探秘人臉識別技術(shù)

  什么是人臉識別技術(shù)？這到底會(huì)給我們的生活帶來怎樣的改變呢？ 

什么是人臉識別技術(shù)

人臉識別技術(shù)，是基于人的臉部特征信息進(jìn)行身份識別的一種生物識別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行臉部的一系列相關(guān)技術(shù)，通常也叫做人像識別、面部識別。傳統(tǒng)的人臉識別技術(shù)主要是基于可見光圖像的人臉識別，這也是人們熟悉的識別方式。簡單的來說就是一個(gè)讓計(jì)算機(jī)認(rèn)出你的過程。

人臉識別技術(shù)主要是通過人臉圖像特征的提取與對比來進(jìn)行的。人臉識別系統(tǒng)將提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲(chǔ)的特征模板進(jìn)行搜索匹配，通過設(shè)定一個(gè)閾值，當(dāng)相似度超過這一閾值，則把匹配得到的結(jié)果輸出。將待識別的人臉特征與已得到的人臉特征模板進(jìn)行比較，根據(jù)相似程度對人臉的身份信息進(jìn)行判斷。這一過程又分為兩類：一類是確認(rèn)，是一對一進(jìn)行圖像比較的過程，另一類是辨認(rèn)，是一對多進(jìn)行圖像匹配對比的過程。

廣義的人臉識別實(shí)際包括構(gòu)建人臉識別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識別特指通過人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

人臉識別技術(shù)特點(diǎn)

傳統(tǒng)的人臉識別技術(shù)主要是基于可見光圖像的人臉識別，這也是人們最熟悉的識別方式，已有30多年的研發(fā)歷史。但這種方式有著難以克服的缺陷，尤其在環(huán)境光照發(fā)生變化時(shí)，識別效果會(huì)急劇下降，無法滿足實(shí)際系統(tǒng)的需要。解決光照問題的方案有三維圖像人臉識別，和熱成像人臉識別。但這兩種技術(shù)還遠(yuǎn)不成熟，識別效果不盡人意。

迅速發(fā)展起來的一種解決方案是基于主動(dòng)近紅外圖像的多光源人臉識別技術(shù)。它可以克服光線變化的影響，已經(jīng)取得了卓越的識別性能，在精度、穩(wěn)定性和速度方面的整體系統(tǒng)性能超過三維圖像人臉識別。這項(xiàng)技術(shù)在近兩三年發(fā)展迅速，使人臉識別技術(shù)逐漸走向?qū)嵱没?/p>

人臉與人體的其它生物特征（指紋、虹膜等）一樣與生俱來，它的唯一性和不易被復(fù)制的良好特性為身份鑒別提供了必要的前提。

與其它類型的生物識別比較人臉識別具有如下特點(diǎn)：

非強(qiáng)制性：用戶不需要專門配合人臉采集設(shè)備，幾乎可以在無意識的狀態(tài)下就可獲取人臉圖像，這樣的取樣方式?jīng)]有“強(qiáng)制性”；

非接觸性：用戶不需要和設(shè)備直接接觸就能獲取人臉圖像；

并發(fā)性：在實(shí)際應(yīng)用場景下可以進(jìn)行多個(gè)人臉的分揀、判斷及識別；

除此之外，還符合視覺特性：“以貌識人”的特性，以及操作簡單、結(jié)果直觀、隱蔽性好等特點(diǎn)。

人臉識別技術(shù)流程

人臉識別系統(tǒng)主要包括四個(gè)組成部分，分別為：人臉圖像采集及檢測、人臉圖像預(yù)處理、人臉圖像特征提取以及匹配與識別。

人臉圖像采集及檢測

人臉圖像采集：不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態(tài)圖像、動(dòng)態(tài)圖像、不同的位置、不同表情等方面都可以得到很好的采集。當(dāng)用戶在采集設(shè)備的拍攝范圍內(nèi)時(shí)，采集設(shè)備會(huì)自動(dòng)搜索并拍攝用戶的人臉圖像。

