二、人脸识别发展状况（论文、综述用）_人脸识别的发展现状

人脸识别实际上是一项起源较早的技术，但是在近期随着机器学习和深度学习理论逐渐发展、完善的过程中才得以焕发出新的生机。随着人工智能、大数据、云计算的技术创新幅度增大，技术更迭速度也随之加快，人脸识别作为人工智能的一项重要应用，随着这三辆“快车”的出现也随之发展，实现了大规模的“落地”。

2006年，深度信念网络的提出，深度学习作为机器学习的一个单独分支而独立出来，成为一个新的研究领域。深度学习叫传统监督式学习的方法相比，尤其是经过GPU加速之后，深度学习程序的执行速度更快，足以满足工业场景中的算力要求。未来更多技术的出现和现有技术的发展，想必机器学习和人脸识的未来别会焕发出更加耀眼的光芒。

下面，我们将从人脸识别的历史发展情况和当前的技术热点，来叙述人脸识别这项技术的发展历程。

---

人脸识别的发展沿革

人脸识别可以追溯到20世纪的五六十年代，经过了这近50年的发展已经日趋成熟，达到了投入生产的标准。

最早，人脸识别的研究起源于心理学邻域，而不是计算机科学，在那个没有计算机的年代也只有能展开这样的研究。在20世纪50年代，学者们尝试从人的心理层面解读人对另个人人脸的认知，除了从感知与心理学的角度来研究人脸的识别原理，同时也从生物学角度来研究的学者。但真正与我们当今所说的人脸识别相关的研究，实际上起源于20世纪70年代。

我们将人脸识别技术的发展里程化为三个阶段：

1. 起源于20世纪70年代的半机械识别方法
2. 20世纪90年代末，以人机交互识别为主的阶段
3. 当下能够让机器自动识别人脸并比较、匹配、判断

第一阶段：半机械识别方法

这一时期的代表性论文是Parke等发表的《Computer generated animation of faces》，在他的论文中，首先提出了用“人脸灰度图模型”来识别人脸的办法，应次Parke等人成为这一阶段人脸识别邻域的代表性人物。

第二阶段：人机交互识别

人脸识别技术在这一阶段有了进一步的发展，研究者们成功的使用算法完成对人脸的高级表示，或者可以一一些简单的表示方法来代表人脸图片的高级特征。例如AJ Goldstein、LD Harmon、AB Lesk在论文《Man-machine interation in human-face identification》中使用的几何特征参数表示人脸的正面图像；Kaya等人在论文《A basic study on human face recognition》中使用的统计学方法，他们以欧式距离作为人脸特征；学者Kanade实现了一个半自动回溯识别系统。但是这部分研究结果仍然需要工作人员的参与，即“半自动化”的识别方式，还无法实现“全自动化”的人脸识别。

第三阶段：全自动人脸识别

一直以来半自动化的人脸识别依旧脱离不了人力，其缺点一直为人们诟病。虽然90年代实现不了完全自动的人脸识别，“只有完全依靠机器、脱离人工操作的人脸识别才算得上真正的人脸识别”仍是学者和业界内的共识。当然，当今”全自动人脸识别“的达成离不开机器学习和深度学习的发展。

早期的人脸识别与我们印象中的人脸识别并不太一样，一般按照几何特征的相关匹配方法较多，在模型设计上会引入一些先验知识。除此之外，会有基于统计学和基于子空间的识别方法，如著名的”特征脸“一词就属于这个范畴。

到”人工神经网络（Artifical Neural Network，ANN）“概念提出以及发展并到广泛应用的时候演化出列各种模型和和人脸识别的的新方法，它属于深度学习的范畴。

---

当下机器学习和深度学习的发展

人脸识别是计算机视觉的一项重要应用，自从人工智能的概念被提出来后，计算机视觉就一直与它有着密切的联系。到了21世纪，计算机视觉已经成为一项重要的研究项目。国际计算机视觉与识别模式会议（CVPR）、国际计算机视觉大会（ICCV）等计算机视觉领域的顶级会议成为人工智能邻域的年度会议，地位举足轻重。在2006年Hinton提出了“深度信念网络”，再此诞生之初业界学者多认为它“不科学”、“没有太多的事实依据”。但是在飞速发展的今天，它已经成为了深度学习理论的标杆。2012年，AlexNet神经网络，一举将识别错误率下降到15.3%，与第二名的26.2%相比远远领先。

深度学习的诞生为机器学习和人脸识别开启了一个全新的研究领域。此后，深度学习成为研究计算机视觉的一项强有力手段，在诸如人脸识别、物体检测方面广泛应用。深度学习的诞生、AlexNet神经网络的诞生使得计算机视觉、人脸识别发展到一个新的领域。

---

END