基于深度神经网络的人脸识别方法研究开题报告

1. 研究目的与意义

人脸识别作为模式识别和图像处理等学科的研究热点，已在身份验证、视频监控、银行密码系统等多个领域显示出了广阔的应用价值和商业价值。

相对于其他生物识别技术，人脸识别具有使用方便、不易被伪造、用户接受度高等优点。

虽然在过去的几十年里人脸识别得到了很大的发展，但能够应用于任意环境、任意姿态的人脸识别方法还没有出现，人脸识别技术在实际领域中的应用面临巨大挑战。

2. 国内外研究现状分析

人脸识别的现状：人脸识别的研究历史悠久，早在1888年和1910年，galton就在《nature》杂志上发表了两篇关于人脸识别的文章，但未涉及到人脸的自动识别的问题。

最早的人脸自动识别的研究论文是chan和bledsoe于1965年在panoramic research inc. 发表的技术报告，阐述了利用人脸识别进行身份验证的思想，开启了人脸识别的历程。

随着科学技术的不断进步，人脸识别应用市场的需求以及研究人员的青睐，使得人脸识别技术得到了飞速的发展。

3. 研究的基本内容与计划

以卷积神经网络（cnn）为代表的深度神经网络，就是将图像处理中的二维离散卷积运算和人工神经网络相结合。

这种卷积运算可以用于自动提取特征，而卷积神经网络也主要应用于二维图像的识别，较之传统神经网络，cnn能够显著提高图像的识别率。

本文在此背景下，将标准人脸库作为应用对象，尝试cnn在人脸识别方面的识别效果。

4. 研究创新点

传统人脸识别方法与基于卷积神经网络的人脸识别方法比较:人脸识别的过程可以归纳为先对原始的人脸图片进行特征提取，将人脸表示成一个特征向量，然后用多种分类器将这些特征向量区分出来。

从大量的人脸识别实验看出，从原始人脸图片中提取的特征表达的好坏对最后的识别任务有很大的影响，由此，为了提高人脸识别的正确率，很多学者致力于研究如何获取更好的特征表达。

然而，这些研究方法大部分都是由复杂的多阶段模块组成，而且分别优化这些模块，以使最后的特征表达具有较好的区分性。