人臉檢測：人臉檢測在實(shí)際中主要用于人臉識別的預(yù)處理，即在圖像中準(zhǔn)確標(biāo)定出人臉的位置和大小。人臉圖像中包含的模式特征十分豐富，如直方圖特征、顏色特征、模板特征、結(jié)構(gòu)特征及Haar特征等。人臉檢測就是把這其中有用的信息挑出來，并利用這些特征實(shí)現(xiàn)人臉檢測。

主流的人臉檢測方法基于以上特征采用Adaboost學(xué)習(xí)算法，Adaboost算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強(qiáng)的分類方法。

人臉檢測過程中使用Adaboost算法挑選出一些最能代表人臉的矩形特征(弱分類器)，按照加權(quán)投票的方式將弱分類器構(gòu)造為一個(gè)強(qiáng)分類器，再將訓(xùn)練得到的若干強(qiáng)分類器串聯(lián)組成一個(gè)級聯(lián)結(jié)構(gòu)的層疊分類器，有效地提高分類器的檢測速度。

人臉圖像預(yù)處理

人臉圖像預(yù)處理：對于人臉的圖像預(yù)處理是基于人臉檢測結(jié)果，對圖像進(jìn)行處理并最終服務(wù)于特征提取的過程。系統(tǒng)獲取的原始圖像由于受到各種條件的限制和隨機(jī) 干擾，往往不能直接使用，必須在圖像處理的早期階段對它進(jìn)行灰度校正、噪聲過濾等圖像預(yù)處理。對于人臉圖像而言，其預(yù)處理過程主要包括人臉圖像的光線補(bǔ) 償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

人臉圖像特征提取

人臉圖像特征提取：人臉識別系統(tǒng)可使用的特征通常分為視覺特征、像素統(tǒng)計(jì)特征、人臉圖像變換系數(shù)特征、人臉圖像代數(shù) 特征等。人臉特征提取就是針對人臉的某些特征進(jìn)行的。人臉特征提取，也稱人臉表征，它是對人臉進(jìn)行特征建模的過程。人臉特征提取的方法歸納起來分為兩大 類：一種是基于知識的表征方法；另外一種是基于代數(shù)特征或統(tǒng)計(jì)學(xué)習(xí)的表征方法。

基于知識的表征方法主要是根據(jù)人臉器官的形狀描述以及他們之間的距離特性來獲得有助于人臉分類的特征數(shù)據(jù)，其特征分 量通常包括特征點(diǎn)間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構(gòu)成，對這些局部和它們之間結(jié)構(gòu)關(guān)系的幾何描述，可作為識別人臉的重要特 征，這些特征被稱為幾何特征?；谥R的人臉表征主要包括基于幾何特征的方法和模板匹配法。

人臉圖像匹配與識別

人臉圖像匹配與識別：提取的人臉圖像的特征數(shù)據(jù)與數(shù)據(jù)庫中存儲(chǔ)的特征模板進(jìn)行搜索匹配，通過設(shè)定一個(gè)閾值，當(dāng)相似度超過這一閾值，則把匹配得到的結(jié)果輸 出。人臉識別就是將待識別的人臉特征與已得到的人臉特征模板進(jìn)行比較，根據(jù)相似程度對人臉的身份信息進(jìn)行判斷。這一過程又分為兩類：一類是確認(rèn)，是一對一 進(jìn)行圖像比較的過程，另一類是辨認(rèn)，是一對多進(jìn)行圖像匹配對比的過程。

人臉識別三大關(guān)鍵技術(shù)

基于特征的人臉檢測技術(shù)

通過采用顏色、輪廓、紋理、結(jié)構(gòu)或者直方圖特征等進(jìn)行人臉檢測。

基于模板匹配人臉檢測技術(shù)

從數(shù)據(jù)庫當(dāng)中提取人臉模板，接著采取一定模板匹配策略，使抓取人臉圖像與從模板庫提取圖片相匹配，由相關(guān)性的高低和所匹配的模板大小確定人臉大小以及位置信息。

