人臉識別演算法總結

❶ 人臉識別有什麼優化演算法還請各位大神賜教，簡單一點的。謝謝

人臉識別技術概述
廣義的人臉識別主要分為人臉檢測(face detection)、特徵提取(feature extraction)和人臉識別(face recognition)三個過程，如圖1所示。
人臉,人臉識別,人臉識別技術
圖1 典型的人臉識別過程
其中，第三步提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特徵與資料庫中人臉的特徵進行對比，根據相似度判別分類。而人臉識別又可以分為兩個大類：一類是確認(verification)，這是人臉圖像與資料庫中已存的該人圖像比對的過程，回答你是不是你的問題;另一類是辨認(identification)，這是人臉圖像與資料庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。在辨認過程中，海量數據的處理、特徵提取和分類演算法的選擇變得非常重要。識別率和識別速度是人臉識別技術中主要的衡量演算法性能的指標。本文後面提到的人臉識別，主要指的是人臉辨認。
人臉識別技術原理
人臉識別演算法發展到今天，大致上可以分為兩類：基於特徵的人臉識別演算法和基於外觀的人臉識別演算法。其中，多數基於特徵的人臉識別演算法屬於早期的人臉識別演算法，現在已經不再使用。不過近些年出現了一些新的基於特徵的演算法，並取得不錯的效果。而基於外觀的人臉識別演算法是由於實現簡單，受到廣泛關注。接下來將分別介紹兩類人臉識別演算法。
基於特徵的人臉識別演算法：早期的人臉識別演算法主要是基於特徵模板和幾何約束來實現的。這一類演算法首先對輸入圖像進行處理，提取出如眼睛、鼻子和嘴等面部特徵和外觀輪廓。然後計算這些面部特徵之間的幾何關系，如距離、面積和角度等。這樣將輸入圖像轉換為幾何特徵向量後，使用標準的統計模式識別技術進行匹配分類。由於演算法利用了一些直觀的特徵，計算量小。不過，由於其所需的特徵點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特徵變化較大。所以說，這類演算法只適合於人臉圖像的粗略識別，無法在實際中應用。
人臉,人臉識別,人臉識別技術
圖2 一些典型的面部幾何特徵示意圖
以上這些方法都是通過一些特徵模板和幾何約束來檢測特定的面部特徵，並計算特徵之間的關系。還有一些方法使用了圖像的局部表示來提取特徵。其中最受關注的方法是局部二值模式(LBP)演算法。LBP方法首先將圖像分成若干區域，在每個區域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP運算元。LBP運算元的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然後將所有的直方圖連起來組成一個大的直方圖並進行直方圖匹配計算進行分類。
人臉,人臉識別,人臉識別技術
圖3 LBP運算元
基於特徵的人臉識別演算法主要的優勢在於對姿態、尺度和光照等變化魯棒。由於多數特徵是基於手動選擇和先驗知識，受圖像本身的成像質量影響較少。另外，提取出的面部特徵往往維數較低，匹配速度快。這些方法的缺點是自動特徵提取的難度較大。如果特徵集的鑒別能力弱，再多的後續處理也無法補償本身的不足。
基於外觀的人臉識別演算法：基於外觀的人臉識別演算法也稱為整體方法。它們使用圖像的全局信息來辨識人臉。最簡單的整體方法是用二維數組來存放圖像的灰度值，然後直接對輸入圖像和資料庫中的所有圖像進行相關性比較。這種方法的缺點非常多，如易受環境影響、計算耗時等。其中一個重要的問題是這樣的分類是在一個非常高維的空間中進行的。為了克服維數問題，一些演算法使用統計降維方法來獲取和保留更有用的信息，最典型的演算法就是主成分分析(PCA)演算法和線性鑒別分析(LDA)演算法。
PCA演算法指出任何特定的人臉可以由一個低維的特徵子空間表示，並可以用這個特徵子空間近似地重建。將輸入人臉圖像投影到特徵子空間上得到的特徵與已知的資料庫進行比對來確定身份。PCA演算法選取的特徵最大化了人臉樣本間的差異，但也保留了一些由於光照和面部表情產生的不必要的變化。而同一個人由於光照產生的變化可能會大於不同人之間的變化，如圖4所示。LDA演算法在最大化不同個體之間的樣本差異的同時，最小化同一個體內部的樣本差異。這樣達到了人臉特徵子空間的劃分。圖5是PCA和LDA演算法的示例。其中，PCA的特徵臉是由組成PCA特徵子空間的特徵向量按二維圖像來排列得到的類似人臉的圖像。LDA的Fisher臉也是同樣道理。經過特徵臉和Fisher臉重構得到的人臉圖像在第四行。可以看到，PCA重構臉與輸入人臉差異較小，但LDA的Fisher臉很難辨認，但突出了該個體的顯著特徵。PCA和LDA方法都假設存在一個最優的投影子空間。這個子空間的每個區域對應唯一的一個人。然而，事實上在人臉空間中許多人經常會映射到相同的區域中，因此這種假設並不成立。

