传统人脸识别算法及缺点

       人脸识别一直是计算机视觉领域中关注的焦点，而且这些年来围绕该研究课题产生的人脸识别算法也是层出不穷，而降维思想一直是众多经典的人脸识别算法中一个主要解决技巧，它的主要目标就是要从原始的人脸图像中发现隐藏的关键结构信息。

1.主成分分析法

       主成分分析算法，又叫PCA，通过选择原始图像中的主要组成部分来降低输入图像的维度，并且依然还保存了全局的欧几里德结构。此外，像邻域保值映射（NPE）和线性判别分析（LDA）等算法，都是采用了与PCA一样的降维策略。而且这些算法也都是非常经典和流行的，且容易操作实现。然而，随着进一步的研究发现，这些算法在发现线性结构时可以展现强大的功效，但是当面对潜在的非线性结构时，它们往往取得不理想的识别效果。

2.拉普拉斯特征图法

这些非线性方法成功保留了训练数据之间小的邻域中的局部结构信息，但是当应用到测试数据集中时，它们就不能为识别问题获得清楚的特征图了。

3.局部保值映射

       为了克服这些非线性方法中存在的缺点，一个基于流形学习的标志性人脸识别算法诞生了----局部保值映射（LPP），该算法是由现在任浙江大学教授的何晓飞提出.LPP能够在流形空间中近似出拉普拉斯＆贝尔特拉米操作符的特征函数，并且新的测试数据点也可以成功地映射到这个学习到的子空间中。不过，LPP可以精确地获得邻间图像的局部结构，但是却不能提取原始图像中固有的特征结构。

4.稀疏表示

       随着稀疏表示的逐渐发展和流行，John Wright等人提出了一个新的人的脸识别理论，那便是使用稀疏信号表示来处理人脸识别问题，并且这个方法提到，如果在人脸识别问题中稀疏理论可以得到合理地利用，那么特征的选择问题将不再是关键难点。因此，这个稀疏表示方法的关键点就在于正确地计算稀疏表达，而且还需要人为的设定相关的信息，而非自动学习表示。

5.神经网络降维法

       神经网络其实是一个好的降维方法，并且可以自动从原始图像中学习特征，然而传统的神经网络在面对巨大的网络参数问题时而束手无策，外加上过拟合问题导致的测试效果下降等因素。此外，这些传统神经网络不能高效地训练数据量大的原始图像集，而且随着训练数据的增加，特征提取精度会随之下降。不仅如此，由于当时计算机硬件设备的落后，这些传统的神经网络在训练时间问题上展示出了低效的表现，这也间接导致很多学者放弃了对于神经网络在特征提取中的研究和使用。

传统的人脸识别算法存在如下几个问题：

1.  传统人脸识别算法所产生并且使用的特征可以被认为属于浅层特征，而且不能从原始图像中获取更加深入的高语义特征以及其深度特征。

2.  为了获得好的识别效果，这些传统人脸识别算法必须结合人造特征的帮助，而人为设定的特征在特征提取和识别过程中通常会带来不可期望的人为因素和误差。

3.  在没有人为的干预下，传统人脸识别算法往往不能自动地从原始图像中提取有用的识别特征，而且当面对大数据的情况下，传统方法往往展现出自身存在的不足和困难。