基于統(tǒng)計(jì)的人臉檢測技術(shù)

通過對于“人臉”和“非人臉”的圖像大量搜集構(gòu)成的人臉正、負(fù)樣本庫，采用統(tǒng)計(jì)方法強(qiáng)化訓(xùn)練該系統(tǒng)，從而實(shí)現(xiàn)對人臉和非人臉的模式進(jìn)行檢測和分類。

人臉識別幾大特征

幾何特征

從面部點(diǎn)之間的距離和比率作為特征，識別速度快，內(nèi)存要求比較小，對于光照敏感度降低。

基于模型特征

根據(jù)不同特征狀態(tài)所具有概率不同而提取人臉圖像特征。

基于統(tǒng)計(jì)特征

將人臉圖像視為隨機(jī)向量，并用統(tǒng)計(jì)方法辨別不同人臉特征模式，比較典型的有特征臉、獨(dú)立成分分析、奇異值分解等。

基于神經(jīng)網(wǎng)絡(luò)特征

利用大量神經(jīng)單元對人臉圖像特征進(jìn)行聯(lián)想存儲(chǔ)和記憶，根據(jù)不同神經(jīng)單元狀態(tài)的概率實(shí)現(xiàn)對人臉圖像準(zhǔn)確識別。

人臉識別是根據(jù)所提取的人臉圖像特征采用相關(guān)識別算法進(jìn)行人臉確認(rèn)或辨別。即將已檢測到的待識別人臉與數(shù)據(jù)庫中已知人臉進(jìn)行比較匹配，得出相關(guān)信息，該過程的關(guān)鍵是選擇適當(dāng)?shù)娜四槺碚鞣绞脚c匹配策略，系統(tǒng)的構(gòu)造與人臉的表征方式密切相關(guān)。一般根據(jù)所提特征而選擇不同識別算法進(jìn)行度量，常用的包括距離度量、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、k均值聚類等。

人臉識別技術(shù)的主要算法

主流的人臉識別技術(shù)基本上可以歸結(jié)為三類，即：基于幾何特征的方法、基于模板的方法和基于模型的方法。

1、基于幾何特征的方法是最早、最傳統(tǒng)的方法，通常需要和其他算法結(jié)合才能有比較好的效果；

2、基于模板的方法可以分為基于相關(guān)匹配的方法、特征臉方法、線性判別分析方法、奇異值分解方法、神經(jīng)網(wǎng)絡(luò)方法、動(dòng)態(tài)連接匹配方法等。

3、基于模型的方法則有基于隱馬爾柯夫模型，主動(dòng)形狀模型和主動(dòng)外觀模型的方法等。

 基于幾何特征的方法

人臉由眼睛、鼻子、嘴巴、下巴等部件構(gòu)成，正因?yàn)檫@些部件的形狀、大小和結(jié)構(gòu)上的各種差異才使得世界上每個(gè)人臉千差萬別，因此對這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以做為人臉識別的重要特征。

幾何特征最早是用于人臉側(cè)面輪廓的描述與識別，首先根據(jù)側(cè)面輪廓曲線確定若干顯著點(diǎn)，并由這些顯著點(diǎn)導(dǎo)出一組用于識別的特征度量如距離、角度等。Jia 等由正面灰度圖中線附近的積分投影模擬側(cè)面輪廓圖是一種很有新意的方法。

采用幾何特征進(jìn)行正面人臉識別一般是通過提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征,但對幾何特征提取的精確性進(jìn)行了實(shí)驗(yàn)性的研究，結(jié)果不容樂觀。

可變形模板法可以視為幾何特征方法的一種改進(jìn)，其基本思想是：設(shè)計(jì)一個(gè)參數(shù)可調(diào)的器官模型 (即可變形模板),定義一個(gè)能量函數(shù)，通過調(diào)整模型參數(shù)使能量函數(shù)最小化，此時(shí)的模型參數(shù)即做為該器官的幾何特征。

