 人脸数据库是人脸识别研究中用得最多得人脸数据库 它可以从互联网上免费下载获得 （/facedatabase.html）。 /facedatabase.html）。 该数据库由40 个人的400 幅人脸图像构成， 该数据库由40 个人的400 幅人脸图像构成，图像的分别率 为92 ×112 ，为灰度图像。人脸的面部表情和细节均有很 灰度图像。 大的变化，例如笑与不笑，眼睛睁着或戴眼镜或不戴眼镜等； 大的变化，例如笑与不笑，眼睛睁着或戴眼镜或不戴眼镜等； 人脸姿态也有很大的变化，其深度旋转和平面旋转可达20 人脸姿态也有很大的变化，其深度旋转和平面旋转可达20 度，人脸的尺寸也有最多10％的变化。 人脸的尺寸也有最多10 的变化。 10％
4）人脸识别研究面临的问题
人脸识别本质上是三维塑性物体二维投影图像的匹配 问题， 问题，它的难点体现在 ①人脸塑性变形（如表情等）的不确定性； 人脸塑性变形（如表情等）的不确定性； ②人脸模式的多样性（如胡须、发型、眼镜、化妆 人脸模式的多样性（如胡须、发型、眼镜、 等）； ③图像获取过程的不确定性（如光照等）。 图像获取过程的不确定性（如光照等）。 ④不同类别的人脸模式差异较小，同类人脸模式具有 不同类别的人脸模式差异较小， 较大的不稳定性。 较大的不稳定性。
《基于云计算的人脸识别Web应用的研究与实现》范文
《基于云计算的人脸识别Web应用的研究与实现》篇一一、引言随着信息技术的飞速发展，云计算和人工智能的深度融合已经深入到各行各业，特别是在人脸识别领域。
基于云计算的人脸识别Web应用不仅提升了识别的准确性和效率，同时也为大数据处理提供了强大的支持。
本文将详细探讨基于云计算的人脸识别Web应用的研究与实现，包括其背景、目的、意义以及相关技术概述。
二、研究背景及意义人脸识别技术作为生物特征识别的一种重要手段，在公共安全、智慧城市、电子商务等领域具有广泛的应用前景。
而云计算的引入，为大规模数据处理提供了强大的计算能力和存储空间，有效提高了人脸识别的效率和准确性。
因此，基于云计算的人脸识别Web应用的研究与实现具有重要的理论价值和实践意义。
三、相关技术概述1. 人脸识别技术：人脸识别技术是通过检测、分析和比对人脸特征进行身份识别的一种生物特征识别技术。
包括人脸检测、特征提取和人脸比对等关键技术。
2. 云计算技术：云计算是一种基于互联网的新型计算方式，通过虚拟化技术将计算资源和数据存储在云端，用户可以通过网络访问和使用这些资源。
包括云计算平台、虚拟化技术、大数据处理等关键技术。
3. Web应用开发技术：Web应用开发技术是实现人脸识别Web应用的关键。
包括前端开发技术（如HTML5、CSS3、JavaScript等）和后端开发技术（如Java、Python等）。
四、基于云计算的人脸识别Web应用的研究1. 系统架构设计：基于云计算的人脸识别Web应用采用微服务架构，将系统划分为多个独立的服务模块，每个模块负责特定的功能。
同时，采用云计算平台提供的高可用性和弹性伸缩能力，确保系统的稳定性和性能。
2. 算法优化：针对人脸识别的关键算法进行优化，包括人脸检测、特征提取和人脸比对等。
通过引入深度学习、机器学习等技术，提高算法的准确性和效率。
3. 数据处理：利用云计算的大数据处理能力，对海量的人脸数据进行存储、管理和分析。
人脸识别技术研究的意义应用与发展现状
人脸识别技术研究的意义应用与发展现状
一、人脸识别技术的意义
人脸识别技术是一种新兴的智能验证技术，它可以使用摄像头采集人脸特征数据，采用图像处理和分析技术，以及机器学习等多种技术实现人脸识别。
由于这种技术的应用，将大大提升我们的生活质量，减少不必要的安全隐患，能够更好的保护社会安全。
人脸识别技术的核心思想是通过读取人脸特征数据（亮度、颜色、纹理等），来识别人脸，从而实现安全认证。
它可以进行两人之间的比对，也可以比对两张照片，如果识别率较高，就可以实现更精准的身份验证与认证，从而保护个人信息，增强安全性，可以解决很多安全问题。
例如，在银行验证中，采用人脸识别技术可以有效地提高安全系数，减少冒充险；而在公共交通场景，则可以通过自动识别技术实现安全护卫以及有效的出行收费系统，从而更好地控制人流量。
同时，人脸识别技术也可以在社会活动中应用，例如活动报道、视频监控、社交保护等服务，可以帮助用户验证场景中不同角色的身份，增强安全性；也可以用于进行犯罪抓捕，减少犯罪负担。
目前，世界各国都在加大研发投入，加快人脸识别技术的发展。
人脸检测研究的目的意义及国内外现状
人脸检测研究的目的意义及国内外现状
一、脸部识别研究的目的
1、国内现状
截止到2024年，国内处于脸部识别技术的发展前沿，已经积累了较为丰富的应用场景和成果，具有较强的科学研究和实际应用能力。
例如，在电子健康保险、旅游安全、身份识别、智能学习、智能安防等行业，取得了较好的发展。
2、国外现状
目前，脸部识别技术已经被全球各国广泛应用，特别是在社交媒体领域，脸部识别技术取得了巨大的进步，如Facebook、Twitter和Google 等。
此外，脸部识别技术也被广泛应用于国际机场，用于它们的留学生、入境和出境人员的身份验证。
总之，人脸识别技术在国内外都取得了较大成就，无论是在政府、金融、医疗、交通、安全监管、国防等领域，还是在旅游安全、身份识别、智能学习、智能安防等领域，都取得了良好的发展。
毕业设计论文-人脸识别系统
人脸识别方法的研究目录第一章绪论第一节课题背景一课题的来源------------------------------------------------------------------------------1二人脸识别技术的研究意义------------------------------------------------------------1 第二节人脸识别技术的国内外发展概况---------------------------------------------------3一国外发展概况---------------------- --------------------------------------------------2二国内发展概况---------------------------------------------------------------------------4 第二章系统的需求分析和方案选择---------------------------------------------------------5第一节可行性分析------------------------------------------------------------------------------5 一技术可行性分析------------------------------------------------------------------------5二操作可行性分析------------------------------------------------------------------------5 第二节需求分析---------------------------------------------------------------------------------6 一应用程序的功能需求分析------------------------------------------------------------6二开发环境的需求分析------------------------------------------------------------------7三运行环境的需求分析------------------------------------------------------------------7 