來源：海鑫科金
http://www.hisign.com.cn/news/instry/2699.html

❷ 人臉識別的識別演算法

基於特徵臉方法

人臉識別是一個高維的模式識別問題，1987年Sirovich 和Kirby為減少人臉圖像的表示採用了PCA方法（主分量分析方法），1991年Matthew Turk 和Alex Pentland最早將PCA應用於人臉識別[3]，將原始圖像投影到特徵空間中，得到一系列降維圖像，取其主元表示人臉，由於主元具有臉的形狀故稱為「特徵臉」。

特徵臉方法是目前較為成功的正面人臉識別方法，但是只考慮了人臉的整體特徵且對光照的變化敏感，所以有學者提出了FLD方法，即Fisher臉。通過在Harvard和Yale人臉庫上做的測試表明Fisherfaces比Eigenfaces有更低的錯誤率且對於光照和表情變化有更好的魯棒性。實驗中部分特徵臉見圖1。

圖1 部分特徵臉

如前所述，特徵臉方法忽略了人臉的局部特徵（如：眉毛、眼睛、鼻子、口等）在識別中的作用，因此有學者在特徵提取時採用基於多特徵（eigenfaces，eigenUpper，eigenTzone，edge distribution）的方法，取得了較好的效果。另外，對人臉圖像預處理後，進行特徵臉分析也會明顯降低錯誤率。

❸ 人臉識別技術的核心演算法是什麼

人臉識別核心演算法包括檢測定位、建模、紋理變換、表情變換、模型統計訓練、識別匹配等關鍵步驟，其中最關鍵的技術包括兩部分：人臉檢測（Face Detect）和人臉識別（Face Identification）。

檢測技術核心稱為：迭代動態局部特徵分析(SDLFA)，它是以國際通用的局域特徵分析（LFA）和動態局域特徵分析（DLFA）為基礎，並且針對現實業務場景進行了全面的演算法增強及結果優化，識別技術核心稱為：實時面部特徵匹配（RFFM），其識別特徵數據緊湊，特徵演算法准確高效，是國際國內獨創性的識別技術。

❹ 人臉識別演算法的原理

人臉識別演算法的原理：系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉資料庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。

❺ 人臉識別演算法的種類

二維人臉識別演算法
三維人臉識別演算法

❻ 人臉識別需要用到哪些演算法

目前最普遍的是主成分分析法（PCA），但是由於人臉是非線性的，PCA這種線性方法往往會丟失人臉上的許多非線性成分，因而後面又出現了流形學習的演算法，具體有這些：PCA、ICA、ISOMAP、KPCA、LPCA等等

❼ 人臉識別最新的演算法有哪些csdn

1. 圖像數據交換格式遵循ISO/IEC 19794-5標准演算法，演算法採集並識別400~500個人臉特徵，兼具近紅外和可見光兩種識別演算法

2. 主流的人臉檢測採用Adaboost學習演算法，Adaboost演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，組合出新的很強的分類方法。

3. 人臉特徵點的識別演算法（Feature-based recognition algorithms）

4. 神經網路進行識別的演算法（Recognition algorithms using neural network）。