今天道尔智控就给我们广大朋友来聊聊人脸识别行业研究,以下8个关于人脸识别课题研究的意义的观点希望能帮助到您找到想要的答案。
考场人脸识别哪个平台好
本文最佳回答用户：【vl给你最好的】 ，现在由道尔智控小编为你解答与【人脸识别行业研究】的相关内容！
答人脸识别技术具有广泛的应用前景，可以应用到多种不同的安全领域，因其识别特征的独特性、惟一性和相对稳定性，逐渐成为一非常热门的研究课题。目前广州像素数据，将人脸识别技术应用到考生身份认证系统中，对考生的身份进行精准确认。
以上就是道尔智控小编解答(vl给你最好的)贡献关于“考场人脸识别哪个平台好”的答案，接下来继续为你详解用户（半世）贡献“人脸识别技术是如何快速识别的”的一些相关解答，希望能解决你的问题！
人脸识别技术是如何快速识别的
本文最佳回答用户：【半世】 ，现在由道尔智控小编为你解答与【人脸识别行业研究】的相关内容！
答人脸识别是一个被广泛研究着的热门问题，大量的研究论文层出不穷，在一定程度上有泛滥成“灾”之嫌。为了更好地对人脸识别研究的历史和现状进行介绍，本文将AFR的研究历史按照研究内容、技术方法等方面的特点大体划分为三个时间阶段，如表1所示。该表格概括了人脸识别研究的发展简史及其每个历史阶段代表性的研究工作及其技术特点。下面对三个阶段的研究进展情况作简单介绍：
第一阶段(1964年~1990年)
这一阶段人脸识别通常只是作为一个一般性的模式识别问题来研究，所采用的主要技术方案是基于人脸几何结构特征(Geometricfeature based)的方法。这集中体现在人们对于剪影(Profile)的研究上，人们对面部剪影曲线的结构特征提取与分析方面进行了大量研究。人工神经网络也一度曾经被研究人员用于人脸识别问题中。较早从事AFR研究的研究人员除了布莱索(Bledsoe)外还有戈登斯泰因(Goldstein)、哈蒙(Harmon)以及金出武雄(Kanade Takeo)等。金出武雄于1973年在京都大学完成了第一篇AFR方面的博士论文，直到现在，作为卡内基-梅隆大学(CMU)机器人研究院的一名教授，仍然是人脸识别领域的活跃人物之一。他所在的研究组也是人脸识别领域的一支重要力量。总体而言，这一阶段是人脸识别研究的初级阶段，非常重要的成果不是很多，也基本没有获得实际应用。
第二阶段(1991年~1997年)
这一阶段尽管时间相对短暂，但却是人脸识别研究的高潮期，可谓硕果累累：不但诞生了若干代表性的人脸识别算法，美国军方还组织了著名的FERET人脸识别算法测试，并出现了若干商业化运作的人脸识别系统，比如最为著名的Visionics(现为Identix)的FaceIt系统。
美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸已经与归一化的协相关量(NormalizedCorrelation)方法一道成为人脸识别的性能测试基准算法。
这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。
贝尔胡米尔(Belhumeur)等提出的Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采用主成分分析(PrincipalComponent Analysis，PCA，亦即特征脸)对图像表观特征进行降维。在此基础上，采用线性判别分析(LinearDiscriminant Analysis, LDA)的方法变换降维后的主成分以期获得“尽量大的类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，比如零空间法、子空间判别模型、增强判别模型、直接的LDA判别方法以及近期的一些基于核学习的改进策略。
麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降维，计算两个类别的类条件概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。
