1.1研究目的及意义

人脸面部的皱纹信息本质上为一种人脸特征信息，准确提取到人脸面部皱纹信息对-特征提取算法加机器学习方法分析这一类人脸识别算法有提高识别准确率的帮助，有助于进行身份识别，特别是针对于年龄较大、皱纹较多的人及双胞胎等特定识别场景。

同时当皱纹提取算法精度足够高后，可以辅助进行人脸表情识别。目前人脸表情识别的研究得到广泛的关注，但表情的主观性和个体之间的差异性给研究人员带来很大的挑战和困难。从解剖学角度来讲，每一个面部表情牵动着若干条肌肉线，而肌肉的变化影响着面部表面区域的变化。因此通过定义面部肌肉的动作单元，可以提供一种更加客观的描述人脸表情的方法。目前较为科学的面部肌肉动作定义方式是通过面部活动编码系统 FACS 来定义。FACS 定义这种面部区域活动为“面部活动单元”，简称「AU」（Action Units）。而这个面部活动单元很大一部分是由上述的短暂存在的因表情形成的皱纹构成。

人脸皱纹提取还有助于进行年龄估计，皮肤健康评价等领域的应用。一方面皱纹可以作为一种生物老化的标志物识别，另一方面还可以辅助进行皮肤病检测。一种未来期望的智慧医疗场景即：皮肤质量检测仪通过皮肤扫描及皱纹、肤质检测，推荐基于被检测者皮肤类型和其他生物参数的皮肤护理，让人们对自己的皮肤状况进行了解和针对性护理。

1.2国内外研究现状分析

人脸皱纹检测可大致分为如下几个大步骤：目标人脸区域检测、人脸內脸轮廓提取、人脸特征关键点提取及人脸对齐、对皱纹可能存在区域进行分割、皱纹区域具体纹理区域自动标识。

下面将从人脸检测及皱纹检测两个方面分析研究现状。

1.2.1 人脸检测研究现状

人脸检测技术的相关研究最早开始于一位名为Alton法国学者，并在十九世纪得到首次运用。目前人脸检测技术主要划分为三大类，基于知识模型的检测方式，基于统计模型的检测方式和基于深度学习的检测方式。

其中基于知识模型的检测方式是利用人脸图像具备的先验知识，抽取人脸图像的几何特征，从直观角度对人脸进行初始位置标定的方式，基于此模型的经典方法有：基于模板匹配识别法、基于肤色识别法等。这类模型的检测方法比较直观方便，但检测精度不高，且对客观环境要求过高，算法适应性较差。