相较于国外，国内起步较晚，从20世纪90年代，相关研究机构陆续成立，经过不断地尝试，也取得了不错的成果。在2014年召开的中国国际社会公共安全博览会上，已经有像大华股份、海康威视、汉王、银晨等厂商向大家展示了各自的产品，人脸识别技术在产业中取得的成果也颇为喜人，学术方面，中国的研究也越来越接近国外的水平。在2015年，谷歌在年初创下的识别率记录被腾讯以99.65%的识别率打破。在德国的展示会上，支付宝也展示了自己结合人脸识别的应用，“刷脸”的时代即将到来。

1.3 相关工作和提出的方法

人脸识别过程中，特征提取就是提取人脸的某些特征，如视觉、像素统计、人脸图象变换系数、人脸图像代数等特征。人脸特征提取，就是针对人脸的各种不同特征进行建模，即人脸表征。主要有两种提取人脸特征的方法：一种是根据人脸视觉感官建模的表征方法；另外一种是根据代数和统计学获取特征向量的表征方法。

对人脸面部的识别和匹配：把待识别的人脸图像的特征数据和人脸库中已经经过变换的特征模版进行比对，设定一个阈值作为参数，当匹配度大于该阈值，就可以输出得到的匹配结果。这一过程通过对待识别人脸和库中人脸的特征比较，进而计算匹配度，对人的身份信息进行判断。

本课题主要运用PCA技术，通过将二维的人脸图像投影为一维的像素构造矢量，然后利用奇异值分解定理得出协方差矩阵得到的构造矩阵，并计算特征向量和特征值，达到降维，找到表征人脸的合适向量的作用。进行识别时，同样将待识别的人脸图像投影到特征脸的空间，通过与库中已知样本人脸的位置比较，进行判别。

1.4 人脸识别流程

人脸识别技术就是通过计算机的强大运算能力，利用PCA降维提取人脸特征，并进行对比实现人脸的识别。人脸识别技术主要经过三个过程，首先进行人脸检测，然后对检测到的人脸进行特征提取，最后根据特征的对比进行人脸识别。

图1.1 人脸识别流程

1.5 课题实现的方法步骤

1. 提取数据。把每一幅二维的人脸图片变成一维。

2. 计算平均值。

3. 平均值与每幅人脸做差，规范人脸图片。

4. 根据奇异值分解原理计算协方差矩阵得到的构造矩阵。

5. 得出构造矩阵的特征向量以及特征值，并由此得到协方差矩阵的特征向量。

6. 根据能量选择主成分分量特征向量。

7. 得出训练样本在主成份上的投影系数和被识别图像在主成份上的投影系数，根据欧氏距离对各投影系数进行比较，进而确定匹配样本。

8. 计算识别率，并随机输出结果。

2 机器学习的算法和算法选择

2.1 回归算法

回归是一种统计学概念，在机器学习中，也是基于统计学的一种较为强大的算法，其可以指一种算法，也可能指一种问题。其本质为：通过对误差的分析和比较进而推算判断出变量之间的定量关系的算法，就是回归算法。线性回归是指通过自变量和应变量之间的关系，由回归方程的最小平方函数的方式进行建模的一种算法。如果自变量和因变量分别只有一个，同时满足两者可近似表示为一条直线的情况下，就构成了一元线性回归，否则为多元线性回归。回归算法有很多，比如逻辑回归，最小二乘法，逐步回归等都是回归算法。回归算法可应用于对产品的收入进行预测，对营销策略的评估，甚至对自然灾害的预测等。文献综述