人脸识别中的另一种重要方法——弹性图匹配技术(Elastic GraphMatching，EGM) 也是在这一阶段提出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点处的多分辨率、多方向局部特征——Gabor变换[12]特征，称为Jet;边的属性则为不同特征点之间的几何关系。对任意输入人脸图像，弹性图匹配通过一种优化搜索策略来定位预先定义的若干面部关键特征点，同时提取它们的Jet特征，得到输入图像的属性图。最后通过计算其与已知人脸属性图的相似度来完成识别过程。该方法的优点是既保留了面部的全局结构特征，也对人脸的关键局部特征进行了建模。近来还出现了一些对该方法的扩展。
局部特征分析技术是由洛克菲勒大学(RockefellerUniversity)的艾提克(Atick)等人提出的。LFA在本质上是一种基于统计的低维对象描述方法，与只能提取全局特征而且不能保留局部拓扑结构的PCA相比，LFA在全局PCA描述的基础上提取的特征是局部的，并能够同时保留全局拓扑信息，从而具有更佳的描述和判别能力。LFA技术已商业化为著名的FaceIt系统，因此后期没有发表新的学术进展。
由美国国防部反毒品技术发展计划办公室资助的FERET项目无疑是该阶段内的一个至关重要的事件。FERET项目的目标是要开发能够为安全、情报和执法部门使用的AFR技术。该项目包括三部分内容：资助若干项人脸识别研究、创建FERET人脸图像数据库、组织FERET人脸识别性能评测。该项目分别于1994年，1995年和1996年组织了3次人脸识别评测，几种最知名的人脸识别算法都参加了测试，极大地促进了这些算法的改进和实用化。该测试的另一个重要贡献是给出了人脸识别的进一步发展方向：光照、姿态等非理想采集条件下的人脸识别问题逐渐成为热点的研究方向。
柔性模型(Flexible Models)——包括主动形状模型(ASM)和主动表观模型(AAM)是这一时期内在人脸建模方面的一个重要贡献。ASM/AAM将人脸描述为2D形状和纹理两个分离的部分，分别用统计的方法进行建模(PCA)，然后再进一步通过PCA将二者融合起来对人脸进行统计建模。柔性模型具有良好的人脸合成能力，可以采用基于合成的图像分析技术来对人脸图像进行特征提取与建模。柔性模型目前已被广泛用于人脸特征对准(FaceAlignment)和识别中，并出现了很多的改进模型。
总体而言，这一阶段的人脸识别技术发展非常迅速，所提出的算法在较理想图像采集条件、对象配合、中小规模正面人脸数据库上达到了非常好的性能，也因此出现了若干知名的人脸识别商业公司。从技术方案上看， 2D人脸图像线性子空间判别分析、统计表观模型、统计模式识别方法是这一阶段内的主流技术。
第三阶段(1998年~现在)
FERET’96人脸识别算法评估表明：主流的人脸识别技术对光照、姿态等由于非理想采集条件或者对象不配合造成的变化鲁棒性比较差。因此，光照、姿态问题逐渐成为研究热点。与此同时，人脸识别的商业系统进一步发展。为此，美国军方在FERET测试的基础上分别于2000年和2002年组织了两次商业系统评测。
基奥盖蒂斯(Georghiades)等人提出的基于光照锥 (Illumination Cones) 模型的多姿态、多光照条件人脸识别方法是这一时期的重要成果之一，他们证明了一个重要结论：同一人脸在同一视角、不同光照条件下的所有图像在图像空间中形成一个凸锥——即光照锥。为了能够从少量未知光照条件的人脸图像中计算光照锥，他们还对传统的光度立体视觉方法进行了扩展，能够在朗博模型、凸表面和远点光源假设条件下，根据未知光照条件的7幅同一视点图像恢复物体的3D形状和表面点的表面反射系数(传统光度立体视觉能够根据给定的3幅已知光照条件的图像恢复物体表面的法向量方向)，从而可以容易地合成该视角下任意光照条件的图像，完成光照锥的计算。识别则通过计算输入图像到每个光照锥的距离来完成。
以支持向量机为代表的统计学习理论也在这一时期内被应用到了人脸识别与确认中来。支持向量机是一个两类分类器，而人脸识别则是一个多类问题。通常有三种策略解决这个问题，即：类内差/类间差法、一对多法(one-to-rest)和一对一法(one-to-one)。
