Se han realizado muchos estudios activamente sobre el reconocimiento humano en entornos interiores y exteriores. Esto se debe a que los métodos de reconocimiento humano en tales entornos están estrechamente relacionados con situaciones de la vida cotidiana. Además, estos métodos pueden aplicarse para encontrar niños desaparecidos e identificar criminales. Los métodos de reconocimiento humano en entornos interiores y exteriores se pueden clasificar en tres categorías: métodos basados en la cara, el cuerpo y la marcha. Hay varios factores que dificultan el reconocimiento humano en interiores y exteriores, por ejemplo, el desenfoque de las imágenes capturadas, el corte en las imágenes debido al ángulo de la cámara y el escaso reconocimiento en imágenes adquiridas en entornos de baja iluminación. Estudios anteriores realizados para resolver estos problemas se centraron únicamente en el reconocimiento facial. Esto se debe a que se asume típicamente que la cara contiene información más importante para el reconocimiento humano que el cuerpo. Sin embargo, cuando una cara humana capturada por una cámara distante es pequeña, o incluso imposible de identificar a simple vista, la información del cuerpo puede ayudar con el reconocimiento. Por esta razón, este artículo de revisión examina tanto los métodos de reconocimiento humano basados en la cara como en el cuerpo. En encuestas anteriores, se revisaron reconocimientos en imágenes de baja resolución. Sin embargo, los documentos de encuesta sobre imágenes borrosas no son exhaustivos. Por lo tanto, en este artículo, revisamos detalladamente los estudios sobre la restauración de imágenes borrosas clasificándolos en función de si se utilizó aprendizaje profundo y si se combinaron la cara y el cuerpo humano. Aunque los documentos de encuesta anteriores sobre el reconocimiento cubrieron también entornos de baja iluminación, excluyeron los métodos de aprendizaje profundo. Por lo tanto, en esta encuesta, también incluimos detalles sobre los métodos de reconocimiento de imágenes de baja iluminación basados en el aprendizaje profundo. Nuestro objetivo es ayudar a los investigadores que estudiarán campos relacionados en el futuro.