综述人脸识别中的子空间方法
人脸检测与识别的方法
人脸检测与识别的方法一、传统方法1.图像金字塔图像金字塔是指通过对图像进行多次减采样或加采样得到一系列分辨率不同的图像。
人脸检测中使用图像金字塔可以将输入图像在不同尺度下进行处理，从而实现对不同尺度的人脸进行检测。
2. Haar特征和级联分类器Haar特征是指用于检测人脸的一种灰度特征，它可以通过计算图像上不同区域的灰度差值来表示。
级联分类器是指通过级联多个简单的分类器来构建一个复杂的分类器，用于对图像中的人脸进行分类。
通过结合Haar特征和级联分类器可以实现高效的人脸检测。
3.高斯混合模型与皮肤颜色模型高斯混合模型是指将图像中的像素分布建模为几个高斯分布的加权和，通过对图像进行颜色建模可以用于判断像素是否属于人脸区域。
皮肤颜色模型是一种常用的方法，通过对肤色像素的统计分析可以辅助人脸检测。
二、深度学习方法1.卷积神经网络（CNN）卷积神经网络是一种深度学习模型，通过使用包含卷积层和池化层的结构可以从原始图像中学习到人脸特征。
通过在大量标注有人脸的数据集上进行训练，可以实现高效准确的人脸检测和识别。
2.目标检测框架目标检测框架是一种深度学习模型，通过将图像中的人脸看作一个目标并进行检测和定位。
常用的目标检测框架包括RCNN系列（如Faster RCNN、Mask RCNN）和YOLO系列（如YOLOv3）。
这些框架可以同时实现人脸检测和人脸识别。
3.人脸关键点检测人脸关键点检测是指通过深度学习模型来预测人脸中的关键点位置，如眼睛、鼻子、嘴巴等。
通过检测人脸关键点可以实现更加准确的人脸检测和识别。
常用的人脸关键点检测方法包括人脸解析模型（如BlazeFace）和人脸关键点检测模型（如Hourglass）。
总结：传统方法主要包括图像金字塔、Haar特征与级联分类器、高斯混合模型和皮肤颜色模型等；而深度学习方法主要包括卷积神经网络、目标检测框架和人脸关键点检测等。
随着深度学习技术的发展，深度学习方法在人脸检测与识别中取得了更好的表现，但传统方法在一些特定场景下仍然具有一定的优势。
基于外观的子空间人脸识别方法研究
物特征识别和信息安 全等 ） 同时 ， 也是 模式识 别 理论 中 比 ， 它 较典型 的多类型判别问题 。它的成功解 决可 以帮助解决 其他
的模式分类问题。 目前 ， 基于 图像 的人脸识别技术按其所使用的表达方式不
结果 ， 并对其进 行 总结 。
关键词 ：人脸 识别 ；主成 分分析 ；独 立成分 分析 ；线性判 别 分析 ；子空 间分析
中 图分类号 ：Ｔ ３７ ０ Ｐ １ ．４ 文献标 志码 ：Ａ 文章 编 号 ：１０ — ６ ５ ２ ０ ）５ ０ １— ３ ０ １ ３９ （ ０ ７ ０ — ０ ０ ０
Ｓｕ ｙ ｏ ｐ ａ ａ ｃ — ａ ｅ ｕ ｓ ａ ｅ Ｆ ｃ ｃ ｇ ｉ ｏ ｇ ｒｔｍｓ ｔ ｄ ｆＡｐ ｅ ｒ ｎ ｅ ｂ ｓ ｄ Ｓ ｂ ｐ ｃ ａ ｅ Ｒｅ ｏ ｎ ｔ ｎ Ａｌｏ ｉ ｉ ｈ
ＹＵ ａ — ｌｉ ＸＵ ｎ Ｘｉｏ ｎｅ ， Ｄａ
（ ｅｔ ｆＣ ｍ ｕｅ ｃ ｎｅ出 Ｅ ｇｎｅｉ Ｙ ｎａ ｎｖ ｓｙＫ ｎ ｉｇ Ｙｎ ａ ５ ０ １ ｈｎ ） Ｄｐ．ｏ ｏ ｐ ｔ Ｓｉ ｃ ｒ ｅ ｎｉｅｒ ｇ，ｕ ｎ ｎＵ ｉｒ ｔ，ｕ ｍ ｎ ｕｎ ｎ６ ０ ９ ，Ｃ ｉａ ｎ ｅｉ
维普资讯
第２ ４卷第 ５期
２０ ０ ７年 ５ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆ Ｃ ｍｐ ｔ ｒ ｃ ｏ
Ｖ １ ２ Ｎｏ ５ ｏ ． ４， ．
Ｍａ ０ ７ ｖ２ ０
同， 可分为两大类 ： ①基 于外 观的方法 。使用 人脸 图像 中特 定
人脸识别经典算法
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 -。
