特征脸识别

合集下载

128个脸部特征点

摘要：

1.脸部特征点的定义与作用

2.128 个脸部特征点的具体内容

3.脸部特征点在人脸识别技术中的应用

4.我国在人脸识别技术方面的发展与优势

正文：

【1.脸部特征点的定义与作用】

脸部特征点，是指人脸图像中具有独特性质的关键点，这些关键点可以用于描述和区分不同的人脸。在人脸识别技术中，脸部特征点起着至关重要的作用，它们可以帮助计算机精确识别出每个人的身份。

【2.128 个脸部特征点的具体内容】

在人脸识别技术中，通常会使用大量脸部特征点来提高识别的准确性。其中，128 个脸部特征点是一种常见的设置。这些特征点包括眼间距、鼻梁宽度、嘴角位置等，它们可以全面地描述一个人脸的形态特征。

【3.脸部特征点在人脸识别技术中的应用】

人脸识别技术通过检测和分析图像中的脸部特征点，可以实现自动识别身份的目的。在实际应用中，例如手机解锁、金融支付、安防监控等领域，脸部特征点技术都发挥着重要作用。

【4.我国在人脸识别技术方面的发展与优势】

我国在人脸识别技术方面具有较强的研发实力和应用优势。近年来，随着人工智能技术的快速发展，我国人脸识别技术取得了显著成果，不仅在算法上

取得了重要突破，还在实际应用中积累了丰富的经验。

人脸识别经典算法

人脸识别经典算法是指在人脸识别领域经典、应用广泛的算法，主要包括以下几种：

1. 特征脸算法（Eigenface）：该算法是利用主成分分析（PCA）对人脸图像进行降维处理，将高维度的图像转换为低维度的向量，然后通过计算向量之间的距离来实现人脸识别。

2. Fisherfaces算法：该算法和特征脸算法类似，但是在计算主成分时，将类内距离最小和类间距离最大作为优化目标，来提高人脸识别的准确率。

3. 局部二值模式（Local Binary Pattern）算法：该算法使用图像中每个像素点周围的像素点值来构建特征向量，并采用模式匹配算法来实现人脸识别。

4. 非负矩阵分解（Nonnegative Matrix Factorization）算法：该算法是将人脸图像矩阵分解为两个非负矩阵，利用这两个矩阵的乘积来表示原始矩阵，实现人脸特征提取和识别。

5. 线性判别分析（Linear Discriminant Analysis）算法：该算法通过最大化类间距离和最小化类内距离来提高人脸识别准确率，同时可以降低维度，减少计算量。

以上算法都有其优缺点，在实际应用中需要根据具体情况选择合适的算法来实现人脸识别。随着人工智能技术的不断发展，人脸识别算法也在不断改进和创新。

- 1 -

基于特征提取的人脸识别技术研究

人脸识别技术是近年来发展迅速的一项技术，特别是在安防领域得到广泛应用。其中的一个关键技术就是特征提取。基于特征提取的人脸识别技术，通过将人脸从图像中提取出一些具有代表性的特征，从而实现对人脸的自动识别和分类。本文将对这一技术进行深入研究。

1. 人脸识别技术的发展

人脸识别技术自诞生于 20 世纪 70 年代以来，经历了从二维到三维、从传统方法到深度学习等多个发展阶段。其中，基于特征提取的人脸识别技术发展较早，应用也相对广泛。这种技术的核心思想是，通过对人脸图像中的像素进行分析和处理，提取出具有代表性的特征，再将这些特征用于人脸识别和分类。

2. 特征提取的重要性

特征提取是人脸识别技术中至关重要的一步。在一个人脸图像中，有许多信息是不需要的，例如衣服、背景等。如果将这些信息也作为识别依据，那么容易造成识别错误。而特征提取就是将人脸图片中的冗余信息去除，提取出具有代表性的特征，从而达到准确识别人脸的目的。

