早在 20 世纪 50 年代，分析人脸器官特征点及其之间的拓扑关系进行辨识
1991 年，主成分分析和统计特征技术
21 世纪的前十年，随着机器学习理论的发展，学者们相继探索出了基于遗传算法、支持向量机（Support Vector Machine， SVM）、 boosting、流形学习以及核方法等进行人脸识别。 2009 年至 2012 年，稀疏表达（Sparse Representation）因为其优美的理论和对遮挡因素的鲁棒性成为当时的研究热点。与此同时，业界也基本达成共识： 基于人工精心设计的局部描述子进行特征提取和子空间方法进行特征选择能够取得最好的识别效果。Gabor 及 LBP 特征描述子是迄今为止在人脸识别领域最为成功的两种人工设计局部描述子。
研究通过对以往人脸识别领域论文的挖掘，总结出人脸识别领域的研究关键词主要集中在人脸识别、特征提取、稀疏表示、图像分类、神经网络、目标检测、人脸图像、人脸检测、图像表示、计算机视觉、姿态估计、人脸确认等领域。
（2） 人脸图像的预处理
人脸图像的预处理的目的是在系统对人脸图像的检测基础之上，对人脸图像做出进一步的处理以利于人脸图像的特征提取。
人脸图像的预处理具体而言是指对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等一系列的复杂处理过程来使得该人脸图像无论是从光线、角度、距离、大小等任何方面来看均能够符合人脸图像的特征提取的标准要求。
在现实环境下采集图像，由于图像受到光线明暗不同、脸部表情变化、阴影遮挡等众多外在因素的干扰，导致采集图像质量不理想，那就需要先对采集到的图像预处理，如果图像预处理不好， 将会严重影响后续的人脸检测与识别。研究介绍三种图像预处理手段，即灰度调整、图像滤波、图像尺寸归一化等。
灰度调整
因为人脸图像处理的最终图像一般都是二值化图像，并且由于地点、设备、光照等方面的差异，造成采集到彩色图像质量不同，因此需要对图像进行统一的灰度处理，来平滑处理这些差异。灰度调整的常用方法有平均值法、直方图变换法、幂次变换法、对数变换法等。
图像滤波
在实际的人脸图像采集过程中，人脸图像的质量会受到各种噪声的影响，这些噪声来源于多个方面，比如周围环境中充斥大量的电磁信号、数字图像传输受到电磁信号的干扰等影响信道，进而影响人脸图像的质量。为保证图像的质量，减小噪声对后续处理过程的影响，必须对图像进行降噪处理。去除噪声处理的原理和方法很多，常见的有均值滤波，中值滤波等。目前常用中值滤波算法对人脸图像进行预处理。
图像尺寸归一化
在进行简单的人脸训练时候，遇到人脸库的图像像素大小不一样时，我们需要在上位机人脸比对识别之前对图像做尺寸归一化处理。需要比较常见的尺寸归一化算法有双线性插值算法、最近邻插值算法和立方卷积算法等。
基于统计理论方法
本文重点介绍基于统计理论方法中的Adaboost人脸检测算法。 Adaboost算法是通过无数次循环迭代来寻求最优分类器的过程。用弱分类器Haar特征中任一特征放在人脸样本上， 求出人脸特征值， 通过更多分类器的级联便得到人脸的量化特征， 以此来区分人脸和非人脸。Haar功能由一些简单黑色白色水平垂直或旋转45°的矩形组成。目前的Haar特征总的来说广义地分为三类： 边缘特征、线特征以及中心特征2。这一算法是由剑桥大学的 Paul Viola 和 Michael Jones 两位学者提出， 该算法优点在于不仅计算速度快，还可以达到和其他算法相当的性能，所以在人脸检测中应用比较广泛， 但也存在着较高的误检率。因为在采用 Adaboost 算法学习的过程中，最后总有一些人脸和非人脸模式难以区分，而且其检测的结果中存在一些与人脸模式并不相像的窗口。
2.2 人脸识别主要方法
人脸识别技术的研究是一个跨越多个学科领域知识的高端技术研究工作，其包括多个学科的专业知识，如图像处理、生理学、心理学、模式识别等知识。在人脸识别技术研究的领域中，目前主要有几种研究的方向，如：
