人脸识别技术研究的意义应用与发展现状
人脸识别中的表情识别技术
人脸识别中的表情识别技术人脸识别技术在近年来得到了广泛的应用和研究，而其中的表情识别技术更是其中一个重要的研究方向。
随着人工智能领域的不断发展，人脸识别中的表情识别技术在各个领域中都有着重要的作用。
本文将介绍人脸识别中的表情识别技术的原理、应用以及目前的发展。
一、表情识别技术的原理表情识别技术是指通过对人脸的表情进行分析和识别，从而获取人的情绪状态和表情信息的一种技术。
这项技术的实现基于计算机视觉和模式识别的理论，通过对人脸图像进行特征提取和模式匹配，来判断人的表情状态。
1. 特征提取在表情识别技术中，常用的特征提取方法主要有几何特征、纹理特征和动态特征等。
几何特征是通过测量人脸的重要几何参数，如眼睛、嘴巴的位置和形状等，来表示人脸表情的变化。
纹理特征则是通过对人脸表面纹理进行分析，提取纹理特征来表示表情的差异。
动态特征是通过对人脸图像序列进行分析，提取人脸在时间上的演化特征，如人脸的运动轨迹、关键帧等。
2. 模式匹配模式匹配是指将提取到的特征与事先训练好的模型进行比对，从而达到识别表情的目的。
常用的模式匹配方法有主成分分析（PCA）、独立成分分析（ICA）、支持向量机（SVM）等。
通过建立模型和训练样本的匹配关系，可以实现对人脸表情的识别。
二、表情识别技术的应用表情识别技术在人脸识别领域中有着广泛的应用，下面将介绍一些主要的应用场景。
1. 情感分析表情识别技术可以帮助我们判断人的情感状态，对于情感分析具有重要的意义。
比如在社交媒体中，通过分析用户在照片或视频中的表情，可以了解用户对某个事件或产品的态度和情感，从而为商家或企业提供有效的市场调研数据。
2. 人机交互表情识别技术可以应用于人机交互领域，通过对用户面部表情的识别，可以实现更加智能和自然的人机交互方式。
比如在游戏中，人脸表情的识别可以作为控制命令的输入方式，实现更加沉浸式的游戏体验。
3. 安防监控表情识别技术可以应用于安防监控领域，通过对行人或人群中的表情状态进行分析，可以判断是否存在可疑人员或异常行为。
人脸识别算法研究及实现的开题报告
人脸识别算法研究及实现的开题报告1.研究背景随着信息技术的快速发展，人脸识别技术的应用越来越广泛。
人脸识别技术以其高效、便捷、安全的特点，被广泛应用于人脸门禁、安防、身份识别等领域。
人脸识别技术的核心是人脸识别算法，而算法的优化和性能的提高决定了人脸识别技术的成败。
因此，研究高效、准确的人脸识别算法具有重要的意义。
2.研究目的本研究旨在研究人脸识别算法，包括常用的人脸识别算法、算法的原理及优缺点，重点研究深度学习算法在人脸识别领域的应用，并通过实现一个人脸识别系统对算法进行验证和分析。
3.研究内容（1）人脸识别算法的研究介绍常见的人脸识别算法，包括基于传统的人脸识别算法和基于深度学习的人脸识别算法，分析其原理及优缺点，为后续的算法选择提供参考。
（2）人脸数据集的获取和处理获取和预处理人脸数据集是实现人脸识别算法的前提，因此需要对数据集进行收集、预处理、标注等工作。
常用的人脸数据集包括LFW，CFP，CASIA等。
（3）深度学习算法的实现深度学习算法在人脸识别领域取得较好的成效，因此需要研究和实现深度学习在人脸识别中的应用，包括卷积神经网络（CNN）、循环神经网络（RNN）等算法。
（4）人脸识别系统的实现通过实现一个基于深度学习算法的人脸识别系统，对算法进行验证和分析，包括系统架构设计、算法实现、评估与测试等。
4.研究意义本研究通过对人脸识别算法的研究和实现，能够深入理解人脸识别算法的原理和特点，为实现高效、准确的人脸识别技术提供科学依据。
同时，本研究还对深度学习算法在人脸识别领域的应用进行深入研究，可为深度学习在其他领域的应用提供参考和借鉴。
最后，通过实现一个人脸识别系统，为实际应用提供了可行性分析和技术支持。
人脸识别在视频监控中的应用
人脸识别在视频监控中的应用摘要：人脸识别技术有着十分重大的理论价值和实践意义。
随着视频监控系统的不断推广，人脸识别技术的应用范围必然会不断扩大。
我国在人脸识别技术的研究上还处在发展阶段，但是其所发挥的效能已得到广泛认可，所以相关人员必须要进一步加强对人脸识别技术的研究。