人脸识别主要算法原理
人脸识别主要算法原理主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。
1.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；2.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。
3.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。
1.基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
Jia等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、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(即可变形模板),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。
这种方法思想很好，但是存在两个问题，一是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。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
2.局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。
人脸识别的几种方法
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。
人脸检测和识别技术的文献综述
人脸检测和识别技术的文献综述Last updated on the afternoon of January 3, 2021人脸识别技术综述摘要：在阅读关于人脸检测识别技术方面文献后，本文主要讨论了人脸识别技术的基本介绍、研究历史,人脸检测和人脸识别的主要研究方法，人脸识别技术的应用前景，并且总结了人脸识别技术的优越性和当下研究存在的困难。
关键词：人脸识别;人脸检测；几何特征方法;模板匹配方法;神经网络方法;统计方法;模板匹配;基于外观方法;随着社会的发展，信息化程度的不断提高，人们对身份鉴别的准确性和实用性提出了更高的要求，传统的身份识别方式已经不能满足这些要求。
人脸识别技术(FRT)是当今模式识别和人工智能领域的一个重要研究方向.虽然人脸识别的研究已有很长的历史,各种人脸识别的技术也很多,但由于人脸属于复杂模式而且容易受表情、肤色和衣着的影响,目前还没有一种人脸识别技术是公认快速有效的[1]基于生物特征的身份认证技术是一项新兴的安全技术，也是本世纪最有发展潜力的技术之一[2]。
1.人脸识别技术基本介绍人脸识别技术是基于人的脸部特征，一个完整的人脸识别过程一般包括人脸检测和人脸识别两大部分，人脸检测是指计算机在包含有人脸的图像中检测出人脸，并给出人脸所在区域的位置和大小等信息的过程[3]，人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。
计算机人脸识别技术也就是利用计算机分析人脸图象,进而从中出有效的识别信息,用来“辨认”身份的一门技术.人脸自动识别系统包括三个主要技术环节[4]。
首先是图像预处理，由于实际成像系统多少存在不完善的地方以及外界光照条件等因素的影响，在一定程度上增加了图像的噪声，使图像变得模糊、对比度低、区域灰度不平衡等。
为了提高图像的质量，保证提取特征的有有效性，进而提高识别系统的识别率，在提取特征之前，有必要对图像进行预处理操作；人脸的检测和定位，即从输入图像中找出人脸及人脸所在的位置，并将人脸从背景中分割出来，对库中所有的人脸图像大小和各器官的位置归一化；最后是对归一化的人脸图像应用人脸识别技术进行特征提取与识别。
