人脸识别系统的技术难点有哪些
虽然人脸识别系统到现在已经发展了3、40年，但是它一直存在的几个难点到现在也没有完全解决。
1.照明问题
光照是机器视觉的一个老问题，尤其是在人脸识别中。由于人脸的3D结构，光线投下的阴影会加强或削弱原有的五官。
2.表情和姿势的问题。
与光照问题类似，姿态问题是当前人脸识别研究中需要解决的技术难点。姿态问题涉及到头部在三维垂直坐标系中绕三个轴旋转引起的面部变化，其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分丢失。关于体态的研究相对较少。目前大部分人脸识别算法主要针对人脸图像，在俯仰或者左右严重的情况下，人脸识别算法的识别率也会急剧下降。哭、笑、怒等面部表情变化。幅度大也反映了面部识别的准确性。
3.遮挡问题
在非合作人脸图像采集的情况下，遮挡是一个非常严重的问题。特别是在监控环境中，被监控对象往往戴着眼镜、帽子等饰品，可能会使采集到的人脸图像不完整，从而影响后续的特征提取和识别，甚至导致人脸检测算法的失败。
4.年龄变化
随着年龄的变化，面部容貌也发生变化，尤其是对于青少年来说，这种变化更为明显。对于不同的年龄段，人脸识别算法的识别率也是不同的。当一个人变得年轻和年老时，他的外貌可能会发生很大的变化，从而导致识别率的下降。对于不同的年龄段，人脸识别算法的识别率也是不同的。
5.人脸相似度
不同个体之间差别不大。所有的脸在结构上都是相似的，甚至面部器官的结构和形状也是相似的。该特征有利于定位人脸，但不利于利用人脸区分人类个体。
6.图像质量
人脸图像的来源可能是多种多样的，由于采集设备的不同，得到的人脸图像质量也不同，特别是对于那些低分辨率、有噪声、质量差的人脸图像(如手机摄像头拍摄的人脸图像、远程监控拍摄的图片等。)，如何有效的识别人脸是一个需要注意的问题。同样，高分辨率图像对人脸识别算法的影响也需要进一步研究。
7.缺少样品
基于统计学习的人脸识别算法是目前人脸识别领域的主流算法，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种不规则的流形分布，所能获得的样本只是人脸图像空间的极小一部分。如何解决小样本的统计学习问题需要进一步研究。
8.海量数据
传统的人脸识别方法，如PCA和LDA，可以很容易地在小规模数据中训练和学习。但是对于海量数据，这些方法的训练过程是困难的，甚至可能崩溃。
9.大规模人脸识别
随着人脸数据库的增长，人脸算法的性能会下降。
