链接：https://pan.baidu.com/s/1x4I52LqZrF-HfB-Pa1GePw 

提取码：do8n 

 

1国内外现状及趋势分析

需求（简要描述存在的问题，解决问题的重要性、紧迫性）

难点分析（提炼核心难点，当前现状存在矛盾的地方，举例、数据支撑）

现状概述（现有技术，无法满足的需求）

国外研究机构5家、国内研究机构5家情况调研（机构名称、相关研究内容、相关研究成果、成果应用情况、本项目与相关研究内容自评价）

 

人脸识别很重要：

随着社会的发展，传统的个人信息验证方法面临着各种挑战。传统的身份验证信息通常是通过密码符号和身份证等进行，但密码不仅容易混淆也面临着网络安全的问题，因此生物特征识别技术被广泛应用。生物特征技术包括人的指纹、脸、声音、视网膜等，具有唯一性不可复制性的特点。其中人脸识别相对其他生物特征识别更具有非接触、操作方便、设备简单和可同时性等优点。近年来人脸识别技术在移动支付、门禁安防、公安刑侦、国防安全等领域得到了广泛应用。

虽然目前人脸识别技术已经取得了重大成果，但在实际实施过程中面临着诸多挑战。人脸识别受光照、遮挡、姿态、表情等因素的干扰会影响人脸的特征提取，进而影响准确率。因此，研究如何增强人脸识别的鲁棒性是十分有意义的。

在人脸上贴人脸特征的图片或对抗图像都可以成功干扰现有的人脸识别技术，甚至利用3D打印的人脸模型也可以欺骗AI。人脸识别技术的初衷是为了提高安全性，倘若上述伪装和欺骗技术被不法分子利用，将会对个人和社会带来重大损失。因此，如何提高人脸识别技术的防伪性能同样亟待解决。

由于高光谱图像比RGB图像包含更多的光谱信息，所以在人脸防伪、提高准确率和和增强鲁棒性方面或许有显著效果。

现有技术和方法：

人脸识别技术的发展历程主要分为三个阶段。

第一阶段：基于特征的人脸识别方法，20世纪60年代

该阶段主要利用人脸几何特征信息作为识别依据，利用特征点之间的拓扑关系构建特征向量来进行判断。如Bledsoe等提出的人脸识别系统，利用人脸的局部几何特征来描述人脸信息，并利用最近邻KNN来实现分类。

第二阶段：基于子空间分析的人脸识别算法，20世纪90年代

Turk和Pentland提出“特征脸”(Engine Face)方法，利用主成分分析(PCA)完成人脸图像在子空间之间的互相映射，在子空间完成分类判断。Belhumeur等人提出了一种基于LDA的Fisher方法。该方法可以使同类之间的距离达到最小，异类之间的距离逐渐变大，通过强化异类样本之间的差异，削弱同一类别由于一些外部因产生的变化，从而找到最理想的方法进行映射。在2002年，Bartlett提出了独立成分分析法ICA，是对PCA的进一步优化。上述方法虽然取得了不错的进展，但与人类识别能力还有一定的差距。

第三阶段：基于深度学习的人脸识别方法

研究主要集中在非理想条件下的识别，如光照不均匀、姿态以及表情变化、有遮挡的人脸识别等。为了预防如人脸图片、3D模型等的干扰，还有人脸活体检测，由于高光谱图像比RGB图像包含更多的光谱信息，在人脸防伪和增强鲁棒性方面或许有显著效果。

Geoffrey Hinton在2006年提出的深度置信网络模型在人脸识别领域取得非常优异的效果。Krizhevsky在2012年提出的AlexNet模型并在ImageNet竞赛中获得冠军，使分类任务的准确率相比于先前的算法有了显著提升。后来出现了VggNet、GoogLeNet、ResNet、SENet、DenseNet等非常优秀的卷积神经网络。

Facebook公司在2014年提出了DeepFace；谷歌公司在2015年提出了FaceNet；同年，牛津大学研究团队利用VGGFace训练的人脸识别模型也达到了很高的准确率；2017年，SphereFace提出乘性角度间隔，CosFace和Am-softmax提出加行余弦间隔，ArcFace加入了SE模块。这些算法在人脸数据集中取得了显著的成果。

在20世纪80年代，国内人脸识别技术开始逐步发展。在奥运会期间有中国科学院研究的人脸识别技术在安保等方面发挥了重大作用。2015年由汤晓鸥团队研究的DeepID在LFW数据集上取得了超出人眼识别的准确率。2016年中科院提出了基于C++代码的SeetaFace人脸识别引擎。随后一些创业公司如商汤科技、旷世科技的快速发展也促进了人脸识别技术的研究。

 

 

现有性能：

数据集：LFW、YTF(YouTub人脸数据库)、CASIA-WebFace数据集、AgeDB-30、CFP-FP、CALFW、CPLFW、IJB-C等等。衡量人脸识别算法能力的几个指标：拒识率、误识率、通过率、准确率等。

2014年Facebook团队的DeepFace和香港中文大学汤晓鸥团队的DeepID在LFW数据集上分别达到了97.35%和97.45%的平均分类精度，人脸识别的主要技术路线从人工设计特征和分类识别转换为基于深度神经网络的端到端的自主学习特征。2015年Google的FaceNet在LFW上平均分类精度达到99.63%。2017年Sphereface达到99.42%的分类精度。CosFace和ArcFace也在部分人脸数据集中取得了较好的效果。

开放环境人脸识别很难：

虽然DeepFace、FaceNet、SphereFace、CosFace以及ArcFace等一系列优秀的算法在人脸识别数据集LFW上已经达到了很高的识别精度，但在实际使用场景中人脸识别问题存在着很多挑战，如在无约束场景中，光照、模糊、遮挡、姿态以及表情等干扰因素都会降低图像的质量，影响识别精度，随着年龄的增长和体重的变化人脸图像会出现较大差异，增加了识别的难度。现有方法大多过度追求准确率，忽略了识别准确率与效率之间的平衡。所以人脸识别算法的实际应用需要考虑多因素非受控环境下的识别效率和应用价值。

因此，人脸识别技术依旧有很多问题亟待解决，优化人脸识别技术是一项实用且充满挑战性的工作。

1.在外部环境不太理想的情况下怎们提高人脸识别精度，减少限制条件。

2.人脸识别防伪

3.有遮挡人脸识别是现实应用中要解决的主要问题之一，其困难性主要体现在由遮挡所引发的特征损失、对准误差和局部混叠等问题。

4.人脸识别中对姿势变化问题的解决方案。