人脸识别技术主要算法原理.pdf

"人脸识别技术主要算法原理" 人脸识别技术主要算法原理可以归结为三类：基于几何特征的方法、基于模板的方法和基于模型的方法。 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果。这种方法是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征。但是这种方法存在一些问题，如Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。可变形模板法可以视为几何特征方法的一种改进，其基本思想是设计一个参数可调的器官模型，定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。这些方法可以更好地描述人脸的几何特征，但也存在一些问题，如能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。 基于模型的方法则有基于隐马尔柯夫模型、主动形状模型和主动外观模型的方法等。这些方法可以更好地描述人脸的几何特征和局部特征，但也存在一些问题，如模型参数的选择和优化过程十分复杂。 局部特征分析方法（Local Face Analysis）是基于局部特征的方法，该方法可以实现对人脸显著特征的一个高效描述。但是这种方法也存在一些问题，如特征维数大的问题和计算量大的问题。 特征脸方法（Eigenface或PCA）是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有简单有 效的特点，也称为基于主成分分析（principal component analysis,简称PCA）的人脸识别方法。该方法的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。 人脸识别技术主要算法原理可以归结为基于几何特征的方法、基于模板的方法和基于模型的方法，每种方法都有其优缺点，需要根据实际情况选择合适的方法。