這種方法思想很好，但是存在兩個(gè)問題，一是能量函數(shù)中各種代價(jià)的加權(quán)系數(shù)只能由經(jīng)驗(yàn)確定，難以推廣，二是能量函數(shù)優(yōu)化過程十分耗時(shí)，難以實(shí)際應(yīng)用。 基于參數(shù)的人臉表示可以實(shí)現(xiàn)對人臉顯著特征的一個(gè)高效描述，但它需要大量的前處理和精細(xì)的參數(shù)選擇。同時(shí)，采用一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細(xì)微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點(diǎn)檢測技術(shù)在精確率上還遠(yuǎn)不能滿足要求，計(jì)算量也較大。 

特征臉方法

特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點(diǎn)， 也稱為基于主成分分析(principal component analysis,簡稱PCA)的人臉識別方法。

特征臉技術(shù)的基本思想是：從統(tǒng)計(jì)的觀點(diǎn)，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。

實(shí)際上，特征臉反映了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中生成子空間，稱為子臉空間。計(jì)算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。

基于特征分析的方法，也就是將人臉基準(zhǔn)點(diǎn)的相對比率和其它描述人臉臉部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識別特征向量，這種基于整體臉的識別不僅保留了人臉部件之間的拓?fù)潢P(guān)系，而且也保留了各部件本身的信息，而基于部件的識別則是通過提取出局部輪廓信息及灰度信息來設(shè)計(jì)具體識別算法?，F(xiàn)在Eigenface(PCA)算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測試人臉識別系統(tǒng)性能的基準(zhǔn)算法；而自1991年特征臉技術(shù)誕生以來，研究者對其進(jìn)行了各種各樣的實(shí)驗(yàn)和理論分析，F(xiàn)ERET'96測試結(jié)果也表明，改進(jìn)的特征臉?biāo)惴ㄊ侵髁鞯娜四樧R別技術(shù)，也是具有最好性能的識別方法之一。

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計(jì)算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術(shù)的核心實(shí)際為“局部人體特征分析”和“圖形/神經(jīng)識別算法?！边@種算法是利用人體面部各器官及特征部位的方法。如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。Turk和Pentland提出特征臉的方法，它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀，也稱為特征臉  ,識別時(shí)將測試  圖像投影到主元子空間上，得到一組投影系數(shù)，和各個(gè)已知人的人臉圖像比較進(jìn)行識別。Pentland等報(bào)告了相當(dāng)好的結(jié)果，在 200個(gè)人的 3000幅圖像中得到 95%的正確識別率，在ＦＥＲＥＴ數(shù)據(jù)庫上對 150幅正面人臉象只有一個(gè)誤識別。但系統(tǒng)在進(jìn)行特征臉方法之前需要作大量預(yù)處理工作如歸一化等。

傳統(tǒng)特征臉的基礎(chǔ)上，研究者注意到特征值大的特征向量 (即特征臉 )并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征 (子空間 )選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實(shí)上，特征臉方法是一種顯式主元分析人臉建模，一些線性自聯(lián)想、線性壓縮型ＢＰ網(wǎng)則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權(quán)和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin對此作了詳細(xì)討論。總之，特征臉方法是一種簡單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測試集圖像的灰度相關(guān)性，而且要求測試圖像與訓(xùn)練集比較像，所以它有著很大的局限性。

基于KL 變換的特征人臉識別方法

KL變換是圖象壓縮中的一種最優(yōu)正交變換，人們將它用于統(tǒng)計(jì)特征提取，從而形成了子空間法模式識別的基礎(chǔ)，若將KL變換用于人臉識別，則需假設(shè)人臉處于低維線性空間，且不同人臉具有可分性，由于高維圖象空間KL變換后可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓(xùn)練樣本集的統(tǒng)計(jì)特性來獲得，KL變換的生成矩陣可以是訓(xùn)練樣本集的總體散布矩陣，也可以是訓(xùn)練樣本集的類間散布矩陣，即可采用同一人的數(shù)張圖象的平均來進(jìn)行訓(xùn)練，這樣可在一定程度上消除光線等的干擾，且計(jì)算量也得到減少，而識別率不會(huì)下降。