一种是根据人脸特征统计学的识别方法，其主要有特征脸的方法以及隐马尔科夫模型（HMM， Hidden Markov Model）方法等；另一种人脸识别方法是关于连接机制的，主要有人工神经网络（ANN， Artificial Neural Network）方法和支持向量机（SVM， Support Vector Machine）方法等；还有一个就是综合多种识别方式的方法。
深度学习的出现使人脸识别技术取得了突破性进展。人脸识别的最新研究成果表明，深度学习得到的人脸特征表达具有手工特征表达所不具备的重要特性，例如它是中度稀疏的、对人脸身份和人脸属性有很强的选择性、对局部遮挡具有良好的鲁棒性。这些特性是通过大数据训练自然得到的，并未对模型加入显式约束或后期处理，这也是深度学习能成功应用在人脸识别中的主要原因。深度学习在人脸识别上有 7 个方面的典型应用：
2.3 人脸识别三大经典算法
2.3.1 特征脸法（Eigenface）
2.3.2 局部二值模式（Local Binary Patterns， LBP）
2.3.3 Fisherface
2.3.4 经典论文
Sirovich,L.,&Kirby,M.(1987).Low-dimensional procedure for the characterization of human faces.Josa a,4(3),519-524.
研究证明任何的特殊人脸都可以通过称为 Eigenpictures 的坐标系统来表示 。Eigenpictures 是面部集合的平均协方差的本征函数5。
Turk,M.,&Pentland,A.(1991).Eigenfaces for recognition.Journal of cognitive neuroscience,3(1), 71-86.
研究开发了一种近实时的计算机系统，可以定位和追踪人的头部，然后通过比较面部特征和已知个体的特征来识别该人。该方法将面部识别问题视为二维识别问题。识别的过程是把一副新的图像投影到特征脸子空间，该特征空间捕捉到已知面部图像之间的显著变化。重要特征称为特征脸，因为它们是面集的特征向量6。
Ojala,T.,Pietikäinen,M.,&Harwood,D.(1996).A comparative study of texture measures with classification based on featured distributions.Pattern recognition,29(1),51-59.
研究对不同的图形纹理进行比较，并提出了用来描述图像纹理特征的 LBP 算子7。
人脸数据库：
- 基于卷积神经网络(CNN)的人脸识别方法
- 深度非线性人脸形状提取方法
- 基于深度学习的人脸姿态鲁棒性建模
- 有约束环境中的全自动人脸识别
- 基于深度学习的视频监控下的人脸识别，
- 基于深度学习的低分辨率人脸识别
- 他基于深度学习的人脸相关信息的识别。
关键词：全球人脸识别技术的“开拓者” 和“探路者” 、商汤科技联合创始人
人物经历：现任香港中文大学信息工程系系主任，兼任中国科学院深圳先进技术研究院副院长。中央组织部“千人计划” 入选者。
早在 1992 年， 在美国麻省理工学院攻读博士学位的汤晓鸥开始接触人脸识别的算法。获得博士学位后，他先后在香港中文大学和微软亚洲研究院工作，继续从事计算机视觉相关领域的研究。 2001 年，他建立了香港中文大学多媒体实验室。 2014 年 3 月，汤晓鸥团队发布研究成果，基于原创的人脸识别算法，准确率达到 98.52%，首次超越人眼识别能力（97.53%）。 2016 年，汤晓鸥领军的中国人工智能团队，与麻省理工、斯坦福等著名大学一道，入选世界十大人工智能先锋实验室，成为亚洲区唯一入选的实验室。
研究兴趣： Face Recognition、 Feature Extraction、 Computer Vision、 Principal ComponentAnalysis、 Image Retrieval 等。