关键词：人脸识別：视频监控：应用目前，人脸识别技术被广泛应用于各个领域。
通过人脸特征识别身份是未来各个领域的发展趋势。
随着经济和信息技术的发展，视频监控系统在人们的生产和生活中得到了广泛的应用。
人脸识别技术在视频监控中的应用，赋予了安防系统更髙的智能性和灵活性，是未来安防系统发展的大趋势。
1人脸识别技术人脸识别技术以人的面部信息特征为基础，采用摄像机或摄像头等先进音频、视频采集设备采集包含人脸的图像或视频流，并自动在图像中检测、跟踪人脸，进一步对检测获取的人脸展开全而系统的分析和数据应用。
现如今，人脸识别技术已在国内外视频监控中推广• 并收获了显着的应用效果。
人脸识别技术的应用优势主要包括：（1）应用范用广。
人脸识别技术在通用摄像机的支持下便可实现对人脸信息的获取识别，在实际应用中，可通过非接触方式，在被识别对象未察觉的前提下，实现相关的识別。
（2）显着的直观性.人脸识别技术的应用要以肉眼可辨识淸楚的人的脸部图像信息为前提，所以人脸识别技术的支持可为人们进行评价确认提供极大便利，而且通过容貌直观识别的方式也符合现代人的认知标准。
（3）便捷、精确。
人脸识别技术不仅高效便捷，还可以保证识别的精确度。
随着现代技术的不断发展，人脸识别技术得以发展成熟，其拒认率、误识率都相对较低.（4）安全可靠。
人脸识别技术应用于安全性要求较髙的领域，被识别人员必须亲自到场，他人不易于模仿。
同时，人脸识别技术凭借其可靠的活性判断能力，保证他人无法利用照片、蜡像等蒙混过关, 这也是传统指纹等生物识别技术所不可比拟的。
（5）设备有良好的通用性。
人脸识别技术常用的设备包括摄像机、计算机、智能手机等常规设备，科学技术的进步使电视监控系统、计算机等设备得到推广。
红外图像处理算法在人脸识别中的应用研究
红外图像处理算法在人脸识别中的应用研究随着科技的不断发展，智能化已经成为了各行各业的趋势，其中人脸识别技术在智能安防、金融等领域中得到了广泛的应用。
人脸识别技术的准确率和效率一直是关注的焦点，为了提高识别准确率和速度，红外图像处理算法被广泛应用在人脸识别中。
一、红外图像处理算法在人脸识别中的意义人脸识别技术分为基于特征的人脸识别和基于图像的人脸识别两种，基于特征的人脸识别需要通过特征提取和匹配来识别人脸，而基于图像的人脸识别直接输入图像进行比对，其准确率和速度都不如基于特征的人脸识别高。
因此，在基于图像的人脸识别中，为了提高识别准确率和速度，可以采用红外图像处理算法。
红外图像处理算法可以获得高质量的人脸图像，它可以通过获得人脸皮肤的温度信息，避免受到外界光线的影响，并且红外图像具有不易受到光线、角度等影响的优点。
因此，在人脸识别中，采用红外图像进行处理，可以获得高质量的人脸图像，从而提高识别的准确率和速度。
二、红外图像处理算法在人脸识别中的应用1、红外图像采集红外图像采集是红外图像处理算法的基础。
采用红外相机可以获得高质量的红外图像，从而提高识别的准确率和速度。
红外相机需要考虑到摄像机的位置、角度、光源等因素，以获得清晰的红外图像。
2、红外图像预处理红外图像预处理的目的是对图像进行去噪、增强、纹理分析等处理，以消除噪声和提高图像质量。
红外图像预处理包括灰度化、均衡化、高斯滤波等步骤，以克服图像中存在的噪音影响。
3、红外图像分割红外图像分割是将图像中的人脸区域从背景中分离出来，以便进行后续的图像处理。
人脸区域被分为前景和背景两部分，其中前景部分包含人脸和其他感兴趣的区域，背景部分包含非人脸区域。
4、人脸检测人脸检测是指在红外图像中自动检测出人脸的位置和大小。
常用的人脸检测算法包括基于Haar特征的人脸检测算法和基于深度学习的人脸检测算法。
其目的是通过特征提取和分类，自动从红外图像中检测出人脸。
5、特征提取特征提取是人脸识别的关键步骤，目的是从红外图像中提取出人脸中的特征信息。
无人驾驶中的人脸识别技术应用教程
无人驾驶中的人脸识别技术应用教程人脸识别技术是一种基于生物特征进行身份识别的技术，随着人工智能的快速发展和无人驾驶技术的日益成熟，人脸识别技术已经开始在无人驾驶领域得到广泛应用。
