如何 描述每个个体人脸的特征 , 使 之区别于 其他个 体 , 是人脸识 别研究 中的关 键问题 之一 .近年来提出了大量的方法 , 其中随着主元分析在人脸识别中的成功应用 之后 , 子 空间分析因其 具有描述性强 、计算代价小 、易实现及可分 性好的 特点 , 受到了 广泛的 关注 . 文中结 合近年来已 发表的文献 , 按照线性和非线性的划分 , 对子空间分析在人脸识别中的应 用作一回顾 、比较和总结 , 以供其他人参考 .

随着计算机技术的发展，在各种领域如计算机视觉、人脸识别、生物信息以及医学上都面临着高维数据的难题。高维数据中往往包含了冗余信息和噪声。数据降维是将高维数据投影至低维空间并保持数据本身固有的结构，在过去几十年里被众多学者不断地研究并取得了很大进展。在人脸识别中，入脸图像往往由于受到光照，表情和姿势的影响而难以识别，降维算法可以提取人脸图像中有效特征，去除其中的冗余和干扰，提高识别率。

YALE人脸数据库（美国，耶鲁大学）由耶鲁大学计算视觉与控制中心创建，包含15个人，每个人有不同表情、姿态和光照下的11张人脸图像，共165张图片，每张图片大小为100*100。整个数据集非常小，图片信息也较为简单。

随着“平安城市”建设的不断推进，公共安全逐渐成为人们关注的热点问题，视频监控技术也随之得到了越来越广泛的应用。传统的视频监控系统主要提供采集存储功能，这远远无法满足人们对其智能化的需求。要实现智能化的视频监控系统，以下几个关键问题亟需解决：（】）如何快速发现监控视频中的异常行为，及时给出警报，并最大限度地减少误报和漏报现象；（２）如何在多种不利因素下（如单样本，低分辨率）对可疑目标进行准确的识别分析；（３）在海量数据的情况下，如何确保视频分析系统的实时性及准确性。

人脸识别是生物识别的一个重要研究方向，随着众多学者的不断努力和长期探索，人脸识别取得了诸多成就，但对于问题的彻底解决还存在一定的距离。近年来诸多学者在神经网络的基础上提出了深度学习，由于其超强的学习能力，现阶段己成为神经网络的主要研究方向。深度学习的提出，为人脸识别问题的彻底解决提供了新的思路。本文利用深度学习算法进行人脸识别，进一步改善人脸识别效果。

卷 积 神 经 网 络 (convolutional neural networks, CNN)是 深 度 学 习 技 术 应用最成熟的模型之一，卷积神经网络算法可以从原始输入中有效学习到高阶不变性的特征，利用卷积神经网络来提取特征进行目标识别和分析是当前 比 较 热 的 研 究 方 向 。 目 前 CNN 主 要 以 单 机 串 行 方 式 实 现 ， 串 行 执 行 的CNN 算 法 存 在 一 些 缺 陷 ：一 是 串 行 模 式 凸 显 出 训 练 时 间 过 长 ，算 法 内 在 并行性得不到发挥，内存不足等；二是伸缩性不足，在处理密集型数据效率不 高 。现 今 比 较 流 行 的 MapReduce 分 布 式 计 算 模 型 具 有 良 好 的 容 错 性 和 扩展 性 ， 本 文 利 用 Hadoop 分 布 式 处 理 平 台 ， 提 出 了 采 用 MapReduce 并 行 CNN 的 算 法 MRCNN。 并 在 MRCNN 算 法 基 础 上 持 续 进 行 优 化 ， 提 出 利 用GPU 加 速 MRCNN 算 法

在研究人脸识别技术的过程中，针对浅度特征（ＬＢＰ、ＳＩＦＴ、ＨＯＧ、Ｇａｂｏｒ等）对人脸特征表达效果不理想的问题，提出了一种基于多特征融合的深度学习人脸识别方 法。该方法首先要用局部二值算法提取人脸局部纹理特征，然后对深度网络模型进行构建，并利用深度卷积网络的共享权值和池化、下采样等技术降低模型的复杂度。在构建后的模型顶层形成人脸图像特征分类面，通过训练后得到完好的深度网络模型，利用该模型对人脸图像进行特征提取，能够有效的完成对人脸图像的识别。实验效果很好的证明了基于多特征融合的深度学习人脸识别方法对人脸特征表达效果良好，显著提高了人脸识别的准确率。

随着人工智能的快速发展，如何准确、有效的识别用户身份，提升信息安全成为一项重要的研究课题。相较于传统的卡片识别、指纹识别和虹膜识别，人脸识别具有许多优点。它的非接触性、非强制性和并发性，易被用户所接受，己广泛应用于教育、电子商务等多个领域。

生物特征识别技术作为一 种身份识别的手段 , 具有独特的优势 , 近年来已逐渐成为国际上的研究热点 .本文综述了各种生物特征识别技术的基本原理和一些关键技术 , 对每种生物特征的优势和不足进行了分析 , 并对生物特征识别技术中存在的问题和未来的研究方向进行了讨论 .

打开main.m文件，按下F5即可开始运行，根据弹出框的提示进行操作，最终可实现人脸检测