人脸识别技术的发展

　　人脸识别技术的发展。

　　传统方法依赖于人工设计特征(如边缘和纹理描述)和机器学习技术(如主成分分析、线性判别分析或支持向量机)的组合。人工设计很难识别无约束环境中不同变化的特征，这使得过去的研究人员专注于研究每种类型变化的特殊方法，例如可以应对不同年龄、不同姿势和不同照明条件的方法。最近，传统的人脸识别方法已经被基于卷积神经网络(CNN)的深度学习方法所取代。深度学习方法的主要优点是，可以使用大型数据集对其进行训练，以学习表示这些数据的最佳特征。网络上可用的大量自然面部图像是最容易收集的面部数据集。这些图像包含了现实世界中的各种变化。用这些数据集训练的基于CNN的人脸识别方法已经获得了非常高的精度。此外，深度学习方法在计算机视觉中的持续普及也在加速人脸识别研究的发展。例如，CNN还被用于解决许多其他计算机视觉任务，如目标检测和识别、分割、光学字符识别、面部表情分析、年龄估计等。