3. 特征提取方法

目前，已经有很多种人脸特征提取方法被提出。这些方法可以

分为两类：手工设计的特征提取方法和基于深度学习的特征提取

方法。

手工设计的特征提取方法主要有以下几种：

(1) 颜色直方图法：这种方法将人脸图片的像素分布进行统计，得到不同颜色区间的直方图，并将直方图作为特征向量。

(2) 局部二值化模式法：这种方法将人脸图片划分为多个区域，并将每个区域进行二值化。然后将每个区域的二值化结果拼接起来，就形成了一个局部二进制模式特征向量。

(3) 主成分分析法：这种方法通过对人脸图片进行主成分分析，得到可以代表原始图像的主成分，并将主成分向量用于人脸识别。

基于特征提取的人脸识别技术研究

人脸识别技术是一种通过计算机技术对人脸图像进行分析和识

别的技术。在现代社会中，人脸识别技术被广泛应用于安全领域、人脸支付、门禁系统等众多领域。而基于特征提取的人脸识别技

术是其中的一种重要方法。

基于特征提取的人脸识别技术主要是通过从人脸图像中提取出

的特征进行识别，而这些特征通常是人脸的关键信息。具体来说，特征提取的过程包括人脸检测、人脸对齐、特征抽取等几个步骤。

首先，人脸检测是整个人脸识别技术的第一步，它的目的是确

定图像中是否存在人脸。人脸检测可以使用传统的图像处理方法，也可以使用深度学习方法。其中，深度学习方法通常基于卷积神

经网络（CNN）的结构，通过训练大量的人脸图像样本来识别出

人脸。

其次，人脸对齐是为了使得不同人脸之间的位置、姿态等因素

保持一致，进一步提取特征。对齐通常包括两个步骤：人脸定位

和姿态校正。人脸定位是通过特征点定位或边缘检测等方式，在

图像中确定人脸的位置。姿态校正是根据人脸的位置和方向信息，使得人脸尽可能地垂直并且面部特征保持一致。

最后，特征抽取是将经过对齐处理后的人脸图像转换为一组可

以用来进行比较和识别的特征向量。常用的特征抽取方法有主成

分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。这些方法可以从人脸图像中提取出人脸的全局和局部特征，

形成一个稳定且具有区分度的特征描述子。

基于特征提取的人脸识别技术具有一定的优点。首先，它能够

克服光照变化、表情变化等因素对人脸识别的影响。通过提取人

脸的特定特征，可以更加稳定地进行识别。其次，该技术对于图

人脸识别技术原理

人脸识别技术是一种通过分析人脸图像或视频中的面部特征来识别

个人身份的技术。它在各行业中得到广泛应用，包括安全领域、金融

行业、社交媒体等。本文将介绍人脸识别技术的原理。

一、人脸采集

人脸识别技术的第一步是采集人脸图像或视频。主要采用相机或摄

像头进行采集，包括近红外照相机、深度相机等。采集到的图像或视

频将作为后续处理的输入。

二、人脸定位与对齐

人脸定位是指在图像或视频中准确定位人脸位置的过程。通常使用

的方法包括面部特征点定位、模型匹配等。定位成功后，需要对人脸

进行对齐，使得不同人脸在特征点上具有一定的相似性，以便后续的

特征提取和比对。

三、人脸特征提取

人脸特征提取是人脸识别的核心步骤。通过对已对齐的人脸图像进

行分析，提取出能够代表个体差异的重要特征。常用的特征提取方法

有主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。

四、特征匹配与比对

特征匹配与比对是将采集到的人脸特征与已存储的特征进行比对，以确定其身份的过程。比对方法主要有欧氏距离、余弦相似度等。根据比对结果，可以判断出是否为同一人，或在数据库中找出最相似的人脸。

五、识别结果输出

根据比对结果，系统将输出识别结果，通常以概率或置信度的形式表示。如果识别结果超过设定的阈值，则认为识别成功，输出对应身份信息。

六、应用领域

人脸识别技术广泛用于安保领域，如门禁系统、公共交通安全等。另外，金融行业也应用此技术来进行身份验证和欺诈检测。社交媒体平台也使用人脸识别来实现人脸标记和表情识别。

人脸识别技术的原理主要包括人脸采集、人脸定位与对齐、人脸特征提取、特征匹配与比对以及识别结果输出。它已经在各个领域展现出了强大的应用潜力，并且随着技术的不断进步，其准确性和可靠性也在不断提高。相信在未来，人脸识别技术将在更多的领域发挥重要作用。

