注：以前做過基於KNN算法的人臉識別，但是未做這樣的總結，這不今天面試被問到了，所以記錄了一番！
一.光照問題
光照問題是機器視覺中的老問題，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？
目前經常使用的方法有：直方圖均衡化處理，必要的話會對人臉區域的左、右臉分別進行直方圖均衡化，然后合並成整臉來克服光照的影響。Gabor小波受光照的影響較小。
二.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、准正而人臉圖像，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？
對於有一定偏轉角度的人臉，我們會首先對其進行擺正，即將人臉擺正成正臉，然后進行識別；對於表情變化較大的人臉，本人還沒有找到比較有效的方法。
三.遮擋問題
對於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着眼鏡，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？
進行人臉識別前，我們會首先對人臉部分進行特征點的標記，而且現在標記特征點時基本可以有效地避免以上因素的影響，問題就是在提取特征點周圍的特征時，這些遮擋會有一定的影響，不過影響不會太大。
四.年齡變化
隨着年齡的變化，面部外觀也在變化，特別是對於青少年，這種變化更加的明顯。對於不同的年齡段，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。
這個問題最直接的例子就是身份證照片的識別，在我國身份證的有效期一般都是20年，這20年間每個人的容貌必然會發生相當大的變化，所有在識別上也同樣存在很大的問題。
五.圖像質量
人臉圖像的來源可能多種多樣，由於采集設備的不同，得到的人臉圖像質量也不一樣，特別是對於那些低分辨率、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，對於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。
現在，我們在人臉識別時，一般采用的都是相同尺寸，清晰度很接近的人臉圖片，所以圖像質量問題基本可以解決，但是面對現實中更加復雜的問題，還需要繼續優化處理。
六.樣本缺乏
基於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。由於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？
當前的問題不僅有樣本不全的問題，還有就是，現在參與訓練的人臉圖像庫基本都是外國人的圖像，有關中國人、亞洲人的人臉圖像庫少之又少，給訓練人臉識別模型增加了難度。
七.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。但是對於海量數據，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？
當前我使用的系統的基本可以訓練上萬張的人臉圖像，但是訓練時間較長，使用並行處理會有較大的提升。對於更多的圖像數據，現在的深度學習、神經網絡也可以解決，不過對圖像的規格有很嚴格的要求，如：尺寸一致等等。
八.大規模人臉識別
隨着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？
當訓練圖像庫越來越大時，訓練的速度會有大幅度下降，但是對於一般的算法，識別率會有所提高。影響識別率的主要原因還是采集到的圖像質量。
綜上所述，我認為最最主要的問題是：光照、表情、年齡變化。