基于图像的人脸识别算法研究综述.pdf

基于图像的人脸识别算法研究综述 人脸识别技术是计算机视觉研究的核心内容之一，是一个不断发展的领域。该领域交叉了模式识别、机器学习和数据挖掘等相关学科，是计算智能的重要研究课题。本文对基于传统特征的人脸识别技术进行了综述，讨论了基于稀疏表示和协同表示的人脸图像识别技术，并阐述了基于深度学习的人脸识别技术。 1. 基于传统方法的人脸识别技术 人脸识别技术可以分为基于传统特征和基于深度学习两大类。基于传统特征的人脸识别技术包括主成分分析 PCA、线性区分分析 LDA、局部二值模式化 LBP 和 Gabor 滤波器等。 1.1 主成分分析 PCA 主成分分析 PCA 是一种最小均方误差意义下的数据降维方法。PCA 可以将高维向量数据项投影到低维空间中，保留了较高方差的分量而舍弃了较低方差的分量。PCA 广泛应用于人脸识别，并取得了较好成绩。但是，PCA 的速度较慢，鲁棒性有待于提高。 1.2 线性区分分析 LDA 线性区分分析 LDA 是一种有监督的分类方法。LDA 的目标是通过将高维有标签的数据投影到维度更低的空间中，形成分类类别，同时保留了不同类别之间的线性可分性。LDA 取得的特征向量着重强调人们脸部图像之间的差别，对表情和光照的转变具有鲁棒性，因而具有更好的识别效果。 1.3 局部二值模式化和 Gabor 滤波器 局部二值模式化 LBP 是局部特征提取方法的一种，即提取图像每个像素周围的特征。LBP 具有定义简单、易扩展、效率高等特点，基于 LBP 的人脸识别算法具有良好的实时性和鲁棒性。Gabor 滤波器则擅长于在一个较粗的尺度内对人脸的容貌和形状进行编码。 2. 基于稀疏表示的人脸图像识别 稀疏表示概念来自压缩感知 CS 理论。CS 理论最早由 D. Donoho 提出。稀疏表示可以用于人脸图像识别，具有鲁棒性和抗干扰能力强的特点。 3. 基于深度学习的人脸识别技术 基于深度学习的人脸识别技术是近年来兴起的热点。深度学习可以自动学习人脸图像的特征，具有较高的识别准确率和鲁棒性。 本文对基于图像的人脸识别算法进行了综述，讨论了基于传统特征和基于深度学习的人脸识别技术，并指出了未来的研究方向。