本文将介绍无人驾驶中人脸识别技术的应用方法和相关技术开发流程。
一、人脸识别技术在无人驾驶中的意义在无人驾驶中，人脸识别技术可以帮助实现以下几个重要的功能：1. 个性化设置：通过人脸识别技术，车辆可以自动根据驾驶员的身份进行个性化设置，如调整座椅、镜子、音乐和导航等。
这可以提高乘坐的舒适度和驾驶体验。
2. 驾驶员监控：人脸识别技术可以持续监控驾驶员的状态，如注意力集中度、疲劳度和情绪变化等。
一旦监测到驾驶员疲劳驾驶或分心驾驶等危险行为，系统将自动发出警告并采取措施防止事故发生。
3. 防止非法使用：通过人脸识别技术，可以减少车辆被盗用的可能性。
只有经过授权的用户才能进入车辆，并获得启动车辆的权限。
这可以提高车辆的安全性。
二、人脸识别技术的应用方法在无人驾驶中，人脸识别技术的应用方法主要包括以下几个步骤：1. 数据采集：为了训练人脸识别模型，首先需要收集大量的人脸图像数据。
这些数据应该覆盖各种不同的人脸特征，以提高模型的准确性和稳定性。
2. 数据预处理：在数据采集之后，需要对数据进行预处理，包括图像质量评估和标注。
图像质量评估可以排除一些低质量的图像，标注过程将每个图像与相应的身份信息进行关联。
3. 特征提取：在数据预处理之后，需要使用特征提取算法从人脸图像中提取有用的特征。
常用的特征提取方法包括主成分分析（PCA）和局部二值模式（LBP）等。
4. 模型训练：根据提取的特征和相应的身份信息，可以使用机器学习算法训练人脸识别模型。
常用的算法包括支持向量机（SVM）、人工神经网络（ANN）和深度学习模型（如卷积神经网络）等。
5. 模型评估和优化：在训练模型完成之后，需要对模型进行评估和优化。
评估可以通过计算模型的准确率、召回率和F1分数来进行，优化则可以通过调整模型的参数和算法来提高模型的性能。
人脸检测算法的研究与实现的开题报告
人脸检测算法的研究与实现的开题报告一、选题背景及意义：随着计算机视觉技术的不断发展，人脸检测算法的应用越来越广泛，特别是在安防、人机交互、人脸识别等领域有着广泛的应用。
人脸检测算法的目的是在一幅图像或视频图像中，确定是否存在人脸，并将人脸检测出来，为后续的人脸识别、表情识别、年龄性别识别等提供基础信息。
人脸检测技术已经可以应用于门禁、摄像头、安保系统等场所，大大提高了人们的生活和工作效率。
因此，开展人脸检测算法的研究和实现具有重要的实际意义。
二、研究目的及内容：本次研究的主要目的是探究当前主流的人脸检测算法的原理与应用，深入了解人脸检测算法的实现过程，提高对相关领域的技术认识。
研究内容包括以下几个方面：1、人脸检测的背景、意义、应用及发展历程。
2、人脸检测的基本算法原理，包括：Viola-Jones算法、Adaboost算法、Haar/LBP/HOG特征等。
3、分析和评估主流的人脸检测算法，比如：OpenCV人脸检测、MTCNN、YOLO 等。
4、基于深度学习的人脸检测算法，如：Faster R-CNN、SSD、RetinaNet等。
5、基于以上算法的人脸检测实现及效果评估。
三、研究方法：1、文献研究法：主要是查找相关论文、书籍、网络资料等文献资料，了解人脸检测算法的发展历程、现状和未来方向。
2、实验研究法：主要是基于现有的人脸检测算法，使用Python、OpenCV、TensorFlow等相关工具进行实现，并对算法的效果进行评估分析。
四、预期成果及意义：本次研究的预期成果主要包括以下几个方面：1、掌握当前主流的人脸检测算法的原理和应用。
2、熟练掌握Python、OpenCV、TensorFlow等常用工具的使用。
3、设计并实现一款基于深度学习的人脸检测系统，性能达到行业领先水平。
本次研究的意义在于提高对人脸检测算法的认识，并初步掌握其实现过程，为今后深入的人脸检测算法研究打下基础，同时为相关领域的发展提供参考。
人脸检测系统的算法研究与实现的开题报告
人脸检测系统的算法研究与实现的开题报告一、研究背景随着社会的发展，计算机技术正在得到越来越广泛的应用。
其中，人脸检测系统是计算机视觉技术中非常重要的一部分。
人脸检测系统广泛应用于安防、人脸识别、图像搜索、虚拟现实游戏等领域。
