機器視覺系統應用之人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用工業相機或者工業攝像機采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。

最近在看人臉識別相關文獻，根據文獻總結歸納以下八大難點，我從難到易進行羅列。

其實，人臉識別算法研究已久，在背景簡單的情形下，大部分算法都能很好的處理。但是，人臉識別的應用范圍頗廣，僅是簡單圖像測試，是遠遠不能滿足現實需求的。而能否應對復雜情形下的圖像，則成了檢驗各家方法的硬標準。

以下羅列該八個難點：

年齡變化

隨著年齡的變化，面部外觀也在變化，特別是對于青少年，這種變化更加的明顯。對于不同的年齡段，人臉識別算法的識別率也不同。 不同時期的人臉像如何識別？少年、中年、老年。

圖像質量

人臉圖像的來源可能多種多樣，由于采集設備的不同，得到的人臉圖像質量也不一樣，特別是對于那些低分辨率、噪聲大、質量差的人臉圖像(如手機攝像頭拍攝的人臉圖片、遠程監控拍攝的圖片等)如何進行有效地人臉識別是個需要關注的問題。同樣的，對于高分辨圖像對人臉識別算法的影響也需要進一步的研究。 攝像頭，攝像機，遠程監控，高端相機。。。。如何識別？圖像質量參差不齊。

海量數據

傳統人臉識別方法如PCA、LDA等在小規模數據中可以很容易進行訓練學習。但是對于海量數據，這些方法其訓練過程難以進行，甚至有可能崩潰。 如何解決海量數據的學習問題？

大規模人臉識別

隨著人臉數據庫規模的增長，人臉算法的性能將呈現下降。 如何維持或提高大規模應用環境下的人臉識別算法的識別率？

光照問題

光照問題是機器視覺重的老問題，在人臉識別中的表現尤為明顯。目前方法未能達到使用的程度。 如何克服光照的影響？

姿態問題

與光照問題類似，姿態問題也是目前人臉識別研究中需要解決的一個技術難點。針對姿態的研究相對比較的少，目前多數的人臉識別算法主要針列正面、準正而人臉圖像，當發生俯仰或者左右側而比較厲害的情況下，人臉識別算法的識別率也將會急劇下降。 哭，笑，憤怒、仰頭、低頭，左側臉，右側臉，如何識別？

遮擋問題

對于非配合情況下的人臉圖像采集，遮擋問題是一個非常嚴重的問題。特別是在監控環境下，往往彼監控對象都會帶著眼鏡，帽子等飾物，使得被采集出來的人臉圖像有可能不完整，從而影響了后面的特征提取與識別，甚至會導致人臉檢測算法的失效。 眼睛，帽子、劉海，傷疤，如何識別？

樣本缺乏

基于統計學習的人臉識別算法是目前人臉識別領域中的主流算法，但是統計學習方法需要大量的訓練。由于人臉圖像在高維空間中的分布是一個不規則的流形分布，能得到的樣本只是對人臉圖像空間中的一個極小部分的采樣，如何解決小樣本下的統計學習問題有待進一步的研究。 學習樣本不全怎么辦，誰能保證樣本的完備性？