1.1 研究目的

截至目前为止，钥匙、密码等传统方式依旧在当今社会广泛应用于身份识别。然而在生产实践过程中，这些方式逐渐地在便利性上显现出了很大的局限性。因此，人们逐渐将身份识别的客观对象转移到人体自带的某些特征上，比如指纹、相貌和虹膜等。这些生物特征与生俱来且难以模仿，符合身份的人不需要付出额外努力即可完成验证，在可靠性和效率上都有明显优势。因此指纹识别、人脸识别乃至虹膜识别等新时代的身份识别技术逐渐由理论转入实践。

谷歌于2008年9月推出了基于Linux的移动操作系统Android，后者的出现刷新了人们对于手机的理解。在手机由“移动电话”转向“智能终端”的蜕变过程中，让手机自动识别出使用者是否为具有使用权限的机主也是其“智能”的重要体现。对手机操作者而言，其指纹和相貌特征都可以很容易地被手机采集。因此指纹识别和人脸识别也是当今手机最普遍采用的两种机主认证技术。相比之下指纹识别由于指纹可以被拓印盗用，且在手指潮湿时性能低下，其稳定性不如人脸识别。但后者由于毛发、饰品、神态等干扰信息，则拥有更高的技术难度。而这些也是本次研究所需要重点攻克的难题。

本次设计将基于Android平台，研究人脸识别过程所需的主流算法，详细研究几种效果显著适合移动端的算法，对支持向量机分类器的核函数进行一定改进，并针对多分类需求完成API设计。

1.2 国内外研究现状

一个完整的人脸识别系统包括两个重要的步骤：人脸检测和人脸识别。目前很多国家相关机构和学者都对人脸识别系统有大量研究，国外比较集中于美日两国，包括耶鲁大学、麻省理工学院和早稻田大学等。而国内的人脸识别技术起步较晚，主要包括国内比较知名的几所理工科院校，如清华大学、哈尔滨工业大学等。

人脸检测就是检测一张采集图像是否包含人脸，并从中提取人脸的过程。在过去几年里人脸检测成为研究学者中比较热门的课题，也有很多数学方法逐渐被推出并应用。Haar特征是一种像素图像的分块特征，这种矩形特征可以很好地反映人脸的一些图形特征，如鼻梁灰度高于水平两侧、嘴部灰度低于四周等，Haar特征最早是由Papageorgiou等人应用于人脸表示，Viola和Jones在此基础上，使用4种形式的特征发展了这一算法。现阶段，基于Haar特征匹配也是最流行的人脸检测统计学算法。除此之外，还有马尔科夫模型以及神经网络等方法也被合理地应用于特定的人脸检测场合。但基于单张图像的人脸检测容易受到图像尺寸、光照条件、姿态表情等因素的影响，今后这仍将是一个热门课题。

人脸识别是一项公认的极富挑战性的技术问题。目前的自动人脸识别系统中，人脸常用矩阵表示，而原始人脸维度会非常高，不利于分类识别处理。为应对这一问题，学界提出了基于几何特征和基于统计特征两种路线。前者与人脸检测类似，对眼、鼻、唇等关键部位提取特征，这种方法对光照、表情的干扰非常敏感，鲁棒性较差。而基于统计特征则首推PCA主成分分析法，这是一种基于K-L变换，通过选择特征值达到降维效果，再向量进行处理分析的方法。除PCA外，基于统计特征还有PDA方法、小波变换法等。

目前有不少国内外公司都提供了各个平台下的人脸识别API服务，如FACE 、百度、OpenCV等都提供了相关的API。其中针对Android的服务中，小米和华为的部分机型均集成了人脸解锁功能。