人脸识别综述
人脸识别概述及其相关问题研究080303214 08计本2 李志超摘要：概述了人脸识别中的主要流程和主要技术，并且对其目前存在的问题和未来的发展做了一定的分析。
关键词：模式识别，人脸识别一．概述近年来,数字图像技术的应用范围越来越广,运用数字图像处理技术的身份验证则更是由于其在公安(罪犯识别等)、安全验证系统、信用卡验证等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。
由于生物特征是人的内在属性,具有很强的自身稳定性和个体差异性,因此是身份验证的最理想依据。
这其中,利用人脸特征进行身份验证又是最自然直接的手段,相比于指纹、视网膜、虹膜、基因等其它人体生物特征,它具有直接、友好、方便的特点,更易于为用户所接受,因此备受关注。
虽然人类可以轻松识别出不同人的脸部特征,但机器对人脸的自动识别涉及到模式识别、数字图像处理、生理和心理学等多方面的课题。
人脸识别系统应该能够处理脸部图像的变化,但是同一张脸,在不同的视角,不同的描述方法下,图像的差别很大,人脸的自动识别因此也是极具挑战性的工作。
二．人脸识别过程及其技术人脸识别问题是指:对输入的人脸图像或者视频,首先判断其中是否存在人脸,如果存在人脸,则进一步的给出每个人脸的位置、大小和各个主要面部器官的位置信息,并依据这些信息,进一步提取每个人脸中所蕴含的身份特征,并将其与已知人脸库中的人脸进行对比,从而识别每个人脸的身份。
人脸识别的过程可以分为以下三个部分:1)人脸检测:判断输入图像中是否存在人脸,如果有,给出每个人脸的位置,大小;2)面部特征定位:对找到的每个人脸,检测其主要器官的位置和形状等信息;3)人脸比对:根据面部特征定位的结果,与库中人脸对比,判断该人脸的身份信息。
完整的人脸识别系统至少包括两个主要环节。
首先在输入图像中找到人脸的位置,将人脸从背景中分割出来;其次,将分割后的人脸图像进行特征提取和识别。
如下图1所示:2.1人脸的检测和定位2.1.1人脸的色彩特性研究发现，虽然不同种族的肤色差异较大，但在色彩空间中的分布相对集中，因此可以充分利用皮肤的色彩特点进行脸部肤色和五官的分割.这种肤色的分布服从高斯分布N(m,C)，其中：均值(Mean):m=E{x}，x=(r b)T，协方差(Covariance):C=E{(x–m)(x–m)T}.由高斯分布可得到图像中任一像素的值为肤色的概率Likelihood[3]，如下式所示.2.1.2彩色图转化为灰度图根据(1)可将原彩色图转化为灰度图.灰度图中的像素值表示该像素为肤色的概率.灰度图中肤色区域和非肤色区域存在着明显的差异，肤色区域要亮一些.2.1.3灰度图转化为二值图肤色区域和非肤色区域存在着明显的差异，因此可以用阈值法去除非肤色区域.由于固定阈值法不适用于色彩差异较大的各种人脸图像，因此采用自适应阈值选取法来获取最优阈值.自适应阈值选取法的原理如下：随着阈值的逐步减小，观察分割出的区域数目的增加情况.虽然这种增加速度有逐渐减缓的趋势，但当阈值取到一个很小值以至于部分非肤色区域被保留下来时，分割出的区域数目会产生一个跳变，此时的阈值即为最优阈值.用该阈值对灰度图做二值化处理，即:其中，gi(x,y)为灰度图中的像素值，T为自适应阈值选取的最优阈值.经过上述处理后，得到一幅二值图.2.1.4判断保留下的各个区域是否是人脸区域首先计算该区域的欧拉数Ｅ＝Ｃ－Ｈ，其中Ｃ为区域连通数，Ｈ为洞的数目，对于人脸而言，Ｅ应大于１.然后根据欧拉数E判断区域中是否存在洞，若是，则根据下列公式计算矩、质心和倾角.再利用人脸的几何特性进一步判断：计算区域的长、宽，若长宽比过大则丢弃；将标准人脸模板和区域重合，计算十字相关性.