比对的相似值列出最相似的人员列表。 ? 真人鉴别功能：
系统可以识别得出摄像头前的人是一个真正的人还是一幅照片。以此杜绝使用者用照片作假。此项技术需要使用者作脸部表情的配合动作。 ? 图像质量检测：
图像质量的好坏直接影响到识别的效果，图像质量的检测功能能对即将进行比对的照片进行图像质量评估，并给出相应的建议值来辅助识别。
2.3. 人脸识别的技术框架
本文的人脸识别系统的功能有人脸图像采集、人脸图像预处理、人脸图像训练、人脸图像识别、增加人脸图像、删除人脸图像和修改人脸图像信心等。按照人脸识别的功能，本文的人脸识别系统框架可以用图2.1来表示。
图2.1 人脸识别系统框架
1.采集人脸图像。使用摄像机对进入重要场所的合法人员进行人脸图像的采集，采集图像时保持拍摄环境的一致性，同时拍摄的图像要保持人脸信息的完成性。
2.预处理人脸图像。对采集到的人脸图像进行统一的处理，将其处理为大小统一，存储格式一致的灰度图像。
3.训练人脸图像。对预处理的人脸图像进行人脸特征的提取，通过多次的人脸特征的选择，最终用选中的人脸特征作为识别时的依据。
4.识别人脸图像。识别阶段的前期处理和训练阶段是一样的，也需要首先采集需要识别的人脸图像，通过相同的预处理和人脸特征选择方法，提取和选择人脸的特征，然后将这些特征和数据库中已经存在的人脸特征进行对比匹配，然后输出确定该人员是否是合法的人员。
5.增加、删除、修改人脸图像。即对数据库中的人脸图像进行增加、删除、和修改等操作。
人脸识别系统训练完成后，对人脸识别时的基本过程如图2.2所示。
图2.2 人脸识别基本过程
人脸识别系统在对人脸图像进行识别之前必须首先对需要进行识别的合法人员的人脸图像进行训练，训练后的系统
才可以用来完成识别的功能。其中识别时训练过的人员的人脸图像是系统默认合法的人员，因此可以以此来限制进入重要场所的人员。在实际的应用过程中，人脸识别系统的应用框架如图2.3所示。
图2.3 应用技术框架图
人脸识别不管是训练阶段还是识别阶段都首先需要采集人脸图像，然后对人脸图像进行预处理、特征提取、然后再进行训练和识别，最后形成训练结果或识别结果，其中训练阶段和识别阶段使用的数据不同。
2.4. 本章小结
本章介绍了人脸识别系统的技术框架和功能模块，人脸检测具有简单、方便、成本低、识别速度快等优点。人脸识别包括三个方面的内容：人脸检测、人脸对比和人脸跟踪。其识别过程分为三步：首先建立人脸的面像档案，其次获取当前的人体面像，最后用当前的面纹编码与档案库存的比对。
3. 人脸识别的方法
3.1.
人脸识别算法原理
人脸识别算法的原理：系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似
度得分，表明待识别的人脸的身份。
3.2. 常用人脸识别方法
人脸识别包括两个方面：一是人脸检测和定位，二是人脸识别。人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别。人脸识别的方法有很多。一是基于特征点的人脸识别方法，该方法是基于K-L变换的人脸识别方法，这种方法需要较多的训练样本，而且完全是基于图像灰度的统计特性。二是弹性图匹配的人脸识别方法，这种方法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任意顶点均包含一特征向量，用来记录人脸在顶点位置附近的信息。三是基于神经网络的人脸识别方法，该方法模拟人类大脑神经网络的结构和工作机理，构建一种类似人脑的计算模型。本文主要用基于神经网络的方法进行人脸识别，下一节将详细介绍这一方法。其次还有线段Hausdor距离（LHD）的人脸识别方法和支持向量机的人脸识别方法。
3.3. 基于神经网络的人脸识别方法
人工神经网络是通过模拟人类大脑神经网络的结构和工作机理，构建一种类似人脑的计算模型。人工神经网络的识别方法在人脸识别中的应用有很长的历史，它有其特殊的适合于人脸识别的优势。它不像其他的方法那样要用一套由人来确定的规则，同时也避免了复杂的特征提取工作，他能根据有代表性的样本进行学习。神经网络以并行方式处理信息，
如果能用硬件实现，就能显著提高速度。神经网络在人脸识别、性别识别中都有广泛的应用。
人工神经网络进行人脸识别主要有两种结构。第一，为所有已知人脸建立一个神经网络：可对所有已知人脸进行分类和识别。这种结构要求用所有人脸的特征对网络进行训练，训练好的网络连接权值是所有人脸特征的隐含表示，这种形式只需一个神经网络，但网络规模很大，权系数要求较多，存储量要求也较大，训练时间较长。由于系统每增加一个人，都要对网络经行重新训练，因此这种系统性能不佳。第二，对每一个人建立一种神经网络：这种神经网络的目的是区分每一对人，因此只需对着一对人进行训练，网络的权系数隐含区分这一对人脸的个性特征，固网络的规模小，权系数少，存储量和训练时间也少。同时，对每一对人的训练只需这一对人的特征，与其他人无关，固系统具有良好的模块化结构，可扩展性能好。本节介绍基于多层感知器神经网络的人脸识别方法。
多层感知器是一个多层前馈神经网络，由输入层、一个或多个隐层以及一个输出层组成，其学习算法采用BP算法。多层感知器在训练的过程中，第一层权值决定了超平面在空间的取向，网络的不断训练，标志着由超平面所形成的超空间在不断的变化。在隐层数足够多的情况下，由超平面所形成的线性区域将无穷多，其第一隐层可以在模式空间实现各种超平面分割；第二隐层实现第一隐层的逻辑“与”运算，即将其分割的模式超平面空间按类别进行空间划分；而输出层由第二隐层的输出值进行逻辑“或”运算，即将进行逻辑