1. 研究目的与意义（文献综述）

人工智能（artificial intelligence），英文缩写为ai。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。

人脸识别的相关研究最早开始于上世纪 70 年代，francis galton首次提出利用人脸主要器官的几何距离来表征人脸，并将该距离用向量表示，在识别人脸时，分别计算每个人脸向量之间的欧式距离，距离最近的被认为是同一人。从此以后，众多学者相继开始了人脸识别方面的研究，提出了众多经典的人脸识别算法。1987 年美国麻省理工学院提出了著名的“eigenface”方法，该方法容易理解且具有很好的识别效果，很快得到了推广应用，成为人脸识别领域的经典算法。由于人脸识别受背景、表情等的影响较大，为此，blanz 和 vetter 提出了基于 3d 变形模型的人脸识别算法[22]，该方法在 feret多姿态数据库上的实验取得了较好的识别效果。随着神经网络的不断发展，人们利用神经网络强大的非线性映射能力来进行人脸识别，取得了很好的识别效果，现阶段利用神经网络进行人脸识别已经成为人脸识别的主要研究方式。

近年来，国内的人脸识别发展迅速，越来越多的科研机构投入到人脸识别的研究当中，均取得了较大的突破。南京大学周志华教授提出将神经网络多视角特征提取应用于人脸识别，将识别准确率提高了 20%。2002 年中科院计算所顺利完成了关于面向监测与识别核心技术的研究，将人脸识别速度缩短到一秒。针对变形模板的初始参数难以确定的问题，山世光提出基于纹理特征分布和变形模型的脸部特征提取方法很好的解决了这一问题。

2. 研究的基本内容与方案

2.1基本内容

本课题要求设计有效的神经网络模型，提取人脸图像特征，并设计识别算法，在tensorflow架构下结合python编程进行验证。tensorflow 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个cpu（或gpu），服务器，移动设备等等。tensorflow 最初由google大脑小组（隶属于google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

人脸识别需求分析：

3. 研究计划与安排

1~3周：调研，完成开题报告。

4周：学习人工智能、python编程。

5~6周：设计实现提取人脸图像特征的神经网络模型。

4. 参考文献（12篇以上）

[1] russakovsky o, deng j, su h, et al. imagenet large scale visual recognition challenge.
international journal of computer vision, 2015, 115(3):211-252.
[2] taigman y, yang m, ranzato m, et al. deepface: closing the gap to human-level performance in
face verification. ieee conference on computer vision and pattern recognition, columbus america,

2014:1701-1708.

[3] 归喆．基于深度学习的人脸特征提取与匹配[d]．电子科技大学，2016。

[4] 万士宁．基于卷积神经网络的人脸识别研究与实现[d]．电子科技大学，2016。