第三节预处理方案选择------------------------------------------------------------------------7 一设计方案原则的选择------------------------------------------------------------------7二图像文件格式选择---------------------------------------------------------------------8三开发工具选择---------------------------------------------------------------------------8四算法选择分析---------------------------------------------------------------------------8 第三章系统的概要设计------------------------------------------------------------------------9第一节各模块功能简介------------------------------------------------------------------------9 第四章系统详细设计-------------------------------------------------------------------------14第一节系统整体设计简述-------------------------------------------------------------------14第二节图像处理详细设计-------------------------------------------------------------------14 一位图详细设计-------------------------------------------------------------------------14二图像点处理详细设计----------------------------------------------------------------15（二）光线补偿算法和代码实现----------------------------------------------------------16（三）图像灰度化算法和代码实现-------------------------------------------------------18（四）高斯平滑算法和代码实现----------------------------------------------------------20（五）灰度均衡算法和代码实现----------------------------------------------------------23（六）图像对比度增强算法和代码实现-------------------------------------------------25 第三节编程时的问题解决-------------------------------------------------------------------26 第五章结构设计-------------------------------------------------------------------------------28 第六章测试-------------------------------------------------------------------------------------35 第一节测试方案选择的原则----------------------------------------------------------------35 第二节测试方案-------------------------------------------------------------------------------36 结束语----------------------------------------------------------------------------------------------------------37 致谢参考文献摘要人脸识别因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安(罪犯识别等)等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。
- 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)。
人脸识别技术研究的意义应用与发展现状
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
3.1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。
3.2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
4.1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、日本等著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-Kettlewel l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C.Von 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]。
4.2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，他对人脸侧面剪影识别做了一定的研究，并实现了正，侧面互相参照的识别系统。
中国科技大学杨光正等提出一种基于镶嵌图的人脸自动识别方法，采用基于知识的三级金字塔结构对人脸进行基本定位，前两级建立在不同分辨率的镶嵌图基础上，第三级用一种改进的边缘检测方法进一步检测眼睛和嘴巴。
清华大学彭辉、张长水等对特征脸的方法做了进一步的发展，提出采用类间散布矩阵作为产生矩阵，进一步降低了产生矩阵的维数，在保持识别率的情况下，大大降低了运算量。
南京理工大学杨静宇等主要是采用奇异值分解方法进行人脸识别研究，如用Daubechies正交小波变换对人脸图像作预处理，等到不同频带上的4个子图像，对它们分别提取奇异值，然后用最近邻方法进行分类，同时设计一种适用于多分类结果融合的群体决策算法，并且对分类结果有选择的进行融合。
程永清，庄永明等对同类图像的平均灰度图进行SVD分解得到特征脸空间，每一幅图像在特征脸空间上的投影作为其代数特征，然后利用层次判别进行分类。
张辉，周宏祥，何振亚采用对称主元分析神经网络，用去冗余和权值正交相结合的方法对人脸进行特征提取和识别。
该方法所用特征数据量小，特征提取运算量也较小，比较好地实现了大量人脸样本的存储和人脸的快速识别。
北京科技大学的王志良教授主要研究人工心理，建立了以数学公式为基础的心理学模型。
中科院计算所与成都银晨网讯与2000年5月联合创立了国内首家专门从事面像识别核心技术研究与开发的实验室。
主要研究领域涉及计算机视觉、模式识别、机器学习等，尤其关注于人脸识别以及多模式人机交互技术。
他们关注的核心技术主要包括：实时精确的人脸检测与跟踪，快速精确的面部特征定位，准确快速的人脸识别/确认方法等。
尤其关注复杂环境下（光照、姿态、表情、老化等）的人脸识别问题。