[Face Rec]人脸识别的算法

1 基于图像

大约有十四种算法目前被广泛运用于人脸识别，譬如PCA、ICA、LDA和EP。

1.1 PCA

从卡洛的变换所获得。鉴于在训练图像集的每个面的S维向量表示，主成分分析（PCA）趋向于找到的T维的子空间，其基本向量对应于原图象空间的最大方差的方向。这种新的子空间通常是低维（T << S）。如果图像元素被视为随机变量，则PCA基向量被定义为散布矩阵的特征向量。

1.2 ICA

1.3 LDA

线性判别分析（LDA）发现在类之间最鉴别底层空间向量。对于所有类的类间散布矩阵的所有样本小号乙与类内散布矩阵小号W¯¯ 定义。的目标是最大化小号乙同时最小化小号w ^，换句话说，最大化的比率DET | 小号乙 | / DET | 小号w ^ | 。当投影矩阵的列矢量是（的特征向量该比率被最大化小号W¯¯ ^ -1×S 乙）。

1.4 EP

用于搜索投影的最佳组AA基于本征空间的自适应方法轴，以便最大限度地适应度函数，在相同的时间测量系统的分类精度和泛化能力。由于此问题的解空间的尺寸太大，它使用的是特定种类的遗传算法称为演化追求（EP）解决。

1.5 EBGM

弹性束图匹配（EBGM）。所有的人脸有着相似的拓扑结构。面被表示为曲线图，与位于基准点的节点。（EXE文件，鼻子......）和标记有2-d的距离向量边缘。每个节点包含在不同尺度和方向（相位，振幅）的一组40个复Gabor小波系数。他们被称为“喷气机”。识别是基于标记的图。将标记图是一组由边缘连接的节点，节点被标记有射流，边缘标记有距离。

1.6 Kernel方法

子空间中面对歧管不必是线性的。Kernel方法是线性方法的概括。直接非线性流方案探讨学习这种非线性多方面的。

1.7 迹变换

迹变换，拉东的一般化变换，对于能够被用于下变换识别对象的图像处理，例如旋转，平移和缩放的新工具。以产生轨迹变换一个计算沿跟踪一个图像的行的功能。不同的跟踪转换可以从一个图像使用不同的迹泛函来制造。

1.8 AAM

一个主动外观模型（AAM）是结合了形状变化的模型的形状归一化的帧的外观变化的模型的集成统计模型。的AAM中包含的统计模型如果其可以推广到几乎任何有效的例子感兴趣对象的形状和灰度外观。匹配的图像包括寻找其最小化图像并投影到图像合成模型实例之间的差异的模型参数。

1.9 3-d形变模型

人脸是卧在3-d空间内在的表面。因此，3-d模式应该是用于表示面更好，尤其是处理的面部变化，例如姿态，照明等Blantz等。提出了一种基于一个3-d形变脸部模型编码形状和纹理中的模型参数而言，从一个面的单个图像恢复这些参数的方法和算法。

1.10 3-d人脸识别

这种方法的主要新颖之处在于，比较表面独立于面部表情造成的自然变形的能力。首先，范围图像和面部的纹理获取。接着，距离图像是通过去除某些部分，例如头发，它可以识别过程复杂化预处理。最后，面部表面的规范形式进行计算。这样的表示是不敏感的头部方向和面部表情，从而显著简化了识别过程。识别本身是规范的表面上进行。

1.11 贝叶斯框架

一种概率相似性度量基于贝叶斯信念，即图像强度差异是在个体的外观的典型变化的特性。两个类面部图像的变化被定义：内省变化和extrapersonal变化。面之间的相似是利用贝叶斯法则措施。

1.12 SVM

给定一组属于两类点，支持向量机（SVM）发现，分隔在同一侧同一类的点的最大可能的分数，同时最大限度地从任一类超平面的距离的超平面。PCA首先用于每对图像的支持向量机通过被学习之间提取的面部图像的特征，然后鉴别功能。

1.13 HMM

隐马尔可夫模型（HMM）是一组用于表征信号的统计属性的统计模型。HMM由两个相互关联的过程：（1）底层，不可观测马尔科夫链具有有限数量的状态，状态转变概率矩阵和的初始状态的概率分布和（2）一组与每个状态相关联的概率密度函数。

1.14 推进＆合奏解决方案

推进背后的想法是使用顺序设定来概括一组同类型的分类给定的训练样本的加权变弱学习。尽管任何个人分类器可以执行比随机猜测略好，形成的合奏可以提供非常精确的（强）分类器。Viola和Jones使用的AdaBoost，这被认为是人脸检测研究的一个显着的突破，打造的第一个实时人脸检测系统。在另一方面，郭等人的论文。使用的是AdaBoost的方法在脸上recogntion第一途径。

2 基于视频

在过去的几年中越来越多的研究已经在人脸识别，从图像序列的区域已经完成。从真正的监控录像承认人类是因为图像的低质量，因为人脸图像都是小困难。尽管如此，很多改进已经完成了。

申明：本文全部经作者总结摘自face-rec