人脸识别的常用方法总结

     人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)，自动进行身份鉴别一种技术，它综合运用了数字图像/视频处理、模式识别等多种技术。

　　1、人脸识别技术概念
　　人脸识别(Face Recognition)是一种依据人的面部特征(如统计或几何特征等)，自动进行身份鉴别蝗一种技术，它综合运用了数字图像/视频处理、模式识别等多种技术。
　　广义上的人脸识虽指对人体脸部的识别，特指脸部眼、鼻、口以及面颊等部位的识别。人脸识别技术又称为面像识别。人脸识别技术又称为面像识别、人像识别、相貌识别、面孔识别、面部识别等。这些叫法的含义有细微的差别，特定意义上的人脸识别一般依据视频中活体人脸进行身份识别，比如门禁等应用，而面像识别、人像识别则强调的是像，以确定人像图片中人物的身份为主，比如照片、画像比对等应用。
　　人脸识别主要依据人脸上的特征，依据那些在不同个体之间存在较大差异而对于同一个人比较稳定的度量。由于人脸变化复杂，因此特征表述和特征提取十分困难。诸多因素使人脸识别成为一项极富挑战性的课题。

　　2、人脸识别技术三个主要环节
　　 人脸检测(Face Detection):实现人脸自动提取采集，从摄像机视野或图片内的复杂背景图像中自动提取人的面部图像。确认检测目标的人脸属性。
　　 人脸确认(Face Verification):将某人面像与指定人员面像进行一对一的比对，根据其相似程度(一般以是否达到或超过某一量化的可信度指标/阀值为依据)来判断二者是否是同一人。
　　 人脸鉴别(Face Identification)：将某人面像与数据库中的多人的人脸进行比对(有时也称“一对多”比对)，并根据比对结果来鉴定此人身份，或找到其中最相似的人脸，并按相似程度的大小输出检索结果。

　　3、人脸确认与鉴别的两种使用模式
　 　身份指认(Judgment)：在该种模式下，计算机需要明确回答某人的身份是或非，给出问题的明确解答，通常用于数量和范围有限人群的识别，比如门禁等。
　 　身份检索(Search)：计算机不需要明确回答某人的身份是或非，只需给出

　　4、人脸识别的基本方法
　　4.1 几何特征的人脸识别方法 　　几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。 
　　4.2 基于特征脸（PCA）的人脸识别方法
　　特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

　　4.3 神经网络的人脸识别方法
　　神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

　　4.4 弹性图匹配的人脸识别方法
　　弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

　　4.5 线段Hausdorff 距离(LHD) 的人脸识别方法
　　心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

　　4.6 支持向量机(SVM) 的人脸识别方法

　　近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

原帖：http://cvchina.net/thread-520-1-1.html