人臉識别算法:人臉檢測技術-中文百科頻道

分類

二維人臉識别算法

目前的人臉識别方法主要集中在二維圖像方面，二維人臉識别主要利用分布在人臉上從低到高80個節點或标點，通過測量眼睛、顴骨、下巴等之間的間距來進行身份認證。人臉識别算法主要有：

1.基于模闆匹配的方法:模闆分為二維模闆和三維模闆，核心思想:利用人的臉部特征規律建立一個立體可調的模型框架,在定位出人的臉部位置後用模型框架定位和調整人的臉部特征部位,解決人臉識别過程中的觀察角度、遮擋和表情變化等因素影響。

2.基于奇異值特征方法：人臉圖像矩陣的奇異值特征反映了圖像的本質屬性，可以利用它來進行分類識别。

3.子空間分析法：因其具有描述性強、計算代價小、易實現及可分性好等特點，被廣泛地應用于人臉特征提取，成為了當前人臉識别的主流方法之一。

4.局部保持投影(Locality Preserving Projections，LPP)是一種新的子空間分析方法，它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統線性方法難以保持原始數據非線性流形的缺點，又解決了非線性方法難以獲得新樣本點低維投影的缺點。

5.主成分分析(PCA)

PCA模式識别領域一種重要的方法，現在已被廣泛地應用于人臉識别算法中，基于PCA人臉識别系統在應用中面臨着一個重要障礙：增量學習問題。增量PCA算法由新增樣本重構最為重要PCS，但該方法随着樣本的增加，需要不斷舍棄一些不重要PC，以維持子空間維數不變，因而該方法精度稍差。

6.其他方法：彈性匹配方法、特征臉法(基于KL變換)、人工神經網絡法、支持向量機法、基于積分圖像特征法(adaboost學習)、基于概率模型法。

三維人臉識别算法

二維人臉識别方法的最大不足是在面臨姿态、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識别的準确度受到很大限制，而這些都是人臉在自然狀态下會随時表現出來的。三維人臉識别可以極大的提高識别精度，真正的三維人臉識别是利用深度圖像進行研究，自90年代初期開始，已經有了一定的進展。三維人臉識别方法有：

1.基于圖像特征的方法：采取了從3D結構中分離出姿态的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向；然後，在保持姿态固定的情況下，去作臉部不同特征點(這些特征點是人工的鑒别出來)的局部匹配。

2.基于模型可變參數的方法：使用将通用人臉模型的3D變形和基于距離映射的矩陣叠代最小相結合，去恢複頭部姿态和3D人臉。随着模型形變的關聯關系的改變不斷更新姿态參數，重複此過程直到最小化尺度達到要求。基于模型可變參數的方法與基于圖像特征的方法的最大區别在于：後者在人臉姿态每變化一次後，需要重新搜索特征點的坐标，而前者隻需調整3D變形模型的參數。