布兰兹(Blanz)和维特(Vetter)等提出的基于3D变形(3D Morphable Model)模型的多姿态、多光照条件人脸图像分析与识别方法是这一阶段内一项开创性的工作。该方法在本质上属于基于合成的分析技术，其主要贡献在于它在3D形状和纹理统计变形模型(类似于2D时候的AAM)的基础上，同时还采用图形学模拟的方法对图像采集过程的透视投影和光照模型参数进行建模，从而可以使得人脸形状和纹理等人脸内部属性与摄像机配置、光照情况等外部参数完全分开，更加有利于人脸图像的分析与识别。Blanz的实验表明，该方法在CMU-PIE(多姿态、光照和表情)人脸库和FERET多姿态人脸库上都达到了相当高的识别率，证明了该方法的有效性。
2001年的国际计算机视觉大会(ICCV)上，康柏研究院的研究员维奥拉(Viola)和琼斯(Jones)展示了他们的一个基于简单矩形特征和AdaBoost的实时人脸检测系统，在CIF格式上检测准正面人脸的达到了每秒15帧。该方法的主要贡献包括：1)用可以快速计算的简单矩形特征作为人脸图像特征;2)基于AdaBoost将大量弱分类器进行组合形成强分类器的学习方法;3)采用了级联(Cascade)技术提高检测。目前，基于这种人脸/非人脸学习的策略已经能够实现准实时的多姿态人脸检测与跟踪。这为后端的人脸识别提供了良好的基础。
沙苏哈(Shashua)等于2001年提出了一种基于商图像[13]的人脸图像识别与绘制技术。该技术是一种基于特定对象类图像集合学习的绘制技术，能够根据训练集合中的少量不同光照的图像，合成任意输入人脸图像在各种光照条件下的合成图像。基于此，沙苏哈等还给出了对各种光照条件不变的人脸签名(Signature)图像的定义，可以用于光照不变的人脸识别，实验表明了其有效性。
巴斯里(Basri)和雅各布(Jacobs)则利用球面谐波(Spherical Harmonics)表示光照、用卷积过程描述朗博反射的方法解析地证明了一个重要的结论：由任意远点光源获得的所有朗博反射函数的集合形成一个线性子空间。这意味着一个凸的朗博表面物体在各种光照条件下的图像集合可以用一个低维的线性子空间来近似。这不仅与先前的光照统计建模方法的经验实验结果相吻合，更进一步从理论上促进了线性子空间对象识别方法的发展。而且，这使得用凸优化方法来强制光照函数非负成为可能，为光照问题的解决提供了重要思路。
FERET项目之后，涌现了若干人脸识别商业系统。美国国防部有关部门进一步组织了针对人脸识别商业系统的评测FRVT，至今已经举办了两次：FRVT2000和FRVT2002。这两次测试一方面对知名的人脸识别系统进行了性能比较，例如FRVT2002测试就表明Cognitec, Identix和Eyematic三个商业产品遥遥领先于其他系统，而它们之间的差别不大。另一方面则全面总结了人脸识别技术发展的现状：较理想条件下(正面签证照)，针对37437人121,589 幅图像的人脸识别(Identification)最高首选识别率为73%，人脸验证(Verification)的等错误率(EER[14])大约为6%。FRVT测试的另一个重要贡献是还进一步指出了目前的人脸识别算法亟待解决的若干问题。例如，FRVT2002测试就表明：目前的人脸识别商业系统的性能仍然对于室内外光照变化、姿态、时间跨度等变化条件非常敏感，大规模人脸库上的有效识别问题也很严重，这些问题都仍然需要进一步的努力。
总体而言，目前非理想成像条件下(尤其是光照和姿态)、对象不配合、大规模人脸数据库上的人脸识别问题逐渐成为研究的热点问题。而非线性建模方法、统计学习理论、基于Boosting[15]的学习技术、基于3D模型的人脸建模与识别方法等逐渐成为备受重视的技术发展趋势。
总而言之， 人脸识别是一项既有科学研究价值，又有广泛应用前景的研究课题。国际上大量研究人员几十年的研究取得了丰硕的研究成果，自动人脸识别技术已经在某些限定条件下得到了成功应用。这些成果更加深了我们对于自动人脸识别这个问题的理解，尤其是对其挑战性的认识。尽管在海量人脸数据比对甚至精度方面，现有的自动人脸识别系统可能已经超过了人类，但对于复杂变化条件下的一般人脸识别问题，自动人脸识别系统的鲁棒性和准确度还远不及人类。这种差距产生的本质原因现在还不得而知，毕竟我们对于人类自身的视觉系统的认识还十分肤浅。但从模式识别和计算机视觉等学科的角度判断，这既可能意味着我们尚未找到对面部信息进行合理采样的有效传感器(考虑单目摄像机与人类双眼系统的差别)，更可能意味着我们采用了不合适的人脸建模方法(人脸的内部表示问题)，还有可能意味着我们并没有认识到自动人脸识别技术所能够达到的极限精度。但无论如何，赋予计算设备与人类似的人脸识别能力是众多该领域研究人员的梦想。相信随着研究的继续深入，我们的认识应该能够更加准确地逼近这些问题的正确答案。
