基于深度学习的人脸识别系统设计与实现开题报告

1. 研究目的与意义

为了提高身份识别系统的安全性，近年来，各国政府非常重视不易被仿制的基于生物特征识别技术的研究。生物特征验证识别包括指纹、掌纹、人脸、声音等的验证识别，其中人脸识别是一种非常自然，友好的生物特征识别技术。人脸识别技术包括图像或视频中进行人脸检测、从检测出的人脸中定位眼睛位置、然后提取人脸特征、最后进行人脸比对等一系列相关的技术。人脸检测的结果将对后续的工作产生重要的影响，即人脸检测的基础，因此研究人脸检测具有十分重要的研究意义和实用价值。

2. 国内外研究现状分析

人脸识别技术正式起步于美国，我国接触该技术较晚，但是经过科研人员和学者们多年的研究和实验，目前我国的人脸识别技术已经达到国际先进的水平。美国国家标准技术局举办的FRVT2006通过大规模的人脸数据测试表明，当今世界上人脸识别的一些方法的识别精度已经超过人类的平均水平。而对于高清晰、高质量人脸图像识别、机器的识别精度几乎达到百分之百。在我国，最早从人工向计算机智能识别发展的生物识别技术是指纹识别，但是在实际应用中逐渐产生了对人脸识别技术的需求。我国在2008年北京奥运会举行时应用了人脸识别技术，这标志着我国的人脸识别进入大规模的使用阶段。

3. 研究的基本内容与计划

研究内容：

（1）深度学习在人脸识别领域的应用

（2）cnn卷积神经网络的原理

4. 研究创新点

卷积神经网络用于人脸识别是一种基于特征的方法，区别于传统的人工特征提取和针对特征的高性能分类器设计，它的优点是通过逐层卷积降维进行特征提取，然后经过多层非线性映射，使网络可以从未经特殊处理的训练样本中，自动学习形成适应该识别任务的特征提取器和分类器，该方法降低了对训练样本的要求，而且网络的层数越多，学习到的特征更具有全局性。