人脸识别算法分类

Answer 1

目前的人脸识别方法主要集中在二维图像方面。主要利用分布在人脸上从低到高80个节点或标点，通过测量眼睛、颧骨、下巴等之间的间距来进行身份认证。

人脸识别算法主要包括以下几种：

1.基于模板匹配的方法：利用人的脸部特征规律建立一个立体可调的模型框架，通过模型框架定位和调整人的脸部特征部位，解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。

2.基于奇异值特征方法：人脸图像矩阵的奇异值特征反映了图像的本质属性，利用它来进行分类识别。

3.子空间分析法：描述性强、计算代价小、易实现及可分性好，被广泛地应用于人脸特征提取，成为当前人脸识别的主流方法之一。

4.局部保持投影(LPP)：是一种新的子空间分析方法，它是非线性方法Laplacian Eigen map的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。

5.主成分分析(PCA)：在模式识别领域是一种重要的方法，广泛应用于人脸识别算法中。但基于PCA人脸识别系统在应用中面临的一个重要障碍是增量学习问题。增量PCA算法由新增样本重构最为重要PCS，但随着样本的增加，需要不断舍弃一些不重要PC，以维持子空间维数不变，因此该方法精度稍差。

6.其他方法：包括弹性匹配方法、特征脸法(基于KL变换)、人工神经网络法、支持向量机法、基于积分图像特征法(adaboost学习)、基于概率模型法。

三维人脸识别算法克服了二维人脸识别方法在面临姿态、光照条件不同、表情变化以及脸部化妆等方面较为脆弱的局限性，能极大提高识别精度。三维人脸识别是利用深度图像进行研究，自90年代初期开始，已有了一定进展。

三维人脸识别方法主要包括以下几种：

1.基于图像特征的方法：采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，进行脸部不同特征点的局部匹配。

2.基于模型可变参数的方法：使用通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。这种方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。