人脸识别[2]是一种代表性的生物特征识别技术。用摄像头采集含有人脸的图像，然后利用已有的人数据库，确定场景里的人脸是已有数据库里的哪一个人的人脸。简单来说，即将获取的人脸与数据库已知的人脸进行比对，将比对得到的相似度作为进行人脸识别的标准。

人工智能技术的兴起和人类视觉研究的不断发展，使人们对机器识别产生了越来越大的热情，于是人脸识别发展成为了一个兼具重大理论价值和巨大实用价值的研究领域。其实早在20世纪60年代，人们就开始了对人脸识别这一课题的研究，当时主要采用典型的模式识别技术，基于人脸几何结构特征的方法[3]来实现的。人脸识别方法在90年代取得极大的进步，并成功应用在了某些领域。美国MIT研究人员提出的“特征脸”算法[4]、Fisherface算法[5]以及FaceIt系统都是代表性算法或系统。由于这一时期的研究方法对于光线、视角等的处理效果较差，因此这也成为90年代末期到现在的研究热点。[6]

随着互联网的普遍使用以及云计算的不断推广，信息时代高速发展，这也导致了数据呈现出海量的特点。这必将推动机器学习、模式识别等领域的迅速发展，以产生能够处理这些海量数据的合适的算法。从2006年开始，深度学习[7]吸引了众多研究人员的关注。深度学习的核心思想是通过建立具有多隐层的神经网络，用众多数据进行训练以提取更有价值的特征来达到提升神经网络性能的目的。深度学习包含多种常用模型，有自动编码器[8]、稀疏编码[9]、限制玻尔兹曼机[10]、深信度网络[11]、卷积神经网络（Convolutional Neural Networks,CNN）[12]等。

2016年3月，人工智能AlphaGo与韩国棋手李世石经过五轮大战，最终AlphaGo以4:1战胜李世石，取得了人机大战的胜利。围棋难是因为它的变化多，围棋有250个分支因子，在19*19的围棋方阵中有361个落子点，那么围棋棋局总排列组合数高达10的171次方，这是一个巨大的数字，这也是用暴力解题法的深蓝无法胜出的原因。但是AlphaGo做到了，AlphaGo使用两个类似于大脑的神经网络结构的深度学习方法解决了该问题，由此也可以看出深度学习的优势和其无限的应用前景。

1。2  研究意义

1。2。1  实用价值

人脸识别方法优于其他生物体征识别方法体现在以下几方面：

1) 人脸图像可以直接通过摄像头等采集器直接获取，不需要与被检测人进行接触或交流，使用方便。

2) 在使用者设置好参数之后，人脸识别的过程不再需要使用者或者被检测者的主动参与，可以实现自动识别，操作简单。

3) 人脸识别的整个过程只需一个摄像头用来采集人脸图片，不仅成本低，而且易实现。

这些优点使得该技术普遍应用在在如下的领域中。

 公共安全领域：可以实现智能视频监控，在入境关口通过使用人脸识别的视频监控，可以防止不法分子外逃。

 公安系统：可以根据对罪犯的描述，生成肖像草图，在数据库里通过使用人脸识别技术快速查找定位犯罪嫌疑人，协助破案。

 经济领域：各类银行卡、金融卡、信用卡、储蓄卡的持卡人可以通过人脸识别技术实现快速安全的登录账户，并且不用担心别人盗取密码了。

 娱乐领域：游戏软件开发领域也可以使用这项技术。

1。2。2  学术价值