分析算法

人臉識別技術(shù)中被廣泛采用的區(qū)域特征分析算法，它融合了計算機圖像處理技術(shù)與生物統(tǒng)計學(xué)原理于一體，利用計算機圖像處理技術(shù)從視頻中提取人像特征點，利用生物統(tǒng)計學(xué)的原理進行分析建立數(shù)學(xué)模型，即人臉特征模板。利用已建成的人臉特征模板與被測者的人的面像進行特征分析，根據(jù)分析的結(jié)果來給出一個相似值。通過這個值即可確定是否為同一人。

人臉識別的方法很多，主要的人臉識別方法有：

（1）幾何特征的人臉識別方法：幾何特征可以是眼、鼻、嘴等的形狀和它們之間的幾何關(guān)系（如相互之間的距離）。這些算法識別速度快，需要的內(nèi)存小，但識別率較低。

（2）基于特征臉（PCA）的人臉識別方法：特征臉方法是基于KL變換的人臉識別方法，KL變換是圖像壓縮的一種最優(yōu)正交變換。高維的圖像空間經(jīng)過KL變換后得到一組新的正交基，保留其中重要的正交基，由這些基可以張成低維線性空間。如果假設(shè)人臉在這些低維線性空間的投影具有可分性，就可以將這些投影用作識別的特征矢量，這就是特征臉方法的基本思想。這些方法需要較多的訓(xùn)練樣本，而且完全是基于圖像灰度的統(tǒng)計特性的。目前有一些改進型的特征臉方法。

（3）神經(jīng)網(wǎng)絡(luò)的人臉識別方法：神經(jīng)網(wǎng)絡(luò)的輸入可以是降低分辨率的人臉圖像、局部區(qū)域的自相關(guān)函數(shù)、局部紋理的二階矩等。這類方法同樣需要較多的樣本進行訓(xùn)練，而在許多應(yīng)用中，樣本數(shù)量是很有限的。

（4）彈性圖匹配的人臉識別方法：彈性圖匹配法在二維的空間中定義了一種對于通常的人臉變形具有一定的不變性的距離，并采用屬性拓撲圖來代表人臉，拓撲圖的任一頂點均包含一特征向量，用來記錄人臉在該頂點位置附近的信息。該方法結(jié)合了灰度特性和幾何因素，在比對時可以允許圖像存在彈性形變，在克服表情變化對識別的影響方面收到了較好的效果，同時對于單個人也不再需要多個樣本進行訓(xùn)練。

（5）線段Hausdorff 距離的人臉識別方法：心理學(xué)的研究表明，人類在識別輪廓圖的速度和準確度上絲毫不比識別灰度圖差。LHD是基于從人臉灰度圖像中提取出來的線段圖的，它定義的是兩個線段集之間的距離，與眾不同的是，LHD并不建立不同線段集之間線段的一一對應(yīng)關(guān)系，因此它更能適應(yīng)線段圖之間的微小變化。實驗結(jié)果表明，LHD在不同光照條件下和不同姿態(tài)情況下都有非常出色的表現(xiàn)，但是它在大表情的情況下識別效果不好。

（6）支持向量機的人臉識別方法：支持向量機是統(tǒng)計模式識別領(lǐng)域的一個新的熱點，它試圖使得學(xué)習(xí)機在經(jīng)驗風險和泛化能力上達到一種妥協(xié)，從而提高學(xué)習(xí)機的性能。支持向量機主要解決的是一個2分類問題，它的基本思想是試圖把一個低維的線性不可分的問題轉(zhuǎn)化成一個高維的線性可分的問題。通常的實驗結(jié)果表明SVM有較好的識別率，但是它需要大量的訓(xùn)練樣本，這在實際應(yīng)用中往往是不現(xiàn)實的。而且支持向量機訓(xùn)練時間長，方法實現(xiàn)復(fù)雜，該函數(shù)的取法沒有統(tǒng)一的理論。