以上就是道尔智控小编解答(半世)回答关于“人脸识别技术是如何快速识别的”的答案，接下来继续为你详解用户（回首处）贡献“人脸识别优点缺点”的一些相关解答，希望能解决你的问题！
人脸识别优点缺点
本文最佳回答用户：【回首处】 ，现在由道尔智控小编为你探讨与【人脸识别行业研究】的相关内容！
答其一，非接触式识别。人脸识别无需像指纹识别、虹膜识别一般，需要被识别者主动去进行检测，只需站在机器的检测范围内就可以了，便捷快速。
其二，非强制性。用户不需要专门配合人脸采集设备，几乎可以在无意识的状态下就可获取人脸图像，这样的取样方式没有“强制性”。
其三，防伪能力强。人脸作为具有唯一性的生理特征，再搭配上越来越完善的活体检测技术，可以很好的应对诸多造假攻击。
其四，并发性。在实际应用场景下可以进行多个人脸的分拣、判断及识别，符合视觉特性：“以貌识人”的特性，操作简单、结果直观、隐蔽性好。
以上就是道尔智控小编解答(回首处)解答关于“人脸识别优点缺点”的答案，接下来继续为你详解用户（ 墨袖垂杨）贡献“小区安装人脸识别的好处”的一些相关解答，希望能解决你的问题！
小区安装人脸识别的好处
本文最佳回答用户：【 墨袖垂杨】 ，现在由道尔智控小编为你分析与【人脸识别行业研究】的相关内容！
答一、人脸识别的好处：
随着人脸识别技术的推广，就可以防止某些想要贩卖人口的不轨分子实施拐卖行为。那些被诱骗的儿童可以组建成一个识别库，这就有利于警察去追踪那一些拐卖分子，从而降低此类拐骗事件的发生。
而且这个技术还和如今的城市管理还有交通相结合起来，本身非常令人头疼的城市，问题也得到了解决，让警察在交通管理上也变得更加便捷。
二、人脸识别的弊端
人脸识别也存在着很大的弊端，比如说是否能够保护住人们的隐私，还有就是那些收集人脸信息的小程序是否是安全可靠合法的。
人脸信息被收集了之后，所保存起来是否又能得到一定的安全性，还有这些数据接下来又会被运用到哪里，是否会涉及到违法领域。在这些方面还是要出台相应的措施，并且进行加密的管理，要遵守条规才能够去应对潜在风险。
扩展资料
人脸识别系统的应用和适用范围：
人脸识别系统具有广泛的应用：人脸识别出入管理系统、人脸识别门禁考勤系统、人脸识别监控管理、人脸识别电脑安全防范、人脸识别照片搜索、人脸识别来访登记、人脸识别ATM机智能视频报警系统、人脸识别监狱智能报警系统、人脸识别RFID智能通关系统、人脸识别公安罪犯追逃智能报警系统等等。
适用范围： 公园、工厂、超市、小区广场、会议中心、体育场馆、学校、医院、住宅区、商业街、大型农贸市场等公众活动和聚集场所的重要部位，酒店（宾馆）、餐饮、娱乐场所、办公楼的大堂出入口、电梯和其他主要通道等室内外范围的监控录像用途。
以上就是道尔智控小编解答( 墨袖垂杨)分析关于“小区安装人脸识别的好处”的答案，接下来继续为你详解用户（落梅听雨阁中书）解答“人脸识别五大基本算法”的一些相关解答，希望能解决你的问题！
人脸识别五大基本算法
本文最佳回答用户：【落梅听雨阁中书】 ，现在由道尔智控小编为你讲解与【人脸识别行业研究】的相关内容！
答人脸识别算法研究已久，在背景简单的情形下，大部分算法都能很好的处理。但是，人脸识别的应用范围颇广，仅是简单图像测试，是远远不能满足现实需求的。所以人脸识别算法还是存在很多的难点。
光照
光照问题是机器视觉中的老问题，在人脸识别中的表现尤为明显，算法未能达到完美使用的程度。
姿态
与光照问题类似，姿态问题也是人脸识别研究中需要解决的一个技术难点。针对姿态的研究相对比较少，多数的人脸识别算法主要是针对正面，或接近正面的人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。
遮挡
对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题，特别是在监控环境下，往往被监控对象都会带着眼镜﹑帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸识别算法的失效。
年龄变化
随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。
