本次设计的目的为利用深度学习等相关方法实现人脸检、特征点定位和人脸比对算法，将三个模块构建为一个完整的系统，并使其能运用到视频监控中。

近年来随着科技的发展，视频监控设备已经十分普及。据不完全统计，目前我国视频监控网中的监控镜头已超过2000万个。利用视频监控进行人脸识别的技术具有自然性和不被被测个体察觉的优点，其用途也十分广泛，如警方寻人，门禁系统，交通事故驾驶员信息获取等等。因此，基于视频监控的人脸识别的需求变得越来越迫切，该技术也逐渐成为研究的热点。人脸识别技术作为一种新兴的生物识别技术，综合运用了数字图像处理，模式识别，人工智能，模型理论等多种专业技术。人脸识别的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主。传统的人脸识别技术主要基于静态图像的人脸识别，当环境光照发生变化时，识别效果会急剧下降，缺陷十分明显。为解决光照问题，出现了三维图像人脸识别，热成像人脸识别等技术，但识别效果不尽人意。而在视频中的人脸识别将面临更复杂的挑战，因为视频中的人处于移动状态，人脸不会主动对准镜头，导致分辨率低，另外，环境光照状况也不会处于理想状态。2002年，美国NIST举办的 FRVT（Facce Recognition Vendor Test）对人脸识别技术在静态图像和视频中的识别性能进行了测试。结果表明人脸识别系统在视频人脸识别测试中的性能与静态图像人脸识别相比，识别能力大大下降。近年来研究者针对如何有效利用视频的多帧信息进行了许多尝试，并开发出了许多有效的算法。

目前基于视频监控的人脸识别具体由如下难点：

1. 相似性。不同的个体之间的差异不大，即人脸的结构都很相似。这能帮助我们找到并定位人脸，但不利于人脸比对与身份识别。

2. 易变性。人脸的外形很不稳定，人的姿态与表情都会让人脸外形发生变化。人的穿着打扮，如帽子，眼镜，胡须，围巾等会遮盖人脸细节。光照强度与拍摄角度的不同，也会为人脸识别带来困难。

2. 研究的基本内容与方案

设计的基本内容是掌握人脸检测与特征点定位算法，从大量的检测算法中根据实际需求选择合适的算法，并掌握人脸比对算法，熟悉人脸表示方法，实现多张人脸相似度的判定，最后将人脸检测，特征点定位和人脸比对子任务串联，形成完整的一个系统，进行实验验证。目标为构建一完整的人脸识别系统，并应用于视频监控中。

深度学习是本设计主要技术手段，深度学习概念源于人工神经网络的研究，深度学习通过在海量的原始数据中自动学习，比传统人为构造特征的方法更方便能刻画数据的本质，从而提升分类或预测的准确性。卷积神经网络是深度学习方法中最常见的网络模型，卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征进行学习，有稳定的效果且对数据没有额外的特征工程要求。

实验验证流程为运用深度学习方法对视频中的人脸数据进行收集并评估，将收集到的数据集通过人脸识别系统与标准人脸库进行比对，完成人脸识别过程。

文献：
[1]. Robust Real-time Object Detection. Paul Viola, Michael Jones. IJCV 2004.
[2]. 洪刚，秦川. 基于MT-CNN的人脸识别算法研究[J]. 工业控制计算机，2018（11），
[3]. 于洋. 基于人脸识别算法的门禁系统的设计与实现[D]. 2014..
[4]. Zhang W, Shan S, Wen G, et al. Local Gabor Binary Pattern Histogram Sequence (LGBPHS): A Novel Non-Statistical Model for Face Representation and Recognition[C]// Tenth IEEE International Conference on Computer Vision. 2005.

[5]. 刘洋. 基于人脸识别技术的教室考勤系统的设计和实现[D]. 西南交通大学, 2016.