近年来，人脸识别在计算机视觉技术中属于热门领域。这可以归结于该技术的应用领域较为广泛，并且随着机器学习，乃至迁移学习技术的发展，人脸识别的准确性，鲁棒性都有较大的提升。

人脸识别从技术实现顺序上，可以分为图像识别，人脸检测，特征提取及表示。而人脸识别的发展历史，更主要集中在人脸特征提取、表示上。从半个世纪前的“几何特征”发展到如今的“表示学习”，人脸识别技术已获得了重大突破。整个人脸识别技术的发展可以分为三个阶段：1990年前以基于几何结构特征的方法和基于模板匹配的方法为主；1990至1997年随着FERET人脸图像数据库的建立，催生了诸如特征脸Eigen –Face以及基于子空间分析的人脸识别算法，引入了降维处理的概念；1998年至今，大量新技术如采用深度学习的无监督学习局部描述子，有监督学习在AFR的应用将人脸识别的准确率提升到90%以上，开启了“表示学习”的时代。

深度学习这一概念，最早在2006年由Hinton在《Science》上提出。作为一种特征学习方法，其各层的特征可以通过学习过程从数据中获取。在此之前，人工智能领域的研究还集中在NN和CNN上，而2006年由Hinton提出的深度信念网络DBN，包含了大量隐层网络并具有较强的特征学习能力。2012年Andrew Ng发起的GoogleBrain项目利用多个CPU的分布式计算则正式构建了“深度神经网络”的类脑学习模型。而DCNN即是深度学习算法的一种，主要应用于计算机视觉领域，目前主要以GPU来加快其训练速度。近年来，得益于更强大的计算机、更大的数据集和能够训练更深网络的技术，DCNN的普及性和实用性都有了极大的发展，并具有独到的优点和出色的性能，已成为该技术领域的佼佼者。在未来几年充满了进一步提高深度学习并将它带到新领域的挑战和机遇，因此本次毕业设计围绕基于DCNN技术的人脸识别展开。设计的意义是：

人脸识别主要的应用领域有：（1）交通，客运行业，例如机场、火车站及长途汽车站等入口、安检处，需要验证核对身份信息（如车票、身份证），检测无误后方可通过，而且当出现操作不当或身份证过期等突发情况，往往会造成等候时间延长，从未导致拥堵、错过班次等问题，如果使用人脸识别技术录入交通部后台数据库，可以为旅客节约大量排队时间，也能够保证进站人员信息的准确性；（2）消费支付、加密支付乃至合同签收等领域，随着人均消费水平的提高以及经济、金融业交易的日益频繁，急需一种快速且安全的身份验证方式。如果使用“扫脸”付款或者面部识别以确认签署合同。则可以有效提高消费安全性以及业务处理效率。（3）公共安全领域，通过传统方式寻找可疑人员或犯罪分子往往需要通过摄像头、监视器视屏录像进行查找，并将信息经过反复的取证、调查和比对确认，往往会需要大量的时间并可能会错过最佳抓捕时机。若采用人脸识别技术，则可以将该过程从“目标查找”到“目标确认”的时间大大缩短，能有效提高公共安全部门的办案效率。

2. 研究的基本内容与方案