摘要：
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。对于不同的年龄段，人脸识别算法的识别率也不同。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。六.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。
注：以前做过基于KNN算法的人脸识别，但是未做这样的总结，这不今天面试被问到了，所以记录了一番！
一.光照问题光照问题是机器视觉中的老问题，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？
目前经常使用的方法有：直方图均衡化处理，必要的话会对人脸区域的左、右脸分别进行直方图均衡化，然后合并成整脸来克服光照的影响。Gabor小波受光照的影响较小。
二.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？
对于有一定偏转角度的人脸，我们会首先对其进行摆正，即将人脸摆正成正脸，然后进行识别；对于表情变化较大的人脸，本人还没有找到比较有效的方法。
三.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？
进行人脸识别前，我们会首先对人脸部分进行特征点的标记，而且现在标记特征点时基本可以有效地避免以上因素的影响，问题就是在提取特征点周围的特征时，这些遮挡会有一定的影响，不过影响不会太大。
四.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。
这个问题最直接的例子就是身份证照片的识别，在我国身份证的有效期一般都是20年，这20年间每个人的容貌必然会发生相当大的变化，所有在识别上也同样存在很大的问题。
五.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。
现在，我们在人脸识别时，一般采用的都是相同尺寸，清晰度很接近的人脸图片，所以图像质量问题基本可以解决，但是面对现实中更加复杂的问题，还需要继续优化处理。
六.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？
当前的问题不仅有样本不全的问题，还有就是，现在参与训练的人脸图像库基本都是外国人的图像，有关中国人、亚洲人的人脸图像库少之又少，给训练人脸识别模型增加了难度。
七.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？
当前我使用的系统的基本可以训练上万张的人脸图像，但是训练时间较长，使用并行处理会有较大的提升。对于更多的图像数据，现在的深度学习、神经网络也可以解决，不过对图像的规格有很严格的要求，如：尺寸一致等等。
八.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？
当训练图像库越来越大时，训练的速度会有大幅度下降，但是对于一般的算法，识别率会有所提高。影响识别率的主要原因还是采集到的图像质量。
综上所述，我认为最最主要的问题是：光照、表情、年龄变化。