1、目的及意义

1.1 研究目的及意义

随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用，而人脸检索是人脸识别的首要环节。

人脸检测（Face Detection）是指在输入图象中确定所有人脸（如果存在）的位置、大小、位姿的过程。人脸展示了包括身份、年龄、性别以及情感和注意程度等的复杂信息。人脸检测作为人脸信息处理中的一项关键技术，近年来成为模式识别与计算机视觉领域内一项受到普遍重视、研究十分活跃的课题。

人脸检测研究具有重要的学术价值。人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于：（1）人脸由于外貌、表情、肤色等不同，具有模式的可变性；（2）一般意义下的人脸上，可能存在眼镜、胡须等附属物；（3）作为三维物体的人脸的影像不可避免地受由光照产生的阴影的影响。因此，如果能够找到解决这些问题的方法，成功构造出人脸检测与跟踪系统，将为解决其它类似的复杂模式检测问题提供重要的启示。

支持向量机（Support Vector Machines，SVM）是 Vapnik等提出的基于结构风险最小化原理（Structural Risk Minimization Principle, SRM）的统计学习理论，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。在机器学习中，支持向量机是与相关的学习算法有关的监督学习模型，可以分析数据，识别模式，用于分类和回归分析。SRM使VC（Vapnik Cherovnenkis）维数的上限最小化，这使得SVM方法比基于经验风险最小化（Empirical Risk Minimization Principle, ERM）的人工神经网方法具有更好的泛化能力。

支持向量机作为通用的机器学习方法，具有坚实的统计学习理论基础，实际应用效果好，使用方便，模型参数较少，在图像、视频、声音、文本等不同领域得到了广泛的应用。本设计拟进行人脸检索系统的设计，将应用支持向量机技术实现人脸检索系统。

1.2 国内外研究现状

目前，国外对人脸检测问题的研究很多，比较著名的有 MIT，CMU等；国内的许多研究机构在自然科学基金、863 计划等资助下，开始对人脸检测进行研究。其中主要包括清华大学、哈尔滨工业大学、中科院自动化所、上海交通大学、中山大学、国防科技大学、公安部等在人脸检测研究领域都进行了许多很有意义的尝试，积累了丰富的经验，并取得了一定的成果。

而且，MPEG7标准组织已经建立了人脸识别草案小组，人脸检测算法也是一项征集的内容。随着人脸检测研究的深入，国际上发表的有关论文数量也大幅度增长，如IEEE的FG(IEEE International Conference on Automatic Face and Gesture Recognition)、ICIP(International Conference on Image Processing)、CVPR(Conference on Computer Vision and Pattern Recognition)等重要国际会议上每年都有大量关于人脸检测的论文，占有关人脸研究论文的近 1/3 之多，这些重要国际会议上发表的论文及时地反映当前学术界对人脸检测技术研究的最新进展。