基于彈性模型的方法

Llades等人針對畸變不變性的物體識別提出了動(dòng)態(tài)鏈接模型 (ＤＬＡ)，將物體用稀疏圖形來描述 ，其頂點(diǎn)用局部能量譜的多尺度描述來標(biāo)記，邊則表示拓?fù)溥B接關(guān)系并用幾何距離來標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來尋找最近的已知圖形。Ｗｉｓｃｏｔｔ等人在此基礎(chǔ)上作了改進(jìn)，用ＦＥＲＥＴ圖像庫做實(shí)驗(yàn)，用 300幅人臉圖像和另外 300幅圖像作比較，準(zhǔn)確率達(dá)到 97.3%。此方法的缺點(diǎn)是計(jì)算量非常巨大 。

 Nastar將人臉圖像 (Ⅰ ) (ｘ，ｙ)建模為可變形的 3Ｄ網(wǎng)格表面 (ｘ，ｙ，Ｉ(ｘ，ｙ) )，從而將人臉匹配問題轉(zhuǎn)化為可變形曲面的彈性匹配問題。利用有限元分析的方法進(jìn)行曲面變形，并根據(jù)變形的情況判斷兩張圖片是否為同一個(gè)人。這種方法的特點(diǎn)在于將空間 (ｘ，ｙ)和灰度Ｉ(ｘ,ｙ)放在了一個(gè) 3Ｄ空間中同時(shí)考慮，實(shí)驗(yàn)表明識別結(jié)果明顯優(yōu)于特征臉方法。

 Lanitis等提出靈活表現(xiàn)模型方法，通過自動(dòng)定位人臉的顯著特征點(diǎn)將人臉編碼為 83個(gè)模型參數(shù)，并利用辨別分析的方法進(jìn)行基于形狀信息的人臉識別。彈性圖匹配技術(shù)是一種基于幾何特征和對灰度分布信息進(jìn)行小波紋理分析相結(jié)合的識別算法，由于該算法較好的利用了人臉的結(jié)構(gòu)和灰度分布信息，而且還具有自動(dòng)精確定位面部特征點(diǎn)的功能，因而具有良好的識別效果，適應(yīng)性強(qiáng)識別率較高，該技術(shù)在FERET測試中若干指標(biāo)名列前茅，其缺點(diǎn)是時(shí)間復(fù)雜度高，速度較慢，實(shí)現(xiàn)復(fù)雜。

神經(jīng)網(wǎng)絡(luò)方法

人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，具有良好的自組織、自適應(yīng)能力。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個(gè)主元，然后用自相關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到 5維空間中，再用一個(gè)普通的多層感知器進(jìn)行判別，對一些簡單的測試圖像效果較好；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來進(jìn)行人臉識別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。

Lee等將人臉的特點(diǎn)用六條規(guī)則描述，然后根據(jù)這六條規(guī)則進(jìn)行五官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，效果較一般的基于歐氏距離的方法有較大改善，Laurence等采用卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行人臉識別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰像素之間的相關(guān)性知識，從而在一定程度上獲得了對圖像平移、旋轉(zhuǎn)和局部變形的不變性，因此得到非常理想的識別結(jié)果，Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法 (PDBNN),其主要思想是采用虛擬 (正反例 )樣本進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較為理想的概率估計(jì)結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu) (OCON)加快網(wǎng)絡(luò)的學(xué)習(xí)。

這種方法在人臉檢測、人臉定位和人臉識別的各個(gè)步驟上都得到了較好的應(yīng)用，其它研究還有 :Dai等提出用Hopfield網(wǎng)絡(luò)進(jìn)行低分辨率人臉聯(lián)想與識別，Gutta等提出將RBF與樹型分類器結(jié)合起來進(jìn)行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用于人臉識別，國內(nèi)則采用統(tǒng)計(jì)學(xué)習(xí)理論中的支撐向量機(jī)進(jìn)行人臉分類。