面部特征点对比原理

面部特征点对比原理是人脸识别技术中的一种方法。其原理是通过比对人脸图像中的特征点，来判断两张人脸图像是否属于同一个人。

具体来说，面部特征点对比的原理包括以下几个步骤：

1. 特征点提取：首先，对两张人脸图像进行特征点提取。这些特征点通常包括眼睛、鼻子、嘴巴、眉毛等在图像中的位置和形状。

2. 特征点对比：将两张人脸图像中提取到的特征点进行对比。这通常涉及计算特征点之间的距离或角度等几何关系。

3. 相似度计算：根据特征点对比的结果，计算两张人脸图像之间的相似度。这可以使用一些相似度度量方法，如欧氏距离、曼哈顿距离、余弦相似度等。

4. 判定结果：根据相似度的阈值，判断两张人脸图像是否属于同一个人。如果相似度超过了设定的阈值，则判定为同一个人；否则，判定为不同的人。

需要注意的是，面部特征点对比只是人脸识别技术中的一种方法，还有其它方法如基于纹理、特征向量等的人脸识别方法。不同的方法有不同的优势和适用场景。面部特征点对比的优点是提取特征点的过程相对简单、计算代价较小，但也存在一些

缺点，比如对于人脸姿态变化较大的图像可能不适用。因此，在实际应用中需要根据具体情况选择合适的人脸识别方法。

人脸识别技术的特征提取方法

人脸识别技术的特征提取方法人脸识别技术是一种通过获取和分析人脸图像中的特征，来进行身份验证或者身份识别的技术。而人脸识别技术的核心就是人脸特征的提取。本文将介绍几种常用的人脸识别技术中的特征提取方法。

一、颜色信息的提取

颜色信息是人脸图像中最直观的特征之一，通过对人脸图像进行色彩空间转换，即将RGB颜色空间转换为HSV颜色空间，可以提取出特定的颜色信息。在HSV颜色空间中，H表示色调，S表示饱和度，V 表示亮度。通过调整阈值，可以提取出人脸图像中的肤色信息，从而进行特征的提取和分析。

二、几何信息的提取

几何信息是利用人脸图像中的形状和结构特征，通过计算和测量人脸各个部位之间的相对位置和大小关系来进行特征提取。常见的几何信息包括眼睛间距、眼睛到鼻子的距离、嘴巴的大小等。通过测量和计算这些几何信息，可以得到一个人脸的独特特征。

三、纹理信息的提取

纹理信息是指人脸图像中由于皮肤质地、皱纹等因素造成的细微变化。纹理信息的提取需要先将人脸图像进行分割，再对每个小区域进行纹理特征的提取。常用的方法有局部二值模式（LBP）和高斯微分滤波器（GDF）等。通过提取纹理信息，可以得到一个人脸图像的纹理特征。

四、特征融合

除了单一的特征提取方法，还可以通过将不同的特征进行融合来得到更加准确的特征提取结果。特征融合可以采用加权求和的方式，将不同特征的重要性进行评估，并根据重要性进行加权处理。常见的特征融合方法有融合规则、融合加权和融合决策等。

五、深度学习方法

近年来，深度学习方法在人脸识别技术中得到了广泛应用。深度学习方法通过构建深层神经网络，利用多层次的特征提取和表达能力来实现人脸特征的提取。常见的深度学习方法有卷积神经网络（CNN）和自编码器（Autoencoder）等。

人脸特征检测原理

咱们来聊聊人脸特征检测这个话题。首先，啥是人脸特征检测呢？简单来说，就是通过一些技术手段，找出人脸上的特定部位，比如眼睛、鼻子、嘴巴啥的。然后，把这些部位的信息收集起来，用来识别这个人是谁。

这个技术为啥这么火呢？因为现在大家都离不开手机、电脑这些东西，有时候需要验证身份，比如说解锁手机、支付啥的。这时候，人脸识别就派上用场了。咱们国家在这方面可是领先的哦！

那人脸特征检测是怎么做到的呢？原理很简单，就是把人脸图像分成很多小块，然后分析每个小块的特征。这些特征信息就像人的指纹一样，独一无二。接下来，把这些特征和已有的数据库进行对比，就能认出这个人是谁啦！

不过，这个人脸识别技术也不是完美的。有时候，光线不好或者角度不对，可能会导致识别不出来。不过，科学家们还在不断改进这个技术，相信不久的将来，咱们的人脸识别技术会越来

