人臉識別技術(shù)自上世紀60年代迄今，已取得了長足的發(fā)展，涌現(xiàn)出了大量的識別算法。這些算法的涉及到了眾多學科，難以用一個統(tǒng)一的標準對這些算法進行分類。下面介紹兩類人臉識別算法。

1、臉部特征識別算法

       特征臉方法利用主分量分析進行降維和提取特征。主分量分析是一種應(yīng)用十分廣泛的數(shù)據(jù)降維技術(shù)，該方法選擇與原數(shù)據(jù)協(xié)方差矩陣前幾個最大特征值對應(yīng)的特征向量構(gòu)成一組基，以達到最佳表征原數(shù)據(jù)的目的。因為由主分量分析提取的特征向量返回成圖像時，看上去仍像人臉，所以這些特征向量被稱為“特征臉”。

       在人臉識別中，由一組特征臉基圖象張成一個特征臉子空間，任何一幅人臉圖象（減去平均人臉后）都可投影到該子空間，得到一個權(quán)值向量。計算此向量和訓練集中每個人的權(quán)值向量之間的歐式距離，取最小距離所對應(yīng)的人臉圖像的身份作為測試人臉圖像的身份。

       下圖給出了主分量分析的應(yīng)用例子。圖中最左邊的為平均臉，其他地為對應(yīng) 7 個最大特征值的特征向量。

        主分量分析是一種無監(jiān)督學習方法，主分量是指向數(shù)據(jù)能量分布最大的軸線方向，因此可以從最小均方誤差意義下對數(shù)據(jù)進行最優(yōu)的表達。但是就分類任務(wù)而言，由主分量分析得到的特征卻不能保證可以將各個類別最好地區(qū)分開來。

        線性鑒別分析是一種著名的模式識別方法，通過將樣本線性變換到一個新的空間，使樣本的類內(nèi)散布程度達到最小，同時類間散布程度達到最大，即著名的 Fisher 準則。

2、彈性圖匹配

        Lades 等人針對畸變不變性的物體識別問題提出了一種基于動態(tài)連接結(jié)構(gòu)的彈性圖匹配方法，并將其應(yīng)用于人臉識別。所有人臉圖像都有相似的拓撲結(jié)構(gòu)。人臉都可表示成圖，圖中的節(jié)點是一些基準點（如眼睛，鼻尖等），圖中的邊是這些基準點之間的連線。

       每個節(jié)點包含 40 個 Gabor 小波（一種數(shù)字信號變換方法）系數(shù)，包括相位和幅度，這些系數(shù)合起來稱為一個 Jet ，這些小波系數(shù)是原始圖像和一組具有 5 個頻率、 8 個方向的 Gabor 小波卷積（一種數(shù)字信號處理算子）得到的。這樣每幅圖就像被貼了標簽一樣，其中的點被 Jets 標定，邊被點之間的距離標定。所以一張人臉的幾何形狀就被編碼為圖中的邊，而灰度值的分布被編碼為圖中的節(jié)點。如下圖所示：

彈性圖匹配方法中人臉的彈性束圖表示

        為了識別一張新的人臉，需要從該人臉中找到基準點，提取出一個人臉圖，這可用彈性圖匹配得到。彈性圖匹配的目的是在新的人臉中找到基準點，并且提取出一幅圖，這幅圖和現(xiàn)有的人臉束圖之間的相似度最大。經(jīng)過彈性圖匹配后，新的人臉的圖就被提取出來了，此圖就表征了新的人臉，用它作為特征進行識別。進行識別時，計算測試人臉和現(xiàn)有人臉束圖中的所有人臉之間的相似度，相似度最大的人臉的身份即為測試人臉的身份。

 由于該方法利用 Gabor 小波變換來描述面部特征點的局部信息，因此受光照影響較小。此外，在彈性匹配的過程中，網(wǎng)格的形狀隨著特征點的搜索而不斷變化，因此對姿態(tài)的變化也具有一定的自適應(yīng)性。該方法的主要缺點是搜索過程中代價函數(shù)優(yōu)化的計算量巨大，因而造成識別速度較慢，導致該方法的實用性不強。

[聯(lián)系我們] 常錦鵬 13423996558