角度空间损失函数往往因需要手动调节超参数而引起算法训练的不稳定，类别标签数量的不同也将导致算法的移植性较差。针对这些问题，提出一种带有下界判断的自适应角度空间损失函数并应用于人脸识别。该方法以假设人脸表达特征分布在超球体空间为切入点，通过分析不同超参数对训练结果的影响，使预测概率公式的二阶导数为零并动态地计算当前mini-batch角度分布的去尾平均数； 为了提高算法的可移植性，根据类别中心的最小期望后验概率给出自适应调节超参数的下界。通过在LFW和MegaFace百万级人脸数据集上进行算法评估，证明提出的方法可以有效地提高人脸识别精度以及模型收敛率，在亚洲人脸数据集上的实验证明该方法具有较好的鲁棒性与移植性。

提出一种 SF-CNN 双重深度特征提取模型。使用 C++编程实现了一个人脸课堂点名系统。

基于深度神经网络的人脸识别算法研究基于深度神经网络的人脸识别算法研究

文章主要是关于人脸识别的算法总结，内容较为详实。可以作为入门的好教材。

采用KPCA进行人脸特征脸提取，基于osu-svm进行分类，使用的是ORL标准人脸数据库。采用网格法对参数优化后，识别正确率可达97%。具体优化的参数及识别结果见压缩包内mat文件！

PCA人脸识别算法的优化_.pdf

基于Faster+R-CNN的人脸识别算法研究.pdf

人脸图像的色彩信息也是人脸的重要特征，但现有的2D-PCA彩色人脸识别忽略了人脸色彩信息的空间关系。由此引入三阶张量表示，提出基于张量的2D-PCA（Tensor PCA）的人脸识别算法。Tensor PCA通过分解[n]模总体散布矩阵获得三个由最大特征值对应的特征向量组成的将张量样本投影到低维子空间的投影矩阵，并构造交替最小二乘法的迭代过程对矩阵进行优化得到最优投影矩阵，使得投影后的样本间的距离尽可能得大，以达到最佳分类识别的效果。Georgia Tech彩色人脸库的测试结果表明，与2D-PCA方法相比，识别正确率提升了5.53%，同时训练时间降低了78.1%。

人脸识别原理及算法 人脸识别原理及算法 人脸识别原理及算法 动态人脸识别系统研究 动态人脸识别系统研究 动态人脸识别系统研究

人脸识别算法，结合facenet网络结构和center loss作为损失，基于tensorflow框架，含训练和测试代码，支持从头训练和摄像头测试