越厉害！

人脸识别的几种方法

人脸识别的方法主要有以下几种：

1. 基于几何特征的方法：这种方法通过提取人脸的几何特征，如眼睛、鼻子、嘴巴等部位的形状和大小，以及它们之间的几何关系（如距离、角度等），来进行人脸识别。这种方法简单易行，但识别率较低，且对光照、表情等因素较为敏感。

2. 基于模板的方法：这种方法将人脸图像与预先存储的模板进行比对，找到最相似的模板作为识别结果。常见的模板匹配方法有基于特征的方法、基于子空间的方法、基于神经网络的方法等。这种方法识别率较高，但计算复杂度较高，且对模板的选择和存储要求较高。

3. 基于模型的方法：这种方法通过建立人脸模型，将人脸图像与模型进行比对，找到最相似的模型作为识别结果。常见的模型方法有隐马尔可夫模型（HMM）、支持向量机（SVM）、神经网络等。这种方法能够处理复杂的表情和光照变化，但需要大量的人脸数据来训练模型，且计算复杂度较高。

4. 基于深度学习的方法：这种方法通过训练深度神经网络来学习人脸特征，并进行人脸识别。常见的深度学习算法有卷积神经网络（CNN）、循环神

经网络（RNN）等。这种方法能够自动提取有效特征，对光照、表情等因

素具有较强的鲁棒性，但需要大量的计算资源和训练数据。

总之，人脸识别的不同方法各有优缺点，应根据具体应用场景和需求选择合适的方法。

人脸识别技术的原理与应用

人脸识别技术的原理与应用人脸识别技术是指通过使用计算机科学及电子技术，对摄像头或摄像设备拍摄的人脸进行识别的一项技术。人脸识别技术近年来在安防、金融、教育等行业中得到广泛应用，主要是因为它具有高效、准确、可靠、自动化等诸多优点。本文将从技术原理和应用两个方面，分别进行介绍。