图像质量
人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不同，特别是对于那些低分辨率﹑噪声大﹑质量差的人脸图像如何进行有效的人脸识别是个需要关注的问题。同样的，对于高分辨图像，对人脸识别算法的影响也需要进一步研究。
样本缺乏
基于统计学习的人脸识别算法是人脸识别领域中的主流算法，但是统计学习方法需要大量的培训。由于人脸图像在高维空间中的分布是一个不规则的流行分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。
海量数据
传统人脸识别算法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据，这些方法其训练过程难以进行，甚至有可能崩溃。
大规模人脸识别
随着人脸数据库规模的增长，人脸算法的性能将呈现下降。
以上就是道尔智控小编解答(落梅听雨阁中书)解答关于“人脸识别五大基本算法”的答案，接下来继续为你详解用户（含笑￡戏红尘）分析“国家对人脸识别的态度”的一些相关解答，希望能解决你的问题！
国家对人脸识别的态度
本文最佳回答用户：【含笑￡戏红尘】 ，现在由道尔智控小编为你探讨与【人脸识别行业研究】的相关内容！
答随着时代发展和科技进步，从最初设置数字密码，到后来的指纹识别，再到人脸识别，各种识别科技被运用得愈发广泛。但随之而来的风险却并没有足够有效的应对方式。举个例子，如果运用指纹解锁手机，如果真的有心犯罪，获取一个人的指纹、复制出来，并利用复制的指纹解锁手机并不是什么难事。人脸识别也是一样的道理。
整顿非必要的人脸识别，可以一定程度上保护个人信息安全。手机号码等信息泄露屡见不鲜，也让人不胜其烦，它给人们带来无穷无尽的广告短信、推销电话乃至骚扰电话。同样，人脸被越来越广泛地当作识别的依据，不少账户都可以用人脸识别来解锁，但作为普通用户，我们根本无法知晓各个平台会如何对待所采集到的人脸信息，会不会拿这些信息来贩卖？如果这些信息被泄露了，又会给我们带来什么危害？整顿非必要的人脸识别，可以一定程度上避免一些不法平台采集我们的人脸信息，也是一种可以尝试用来保护个人信息的方法。
除此之外，作为一项不算特别成熟的技术，应用人脸识别需要一些外力来规范和引导。人脸识别的安全性还有很大提升空间，在它走向成熟这一阶段，对其使用进行一定管控尤为必要。人脸越来越成为打开一些个人信息和资料的钥匙，但这把钥匙并完全掌握在信息和资料所有者手中，而是掌握在一些营利组织手里，鉴于营利组织的逐利性，整顿非必要的人脸识别其实是在敲打营利组织的手。
虽然人脸识别存在诸多风险，但我们也不能否认其便捷性。指纹识别时，如果手脏了或者气温太低，都有可能失效，而人脸只要一扫描，就能轻松解锁。我们应当明白，存在应用风险不是为了让这项技术止步，而是为了让这项技术日臻完善。在这个技术爆发的时代，人们所追求的是便捷性与安全性的统一，而不是以安全为代价去换取便捷。
上文就是道尔智控小编解疑贡献者：（含笑￡戏红尘）分析的关于“国家对人脸识别的态度”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，接下来继续:下文用户【蘭恺恩伯】回答的“人工智能研究的目的和意义”的一些相关疑点做出分析与解答，如果能找到你的答案，可以关注本站。
人工智能研究的目的和意义
本文最佳回答用户：【蘭恺恩伯】 ，现在由道尔智控小编为你解答与【人脸识别行业研究】的相关内容！
答人工智能的研究目的：
1、人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。
2、人工智能的一个很重要的方向是数据挖掘技术，这种技术的原理是用计算机进行数据分析，然后进行人性化的推荐和预测。比如，我们电脑上的广告是根据我们日常浏览网页的兴趣进行推荐的，微博上、网站上最显眼的也是我们最感兴趣的内容，这些都是计算机分析而得出的。
3、人工智能的另外一大重要方向是自然语言处理技术，包括机器翻译、语音识别等等。其中语音识别是最核心、普及程度最高的一种自然语言处理技术。
语音识别技术是将人语音当中的词汇内容识别出来，通过技术手段，转换为计算机可读取的内容。通俗点来说，就是要让机器学会“听人话”，让计算机作我们的“耳朵”。
扩展资料：