經(jīng)網(wǎng)絡(luò)方法在人臉識別上的應(yīng)用比起前述幾類方法來有一定的優(yōu)勢，因?yàn)閷θ四樧R別的許多規(guī)律或規(guī)則進(jìn)行顯性的描述是相當(dāng)困難的，而神經(jīng)網(wǎng)絡(luò)方法則可以通過學(xué)習(xí)的過程獲得對這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較容易實(shí)現(xiàn)。因此人工神經(jīng)網(wǎng)絡(luò)識別速度快，但識別率低 。而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識別重要的一個(gè)目標(biāo)就是降維處理。

其它算法：

除了以上幾種方法，人臉識別還有其它若干思路和方法，包括一下一些：

1、隱馬爾可夫模型方法

2、 Gabor 小波變換+圖形匹配

（1）精確抽取面部特征點(diǎn)以及基于Gabor引擎的匹配算法，具有較好的準(zhǔn)確性，能夠排除由于面部姿態(tài)、表情、發(fā)型、眼鏡、照明環(huán)境等帶來的變化。

（2）Gabor濾波器將Gaussian網(wǎng)絡(luò)函數(shù)限制為一個(gè)平面波的形狀，并且在濾波器設(shè)計(jì)中有優(yōu)先方位和頻率的選擇，表現(xiàn)為對線條邊緣反應(yīng)敏感。

（3）但該算法的識別速度很慢，只適合于錄象資料的回放識別，對于現(xiàn)場的適應(yīng)性很差。

3、人臉等密度線分析匹配方法

（1） 多重模板匹配方法

該方法是在庫中存貯若干標(biāo)準(zhǔn)面像模板或面像器官模板，在進(jìn)行比對時(shí)，將采樣面像所有象素與庫中所有模板采用歸一化相關(guān)量度量進(jìn)行匹配。

（2） 線性判別分析方法

（3）本征臉法：本征臉法將圖像看做矩陣 ,計(jì)算本征值和對應(yīng)的本征向量作為代數(shù)特征進(jìn)行識別 ,具有無需提取眼嘴鼻等幾何特征的優(yōu)點(diǎn) ,但在單樣本時(shí)識別率不高 ,且在人臉模式數(shù)較大時(shí)計(jì)算量大 

4、特定人臉子空間(FSS)算法

該技術(shù)來源于但在本質(zhì)上區(qū)別于傳統(tǒng)的"特征臉"人臉識別方法。"特征臉"方法中所有人共有一個(gè)人臉子空間，而該方法則為每一個(gè)體人臉建立一個(gè)該個(gè)體對象所私有的人臉子空間，從而不但能夠更好的描述不同個(gè)體人臉之間的差異性，而且最大可能地?cái)P棄了對識別不利的類內(nèi)差異性和噪聲，因而比傳統(tǒng)的"特征臉?biāo)惴?quot;具有更好的判別能力。另外，針對每個(gè)待識別個(gè)體只有單一訓(xùn)練樣本的人臉識別問題，提出了一種基于單一樣本生成多個(gè)訓(xùn)練樣本的技術(shù)，從而使得需要多個(gè)訓(xùn)練樣本的個(gè)體人臉子空間方法可以適用于單訓(xùn)練樣本人臉識別問題。

5、奇異值分解(singular value decomposition,簡稱SVD)

這是一種有效的代數(shù)特征提取方法。由于奇異值特征在描述圖像時(shí)是穩(wěn)定的,且具有轉(zhuǎn)置不變性、旋轉(zhuǎn)不變性、位移不變性、鏡像變換不變性等重要性質(zhì),因此奇異值特征可以作為圖像的一種有效的代數(shù)特征描述。奇異值分解技術(shù)已經(jīng)在圖像數(shù)據(jù)壓縮、信號處理和模式分析中得到了廣泛應(yīng)用。