一、技术原理

人脸识别技术的原理主要有两种方式，一种是基于图像处理和分析的方法，另一种是基于人工智能、神经网络等技术。

1.基于图像处理和分析的方法

基于图像处理和分析的方法，主要是利用摄像头或摄像设备对场景进行拍摄，然后对拍摄对象的人脸进行图像处理。

1.1特征点法

特征点法是将人脸的关键特征点提取出来，进行识别。当人脸被拍摄之后，会对图像中的关键点进行提取，以此判断出人脸是否匹配。

1.2纹理法

纹理法是利用人脸图像的纹理特征来进行识别。它将特征点和纹理特征结合起来，提高人脸识别的准确率。

1.3三维重建法

三维重建法是将人脸图像进行三维模型重建，进行识别。这种方法对环境要求相对较高，需要较好的光照、环境等条件。

2.基于人工智能、神经网络等技术

基于人工智能、神经网络等技术的人脸识别方法则是通过计算机模拟人类的认知过程，使其可以进行人脸识别。

2.1人脸检测

人脸检测是指在图像或视频中检测人脸的过程，它是进行人脸识别的第一步。检测到人脸之后，才能对人脸进行特征提取和识别。

2.2人脸特征提取

人脸特征提取是指从人脸图像中提取出具有辨识性的特征，例如眼睛、鼻子、嘴巴等部位的特征以及图像的纹理、颜色等。

2.3人脸识别

人脸识别是利用计算机技术将提取的特征与数据库中的数据进行比对，从而判断人脸是否匹配的过程。

人脸识别的基本方法

一、人脸识别的基本原理

人脸识别（facial recognition）技术是一种生物识别技术，它可以

作为一种安全认证技术，通过通过对比个人的脸部特征和记录的脸部特征

进行鉴别的方式来确认个人身份，将真实的人脸和图像中的人脸进行对比

来达到鉴别此人的目的。

人脸识别技术的工作原理大致分为三个步骤：

1.特征提取：提取人脸图像的特征，这些特征包括脸型特征、眼睛特征、嘴巴特征、鼻子特征等；

2.特征向量化：将这些特征信息转换成特征向量，以便进行后续比对；

3.比对验证：把已经录入的特征向量和新输入的特征向量进行比较，

验证是否为同一个人的脸部特征。

1.基于模板的匹配方法

这是最常用的人脸识别方法，也是最常用的 biometric 系统之一、

这种方法的核心在于，在认证的过程中，将人脸信息预先存储在数据库中，然后将用户输入的人脸信息和数据库中已存储的信息进行匹配，通过比较

匹配度来确定这是否是同一个人，从而判断用户的身份。

2.基于深度学习的识别方法

在这种方法中，人脸识别系统首先会提取人脸信息，然后利用深度学

习技术，将提取的信息分析出脸部的特征数据，最后将这些特征进行比较，从而判断是否为同一个人。

人脸识别的算法模型比较与性能分析

人脸识别技术近年来得到了广泛应用，涵盖了安防监控、手机解锁、人脸支付等领域。而作为人脸识别技术重要组成部分的算法模型，其

性能直接关系到系统的精确性和鲁棒性。本文将比较和分析几种常见

的人脸识别算法模型，探讨它们的优劣和适用场景。

1. Eigenfaces（特征脸）算法模型

Eigenfaces算法是人脸识别算法的开山鼻祖，通过将人脸图像转换

成低维度的特征向量，并使用线性判别分析（LDA）进行分类。该模

型在中小规模人脸库上表现良好，但在大规模数据库的性能较差。此外，对于光照、角度变化较大的人脸，特征脸模型的准确性也会受到

影响。

2. Fisherfaces（判别脸）算法模型

Fisherfaces算法是对特征脸算法的改进，引入了线性判别分析（LDA）来提高分类性能。相对于特征脸算法，判别脸算法在光照和

角度变化较大的情况下具有更好的鲁棒性。然而，对于遮挡较多、表

情变化较大的人脸，该算法的准确率仍然会有所下降。

3. Local Binary Patterns（局部二值模式）算法模型

Local Binary Patterns（LBP）算法是一种基于纹理特征的人脸识别

算法，通过计算图像局部区域的纹理信息来描述特征点。LBP算法具

有简单、高效的特点，并对光照和姿态变化较为鲁棒。然而，LBP算

法在人脸成像质量较低或遮挡较多的情况下可能会出现性能下降的问题。

4. SIFT和SURF算法模型

SIFT（尺度不变特征变换）和SURF（加速稳健特征）算法是两种基于图像局部特征的人脸识别算法。它们通过检测和提取图像中的关键点，并利用这些关键点构建特征向量进行匹配。这些算法对于光照变化较为鲁棒，能够处理一定程度的遮挡和表情变化。然而，由于这些算法需要计算大量特征点，其速度相对较慢。

128个脸部特征点

"128个脸部特征点"是指计算机视觉领域中用于面部识别和人脸检测的一种技术。通过分析人脸上128个特定的点，计算机可以准确地识别和区分不同的人脸，这项技术在安全监控、人脸解锁和面部表情识别等领域有着广泛的应用。

人脸识别技术一直以来都是计算机视觉领域的热门研究方向之一。而在过去，人脸识别的精度和准确性一直是技术攻关的难点之一。随着深度学习和神经网络技术的快速发展，人脸识别技术也取得了长足的进步，其中“128个脸部特征点”技术就是其中的一种代表。

具体而言，这项技术通过计算人脸上128个特定的点的位置和特征来对人脸进行识别。这些特征点包括眼睛、眉毛、鼻子、嘴巴等地方的位置和轮廓特征，通过对这些特征点的分析和比对，计算机可以准确地识别出不同的人脸，甚至可以进行面部表情的识别和情感分析。

在实际应用中，“128个脸部特征点”技术已经被广泛运用于各种领域。在安全监控领域，这项技术可以帮助警方迅速准确地找到嫌疑人的踪迹；在移动支付和人脸解锁领域，这项技术可以确保用户的身份安全；在医疗领域，这项技术可以帮助医生准确地识别患者的面部表情，从而进行更精准的诊断和治疗。

总的来说，“128个脸部特征点”技术是人脸识别领域的一项重要技术，它极大地提升了人脸识别的准确性和精度，为人工智能和计算机视觉技术的发展带来了新的机遇和挑战。随着人脸识别技术的不断完善和发展，我们相信在不久的将来，这项技术将会在更多的领域得到广泛的应用，为人们的生活和工作带来更多的便利和安全。