科学介绍
1、实际应用
机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。
2、学科范畴
人工智能是一门边缘学科，属于自然科学和社会科学的交叉。
3、涉及学科
哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论。
参考资料：百度百科-人工智能
参考资料：百度百科-新一代人工智能发展规划
以上就是道尔智控小编解疑贡献者：（蘭恺恩伯）分析的关于“人工智能研究的目的和意义”的问题了，不知是否已经解决你的问题？如果没有，下一篇内容可能是你想要的答案，现在接着继续教妳下文用户【柠檬树下少年蓝】回答的“怎么识别人像p的图”的一些相关疑问做出分析与解答，如果能找到你的答案，可以关注本站。
怎么识别人像p的图
本文最佳回答用户：【柠檬树下少年蓝】 ，现在由道尔智控小编为你详解与【人脸识别行业研究】的相关内容！
答人像识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音（语音）、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术就有人像识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别（用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术）、体形识别、键盘敲击识别、签字识别等。 人像识别的优势在于其自然性和不被被测个体察觉的特点。
所谓自然性，是指该识别方式同人类（甚至其他生物）进行个体识别时所利用的生物特征相同。例如人像识别，人类也是通过观察比较人脸区分和确认身份的，另外具有自然性的识别还有语音识别、体形识别等，而指纹识别、虹膜识别等都不具有自然性，因为人类或者其他生物并不通过此类生物特征区别个体。
不被察觉的特点对于一种识别方法也很重要，这会使该识别方法不令人反感，并且因为不容易引起人的注意而不容易被欺骗。人像识别具有这方面的特点，它完全利用可见光获取人脸图像信息，而不同于指纹识别或者虹膜识别，需要利用电子压力传感器采集指纹，或者利用红外线采集虹膜图像，这些特殊的采集方式很容易被人察觉，从而更有可能被伪装欺骗。 虽然人像识别有很多其他识别无法比拟的优点，但是它本身也存在许多困难。人像识别被认为是生物特征识别领域甚至人工智能领域最困难的研究课题之一。人像识别的困难主要是人脸作为生物特征的特点所带来的。人脸在视觉上的特点是：
第一，不同个体之间的区别不大，所有的人脸的结构都相似，甚至人脸器官的结构外形都很相似。这样的特点对于利用人脸进行定位是有利的，但是对于利用人脸区分人类个体是不利的；
第二，人脸的外形很不稳定，人可以通过脸部的变化产生很多表情，而在不同观察角度，人脸的视觉图像也相差很大，另外，人像识别还受光照条件（例如白天和夜晚，室内和室外等）、人脸的很多遮盖物（例如口罩、墨镜、头发、胡须等）、年龄等多方面因素的影响。
在人像识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化（inter-class difference），而称第二类变化为类内变化（intra-class difference）。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。 基于人脸部件的多特征识别算法(MMP-PCA recognition algorithms)。
基于人脸特征点的识别算法（Feature-based recognition algorithms）。
基于整幅人脸图像的识别算法（Appearance-based recognition algorithms）。
基于模板的识别算法（Template-based recognition algorithms）。
利用神经网络进行识别的算法（Recognition algorithms using neural network）。
今天的内容先分享到这里了，读完本文《（人脸识别行业研究）人脸识别课题研究的意义》之后，是否是您想找的答案呢？想要了解更多，敬请关注ask.drzk.cn,您的关注是给小编最大的鼓励。
