人脸图像是一种复杂多变的模式，因为不仅每个人的外貌、肤色不同，即使是同一个人，表情、视角、光线、遮挡物等不同条件下得到的人脸图像都会有很大的差别，同一个人不同年龄段的人脸图像也会有很大差异，这些都将增加人脸识别的难度，影响其最终的分类结果。对于这样的具有挑战性的问题如果可以很好地解决，这将为其他类似复杂模式问题的解决提供有效的研究思路与方法。

1。3  国内外研究现状

1。3。1  国内研究现状

1。3。2  国外研究现状

1。4  论文的主要工作及内容安排

本论文主要研究了深度学习算法，特别是深度卷积神经网络在人脸识别领域的应用。相比于其他方法，深度卷积神经网络可以较好提取人脸特征，从而实现更好的性能。人脸特征提取就是对已经完成了预处理去噪后的人脸图像寻找适合用于衡量相似度标准的特征，即能够根据这些特征进行匹配能最大程度上的区分不同的类别，来获得分类准确率高的分类器。另一方面，我们也可以利用这些最具鉴别性的描述特征作为对人脸图像的描述，对于原始数据较大的人脸数据也可以起到降维的作用，方便其他系统的使用。可以用于特征提取的方法有很多，如MLP、PCA、基于三维模型等方法，这些方法有些训练时间过长，有些缺乏信息来源、海量存储问题有待解决，所以本文使用深度学习中的CNN模型，通过解决这些问题，获得一个易实现、快速、准确率高的人脸识别模型。

本文由人脸识别背景、相关研究方法、本文使用的深度学习方法以及实验这几个部分组成的。各个章节的具体内容如下：文献综述

第一章：绪论。主要是介绍了这一问题的研究背景，包括问题兴起、发展和主要的研究方法，指明了该技术的广阔的应用前景和实用价值，以及科研学术价值。

第二章：人脸识别技术及常用方法。简要说明了多种人脸识别方法及其原理。详细介绍了神经网路中的MLP和RBF模型，以便于后面实验的理解。

第三章：深度卷积神经网络模型。简要说明了深度学习的概念，详细的介绍了卷积神经网络模型，包括该网络结构的特征以及训练推导的具体流程。

第四章：实现与实验。在Windows7系统中，用MATLAB实现了卷积神经网络模型的人脸识别系统，通过使用多组数据集测试，研究数据集大小对训练结果的影响。同时也用MLP、 RBF和ELM实现了，用相同的数据集做对比实验，突出卷积神经网络的优越性。

结论。总结了论文的主要工作，对文中的多个实验结果进行分析，对CNN做一个全面的评估。

2  人脸识别技术及常用方法介绍

2。1  人脸识别技术

人脸识别[21]，是基于人脸图像信息验证身份的一种生物识别技术。从普遍意义上来说，就是从采集到的图像或视频流中检测人脸，进行脸部特征提取并与数据库中的脸部特征数据比对等一系列相关技术。

常用研究方法：

1) 基于几何特征的方法

我们认为人的面部的特征一般情况下是不会发生变化的，即具有稳定性。该方法就是利用人脸的这一特点，对脸部图像进行整体的扫描检测，分别用不同参数记录人脸上各器官的相对位置、各个器官自身的特点以及不同器官之间的关系，得到可以描述该人脸图像的特征向量。我们可以通过对输入的未知人脸与人脸底库中的这些特征向量进行比较匹配，最终实现对其的分类的目的。从这一方法的原理可以看出，这一方法对图片质量的要求很高，并且帽子、眼镜、胡子等附着物都会影响特征的提取和表示 ，甚至是光照、拍摄角度等对最终的分类结果造成很大误差。