文献综述
一、选题背景近年来，面部识别一直是很多学者们研究的热点问题。
睁闭眼检测实际上就是瞳孔位置检测，属于面部识别的一个分支。
面部识别算法目前主要分为两种：一种是机器学习算法，本质主要是通过设定人脸特征再结合Adabost等分类算法加以实现；第二种是近年来比较流行的结合深度学习的人脸识别算法。
基于深度学习的人脸识别算法一般采用卷积神经网络（Convolutional Neural Networks,CNN）来实现。
卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一。
卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）。
对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求。
发展至今，基于CNN的面部识别算法在准确率上已经趋于100% ，并且有越来越多效果很好的网络相续出现。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