人脸识别技术的工作原理

人脸识别技术是一种通过计算机程序对人脸特征进行分析和识别的技术。其工作原理可以分为三个步骤：预处理、特征提取和分类识别。

1. 预处理

先通过检测算法将图像中的人脸区域提取出来，去除干扰因素如眼镜、帽子、口罩等的影响。对获得的人脸图像进行灰度化、尺寸归一化、直方图均衡化等预处理操作，以保证后续处理的准确性和稳定性。

2. 特征提取

人脸识别技术主要依赖于对人脸图像中的各种特征进行提取和比较，以区分不同的人脸。常用的特征提取方法包括基于外观、几何、纹理等的多种方式，其中比较流行的有以下四种：

（1）局部二值模式（LBP）

LBP是将图像划分为若干个小区域，对每个区域进行二值化

处理，以表达像素点在整个区域中的相对位置关系。将每个小区域的二值模式拼接起来，就得到了一个长向量，代表了整张人脸图像的LBP特征。

（2）主成分分析（PCA）

PCA是一种基于数学统计的方法，它通过对所有样本数据进行主成分分析，得到每个样本在PCA空间中的向量表示，称为主成分系数。每个样本的特征向量都可以被重构为多个主成分系数的线性组合表示。

（3）线性判别分析（LDA）

LDA是一种有效的分类模型，在将不同的人脸进行分类时易于区分，能够保留人脸图像中的差异性特征，在图像降维中也有巨大的优势。

（4）小波变换（Wavelet Transform）

小波变换是一种基于滤波器组的方法，它对输入的信号进行多尺度分解，并得到信号在不同频率下的系数。提取人脸特征时则将不同尺度和不同方向的小波系数组成一个向量，形成特征表示。

3. 分类识别

人脸识别的特征提取概论

人脸识别是一种通过计算机技术识别和鉴别人脸的技术，其过程主要包括人脸检测、特征提取和识别匹配。其中特征提取是人脸识别的关键环节，通过提取人脸图像中的特征信息，可以对不同的人脸进行区分识别。

特征提取是指从原始图像中提取出能够代表人脸特征的信息。人脸特征通常包括形状、纹理和局部特征等方面。下面将介绍几种常见的人脸特征提取方法。

一、基于特征点的人脸识别方法：

基于特征点的人脸识别方法主要利用人脸上的特殊点位信息进行特征提取和匹配。常用的特征点包括眼睛、鼻子、嘴巴等位置。通过检测这些特殊点位，可以计算得到人脸的特征向量，并与数据库中的特征向量进行匹配。这种方法简单快速，但对于一些遮挡或者光线较暗的人脸有一定的局限性。

二、基于纹理的人脸识别方法：

基于纹理的人脸识别方法主要利用人脸上由面部组织形成的纹理信息进行特征提取和匹配。主要包括LBP（Local Binary Pattern）和Gabor 滤波器。LBP方法将每个像素与其周围像素比较，得到二进制编码作为纹理特征。Gabor滤波器则通过不同频率和方向的滤波器对图像进行滤波，提取其纹理信息。这两种方法适用于不同的应用场景，且对光线变化和表情变化的鲁棒性较强。

三、基于形状的人脸识别方法：

此外，还有一些基于深度学习的人脸特征提取方法，如基于卷积神经

网络的人脸特征提取方法。通过训练深度神经网络，可以得到具有较好鉴

别效果的人脸特征表示。这种方法不仅可以提取局部特征，还能够提取出

更加抽象和语义化的特征，具有较好的鉴别能力。

综上所述，人脸识别的特征提取是通过计算机技术从人脸图像中提取

人脸识别的特征提取方法

1. Haar特征

Haar特征是一种基于图像亮度变化的特征提取方法，适合于较小的面部区域，能够提取出面部的边缘、纹理等特征。

2. LBP特征

LBP特征是一种基于局部领域像素灰度信息的特征提取方法，适合于较大的面部区域，能够提取出面部的纹理和深度等特征。

3. HOG特征

HOG特征是一种基于梯度信息的特征提取方法，适合于较大的面部区域，能够提取出面部的轮廓和形状等特征。

4. SIFT特征

SIFT特征是一种基于局部特征的特征提取方法，适合于不同角度、光照条件和表情下的人脸识别，能够提取出面部的关键点和特征描述子。

5. PCA特征

PCA特征是一种基于主成分分析的特征提取方法，适合于大规模的人脸识别，能够提取出面部的主要特征并降低维度。