因此，人脸检测系统的研究和应用具有非常广泛的市场前景。
人脸检测系统是指利用计算机视觉技术来获取一张图像中所有人脸的位置和大小以及相关的姿态（如头部的方向）信息的系统。
研究人脸检测算法的目的是使得人脸检测系统能够在复杂的环境下准确的检测出人脸，同时系统的响应速度要足够快，以满足实时应用的需求。
目前，已有很多人脸检测相关的算法被提出，如 Haar Cascades 算法、HOG 算法、人脸关键点检测算法等。
然而，这些算法仍存在一些问题，如计算量过大、对光照和姿态的变化不敏感等。
因此，本文将研究和实现一种新的基于深度学习的人脸检测算法，以提高人脸检测系统的速度和准确性。
二、研究内容和方法本文将研究和实现一种基于深度学习的人脸检测算法。
具体的研究内容和方法如下：1. 数据集准备：本文将采用公开的人脸数据集（如LFW、FDDB 等）来训练和测试人脸检测模型。
2. 深度学习模型设计：本文将采用卷积神经网络（CNN）来训练人脸检测模型。
模型的主要结构包括卷积层、池化层、全连接层等。
3. 数据预处理和增强：本文将对数据进行预处理和增强，如数据的归一化、镜像翻转、随机裁剪等，以增强模型的泛化能力。
4. 模型训练：本文将采用反向传播算法和随机梯度下降算法来训练模型，以最大程度的减小训练集和测试集的误差。
5. 模型测试和评估：本文将采用 LFW、FDDB 等数据集来测试和评估训练好的模型，以评估模型的准确性和可靠性。
三、研究意义本文的研究意义主要包括以下几点：1. 提供一种新的基于深度学习的人脸检测算法。
2. 提高人脸检测系统的速度和准确性。
3. 探索深度学习在人脸检测中的应用和优化。
4. 为实时应用场景下的人脸检测提供技术支持。
人脸识别发展史
1 人脸识别研究的发展状况1.1 发展历史早在1888年和1920年Galton就在《Nature》上发表过两篇关于利用人脸进行身份识别的论文。
真正意义上的自动人脸识别的研究开始于二十世纪六十年代中后期 1965年Chen 和Bledsoe的报告是最早的关于自动人脸识别的文献。
1965到1990年之间是人脸识别研究的初级阶段 这一阶段的研究主要集中在基于几何结构特征的人脸识别方法 Geometric feature based 。
该阶段的研究基本没有得到实际的应用。
1991年到1997年间是人脸识别研究非常活跃的重要时期。
出现了著名的特征脸方法Eigenface 该方法由麻省理工学院的Turk和Pentland提出 之后有许多基于该方法的研究。
Brunelli和Poggio在1992年对基于结构特征的方法和基于模板匹配的方法进行了实验对比 并给出了后者优于前者的明确结论。
该时期内 美国国防部资助的FERET FacE Recognition technology Test 项目资助多项人脸识别研究 创建了著名的FERET人脸图像数据库。
该项目极大地促进了人脸识别算法的改进以及算法的实用化。
1998年至今 研究者开始针对非理想条件下的人脸识别进行研究。
光照、姿势等问题成为研究热点。
出现了基于3D模型的人脸建模与识别方法。
在商业化的应用方面 美国国防部在2000年和2002年组织了针对人脸识别商业系统的评测FRVT Face Recognition Vendor Test) 比较领先的系统提供商有Cognitec, Identix和Eyematic。
1.2 主要公共数据库人脸数据库对于人脸识别算法的研究是不可缺少的 而公共人脸图像数据库的建立方便不同研究者之间的交流学习 并有助于不同算法的比较 下面列举常用的人脸图像数据库。
FERET人脸数据库 是FERET项目创建的人脸数据库 该库包含14,051幅多姿态、不同光照条件的灰度人脸图像 是人脸识别领域应用最广泛的人脸数据库之一。
- 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
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
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。