人脸识别技术是包括人脸检测和人脸身份认证技术在内的识别技术，人脸检测是根据所获得视频或者图片信息，利用图像处理和计算机视觉相关算法，从图像中判断是否有人脸，并给出存在人脸的数量和位置，更进一步的是通过脸与脸的匹配识别人脸的身份。

人脸识别技术的研究无论在理论上还是在实践中都有很大的意义，它涵盖了数字图像处理、神经网络、心理学、生理学、模式识别、计算机视觉以及人工智能等各方面的知识内容，对推动各个学科领域的发展具有重要的理论意义。在公安、金融、网络安全、物业管理以及考勤等各种领域也都有着巨大的应用价值。如人脸识别技术可以快速地计算出实时采集到脸部数据与人脸图像数据库中已知人员的脸部数据之间的相似度，返回鉴别结果和相对应的可信度。如应用面像捕捉，人脸识别技术可以在监控范围中跟踪一个人并确定他的位置。如在商场、银行、交易所等和金融相关场所，加以人脸识别智能监控，排除不法分子的侵入。利用人脸识别技术，可以进行计算机的登录控制，可以进行应用程序安全使用、数据库安全访问和文件加密，可以实现局域网和广域网的安全控制，可以保护电子商务的安全性。如门禁控制，通过摄像机动态捕获人脸,将人脸信息同数据库中的人脸信息进行检索对比,只有图像信息符合的人才可以进入,否则拒绝进入。在日常生活中，人们识别周围的人用的最多的是人脸。由于人脸识别的非侵犯性，具有直接、友好、方便的特点，是人们最容易接受的身份鉴别方式。

模式识别技术早在上个世纪 60 年代就已经有人提出，由于当时计算机处理速度的限制，只能从理论上证明是可行的。20世纪90年代以来,随着高速度高性能计算机的出现,人脸识别方法有了重大突破，进入了真正的机器自动识别阶段,人脸识别研究也得到了前所未有的重视。欧美等各高校都建立了人脸识别的实验室，其中著名的大学包括麻省理工学院（MIT）、卡内基·梅隆大学（CMU）等。类似于2002年FRVT[1]的评估明确了当前的面部识别的技术发展还不足以满足要求日益苛刻的实际应用。由不同国家政府机构发起的人脸识别大挑战项目[2]的其中一个目标就是在2002年FRVT记录的人脸识别性能的基础上能有一个数量级的增长。在美国主要有麻神理工学院等研究实验室提出的特征人脸对特征空间的投影来实现；在法国已经把人脸识别身份认证技术应用到自助取款机上，在实际使用时需要用一台 3D 摄像机，采集人的立体影像来鉴定身份。绝大多数的面部识别研究和商业面部识别系统使用的是典型的面部强度图像。我们把他们称为“二维图像”。相反，人脸的“三维图像”代表3D图形。最近对人脸识别研究进行了广泛的调查[3]，但不包括基于匹配3D形状的研究工作。Scheenstra等人[4]对早期的一些3D人脸识别工作做了一些替代研究。我们之所以对3D人脸识别特别感兴趣是因为大家普遍认为使用3D识别比使用2D识别有着更高的精确度。比如，有一个说法，“因为我们在三维空间进行研究，我们克服了视角和光线变化的限制[5]”。另一篇文章这样来形容3D人脸识别：“范围图像具有捕捉形状变化而无需考虑光线变化的优点[6]”。同样的，另外一篇文章这样说到：“深度和曲率的特点相比传统的基于强度的图像有更多的优点”。特别是曲率描述量：（1）在描述基于表面的事物时有更精确的可能（2）更适合描述脸部一些区域的特性，比如脸颊，额头和下巴（3）不受视角变化影响。

有学者研究了完全基于三维的人脸检测方法。Cartoux等人[7]通过对一个基于主要曲率的范围图像进行分割来进行3D人脸识别，并且找到了一个通过面部的左右对称的平面，以此使姿态正常化。李和milios[8]分割出了一个基于平均值和高斯曲率的图像上的凸区域，并为每个凸区域创造了一个扩展的高斯图像(EGI)。Gordon[9]以一个基于曲率的脸部分割开始。然后，提取一组特征值来描述脸部的曲率和尺寸属性。Nagamine[10]等人通过找到五个特征点来进行人脸识别，使用这些特征点来标准化面部姿势，然后通过面部数据匹配不同的曲线或轮廓。另一种角度是三维形状和二维图像相结合的多模式人脸检测方法。Lao等人[11]使用立体图像制作的稀疏深度地图来进行3D人脸识别。等量度轮廓被用于立体匹配。Beumier和Acheroy[12]通过使用三维和2D相似度的加权和来接实现模式识别。他们使用的是一个中央轮廓和一个侧面轮廓，每一个都同时具有3D和2D。Wang等人[13]使用2D加博滤波器响应和3D“点签名”以实现多模式的面部识别，2D和3D的特性共同构成了一个特征向量。

面部识别有很多潜在的应用对我们的社会具有重要意义。3D传感技术的使用是探索生物识别技术提高准确度的重要途径[14]。如果要将3D人脸识别的研究成果成功转化为主流应用，三维人脸识别还将面临许多挑战。除了需要质量更高的传感器，还需要更好的算法。在这里，“更好”意味着更能容忍现实世界中的各种变化，包括姿势、面部表情、眼镜、珠宝和其他因素。与此同时，“更好”也意味着更少的计算要求。这也是本次设计希望达到的目标。

2. 研究的基本内容与方案

1) 1）本设计研究的基本内容包括：

a) a）人脸检测算法学习

人脸检测实现方法种类繁多，主要原理为：在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。同时经过对人脸检测主要原理方法的学习，可以对方案设计过程有一个整体把握。

b) Python语言学习