人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，其可以定义为：输入查询场景中的静图像或者视频，使用人脸数据库识别或验证场景中的一个人或者多个人，通常也被称为面部识别、人像识别。人脸识别技术拥有一个不算漫长的历史，该技术研究最早可追溯到 19 世纪法国人Galton的工作。现代研究始于20世纪60年代末70年代初，并随着科学技术而发展。自90年代以来一直是研究热点，各种算法层出不穷，相关杂志上发表的有关论文数以千计。

国内在这方面的研究起步于20世纪80年代，受到了国家 863计划的大力扶持，发展很快。2000年以来，每年一届的“中国生物识别学术会议”极大地推动了包括人脸识别在内的生物识别技术水平的发展。

从技术角度来说，人脸识别经历了三大阶段：

第一阶段（1950s-1980s），人脸识别被当作一个一般性的模式识别问题，主流技术基于人脸的几何结构特征。

第二阶段（1990s），人脸识别迅速发展，出现了很多经典的方法，例如Eigen Face, Fisher Face和弹性图匹配，此时主流的技术路线为人脸表观建模。

第三阶段（1990s末期到现在），人脸识别的研究不断深入，研究者开始关注面向真实条件的人脸识别问题。

主要包括以下四个方面的研究：1）提出不同的人脸空间模型，包括以线性判别分析为代表的线性建模方法，以Kernel方法为代表的非线性建模方法和基于3D信息的3D人脸识别方法。2）深入分析和研究影响人脸识别的因素，包括光照不变人脸识别、姿态不变人脸识别和表情不变人脸识别等。3）利用新的特征表示，包括局部描述子（Gabor Face, LBP Face等）和深度学习方法。4）利用新的数据源，例如基于视频的人脸识别和基于素描、近红外图像的人脸识别。

虽然人脸识别技术经历了较长的研究阶段，但至今还是被认为是生物特征识别技术中较为困难的研究课题之一，其原因在于：

1、背景环境的复杂多样

在进行人脸识别前需要先对监控场景中的人脸进行定位，即人脸检测。人脸检测的正确与否直接影响人脸识别性能。当监控场景的背景较为复杂时，人脸检测率也会随之降低，因此能够适应复杂背景环境的人脸检测算法是人脸识别技术的难点之一。

2、光照条件的复杂多变

在智能视频监控系统的实际应用中，会由于监控环境光线的变化造成检测到的人脸图像存在不同的阴暗变化，如图1所示。FRVT2006测试表明，不同光照条件下人脸识别虽然在性能上比FRVT2002有显著提高，但是还没在根本上克服光照对识别率的影响。

图：光线变化对采集到的人脸影响示意图

3、人脸表情的多样性

在实际应用过程中，人脸的表情随时都可能发生变化。下图给出了部分表情变化的人脸图像。从下图可以看出，当人的表情发生变化时，可能会引起人脸轮廓以及纹理的变化，同时由于面部肌肉的牵引，面部的特征点的位置也会随之改变。不同的表情引起面部的变化都不同，此外，不同的人的相同表情影响也不相同，因此很难用统一的标准来精确划分各种表情对不同人的影响。

图：人脸表情变化多样性示意图

4、采集人脸的角度多样性

人脸的角度多样性主要是指由于拍摄角度的不同导致检测到的人脸图像的旋转，包括平面旋转和深度旋转。图3列出了部分不同角度拍摄的人脸图像。从下图可以看出，与表情变化对人脸图像的影响相同，拍摄角度的变化同样会导致人脸轮廓的变化，除此之外，由于角度的变化，可能会导致人脸的部分特征无法被正确提取，进一步导致人脸的错误识别。