人臉識別的算法：人臉識別法主要集中在二維圖像方面，二維人臉識別主要利用分布在人臉上從低到高80個(gè)節(jié)點(diǎn)或標(biāo)點(diǎn)，通過測量眼睛、顴骨、下巴等之間的間距來進(jìn)行身份認(rèn)證。人臉識別算法主要有：

1.基于模板匹配的方法:模板分為二維模板和三維模板，核心思想:利用人的臉部特征規(guī)律建立一個(gè)立體可調(diào)的模型框架,在定位出人的臉部位置后用模型框架定位和調(diào)整人的臉部特征部位,解決人臉識別過程中的觀察角度、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(zhì)屬性，可以利用它來進(jìn)行分類識別。

3.子空間分析法：因其具有描述性強(qiáng)、計(jì)算代價(jià)小、易實(shí)現(xiàn)及可分性好等特點(diǎn)，被廣泛地應(yīng)用于人臉特征提取，成為了當(dāng)前人臉識別的主流方法之一。

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(tǒng)線性方法難以保持原始數(shù)據(jù)非線性流形的缺點(diǎn)，又解決了非線性方法難以獲得新樣本點(diǎn)低維投影的缺點(diǎn)。

5.主成分分析(PCA)

PCA模式識別領(lǐng)域一種重要的方法，已被廣泛地應(yīng)用于人臉識別算法中，基于PCA人臉識別系統(tǒng)在應(yīng)用中面臨著一個(gè)重要障礙：增量學(xué)習(xí)問題。增量PCA算法由新增樣本重構(gòu)最為重要 PCS，但該方法隨著樣本的增加， 需要不斷舍棄一些不重要PC，以維持子空間維數(shù)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(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法、基于積分圖像特征法(adaboost學(xué)習(xí))、基于概率模型法。 二維人臉識別方法的最大不足是在面臨姿態(tài)、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識別的準(zhǔn)確度受到很大限制，而這些都是人臉在自然狀態(tài)下會(huì)隨時(shí)表現(xiàn)出來的。三維人臉識別可以極大的提高識別精度，真正的三維人臉識別是利用深度圖像進(jìn)行研究，自90年代初期開始，已經(jīng)有了一定的進(jìn)展。三維人臉識別方法有：

1.基于圖像特征的方法：采取了從3D結(jié)構(gòu)中分離出姿態(tài)的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向；然后，在保持姿態(tài)固定的情況下，去作臉部不同特征點(diǎn)(這些特征點(diǎn)是人工的鑒別出來)的局部匹配。

2.基于模型可變參數(shù)的方法：使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結(jié)合，去恢復(fù)頭部姿態(tài)和3D人臉。隨著模型形變的關(guān)聯(lián)關(guān)系的改變不斷更新姿態(tài)參數(shù)，重復(fù)此過程直到最小化尺度達(dá)到要求?；谀Ｐ涂勺儏?shù)的方法與基于圖像特征的方法的最大區(qū)別在于：后者在人臉姿態(tài)每變化一次后，需要重新搜索特征點(diǎn)的坐標(biāo)，而前者只需調(diào)整3D變形模型的參數(shù)。

登載此文只為提供信息參考，并不用于任何商業(yè)目的。如有侵權(quán)，請及時(shí)聯(lián)系我們：cp688cp688@163.com