机器视觉系统应用之人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用工业相机或者工业摄像机采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。

最近在看人脸识别相关文献，根据文献总结归纳以下八大难点，我从难到易进行罗列。

其实，人脸识别算法研究已久，在背景简单的情形下，大部分算法都能很好的处理。但是，人脸识别的应用范围颇广，仅是简单图像测试，是远远不能满足现实需求的。而能否应对复杂情形下的图像，则成了检验各家方法的硬标准。

以下罗列该八个难点：

年龄变化

随着年龄的变化，面部外观也在变化，特别是对于青少年，这种变化更加的明显。对于不同的年龄段，人脸识别算法的识别率也不同。 不同时期的人脸像如何识别？少年、中年、老年。

图像质量

人脸图像的来源可能多种多样，由于采集设备的不同，得到的人脸图像质量也不一样，特别是对于那些低分辨率、噪声大、质量差的人脸图像(如手机摄像头拍摄的人脸图片、远程监控拍摄的图片等)如何进行有效地人脸识别是个需要关注的问题。同样的，对于高分辨图像对人脸识别算法的影响也需要进一步的研究。 摄像头，摄像机，远程监控，高端相机。。。。如何识别？图像质量参差不齐。

海量数据

传统人脸识别方法如PCA、LDA等在小规模数据中可以很容易进行训练学习。但是对于海量数据，这些方法其训练过程难以进行，甚至有可能崩溃。 如何解决海量数据的学习问题？

大规模人脸识别

随着人脸数据库规模的增长，人脸算法的性能将呈现下降。 如何维持或提高大规模应用环境下的人脸识别算法的识别率？

光照问题

光照问题是机器视觉重的老问题，在人脸识别中的表现尤为明显。目前方法未能达到使用的程度。 如何克服光照的影响？

姿态问题

与光照问题类似，姿态问题也是目前人脸识别研究中需要解决的一个技术难点。针对姿态的研究相对比较的少，目前多数的人脸识别算法主要针列正面、准正而人脸图像，当发生俯仰或者左右侧而比较厉害的情况下，人脸识别算法的识别率也将会急剧下降。 哭，笑，愤怒、仰头、低头，左侧脸，右侧脸，如何识别？

遮挡问题

对于非配合情况下的人脸图像采集，遮挡问题是一个非常严重的问题。特别是在监控环境下，往往彼监控对象都会带着眼镜，帽子等饰物，使得被采集出来的人脸图像有可能不完整，从而影响了后面的特征提取与识别，甚至会导致人脸检测算法的失效。 眼睛，帽子、刘海，伤疤，如何识别？

样本缺乏

基于统计学习的人脸识别算法是目前人脸识别领域中的主流算法，但是统计学习方法需要大量的训练。由于人脸图像在高维空间中的分布是一个不规则的流形分布，能得到的样本只是对人脸图像空间中的一个极小部分的采样，如何解决小样本下的统计学习问题有待进一步的研究。 学习样本不全怎么办，谁能保证样本的完备性？