若关联性大于一个即定值，则该区域为人脸.2.2人脸特征提取2.2.1利用小波多分辨特性对人脸做降维表达对人脸图像做一阶小波分解,再对高频图做积分投影.图像积分投影定义如下：给定N×M大小的图像I(x,y)，分别定义水平函数量H(y)和垂直投影函数V(x)，图像区域为Ψ(x1＜x＜x2，y1＜y＜y2＝：2.2.2确定人脸带区在垂直细节图作积分投影，得到积分投影函数V(x)，寻找V(x)的两个极值点，它们就是人脸的左右边界.这两个点的位置确定了一个垂直带区，命名为“人脸外接带区”.人脸左右边界部分的小波系数较大，所以具有较大的值.利用两个峰值，可以确定人脸的垂直带区.2.2.3特征基线确定在人脸外接带区范围内，对水平细节图作水平积分投影，得到H(y).在眼睛、鼻子、嘴的位置附近，小波系数的值比较大，寻找H(y)中极值点，它们分别对应眼睛、鼻子和嘴的基线.对水平细节图中基线的区域分别进行垂直积分投影、检测结果、确定基线.眼睛基线附近应得到两个突起的峰值，鼻子和嘴应在两眼的峰值中间有一个长的峰值.最后，定义人脸的外接矩形.由于头发、胡须和衣服等在多数方向上具有较高的小波系数，所以无法准确定位人脸上下基线.根据人脸的形状，一般确定人脸的长宽比大约为1.5：1，将人脸的上下基线定义为与鼻子的基线等距.2.2.4基于特征基线提取特征眼：在眼睛基线附近做边沿检测，对检测结果做水平投影，确定眼睛的范围.做垂直投影，对区域中的黑点进行区域膨胀.取黑点的均值作为瞳孔的位置.鼻子：设两眼瞳距为1，在双眼下方(0.7,1)范围内寻找颜色较深的区域即鼻孔.两鼻孔的1/2处的亮度最高点即为鼻尖.嘴：寻找满足下列条件并位于脸的下方的区域即唇色.嘴到两眼中心的距离为(1.0,1.3).用类似眼睛的方法找到左右嘴角和嘴的中心.2.3人脸对比国内人脸对比技术已取得了一定的成果.BP神经网络是应用较为广泛的一种特征提取和对比方法.例如，可将标准化后人脸图像各点的灰度值作为特征提取网络的输入，其隐层输出作为识别网络的输入.识别网络的期望输出为赋予每个人的标识号.每人多张照片参加训练，根据训练人数的多少，可适当增减输出层结点数.该方法的优点是识别速度快、识别率高、自适应性强，但训练和收敛速度慢，容易陷入局部极小.另一种有效方法是将本征脸、协同算法和自联想神经网络等单一分类器结合起来，形成了多分类器结合的方法进行人脸对比，并在已有的几种分类器结合方法的基础上，对投票法作一些改进：不同分类器给予不同的“说话权重”，增加“第二候选人”，并根据“第一候选人”与“第二候选人”的可信度差，给“第一候选人”加“附加选票”.实验结果表明，采用多分类器结合方法后的识别率比单一分类器要高，改进后的投票法较其他多分类器结合方法有较好的识别率(可高达95%).三．人脸识别主流技术及其简介主流的人脸识别技术基本上可以归结为3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。
人脸算法公式
人脸算法公式
人脸识别算法涉及多个步骤和公式，但具体公式取决于所使用的算法。
以下是其中两种常用的人脸识别算法及其相关公式：
1. 主成分分析（PCA，也被称为特征脸方法）：
PCA是一种以较少数量的特征对样本进行描述以达到降低特征空间维数的
方法，其基础是Karhunen-Loeve展开式，简称KL展开式。
具体来说，对于一个输入的测试样本x，可以求出它与平均脸之间的偏差y = x - x’，y在特征脸空间的投影可以表示为系数向量z = W(T)y，z就是KL变换的展开系数向量。
2. Gabor小波变换+图形匹配：
Gabor滤波器将Gaussian网络函数限制为一个平面波的形状，并且在滤波器设计中有优先方位和频率的选择，表现为对线条边缘反应敏感。
这种方法精确抽取面部特征点以及基于Gabor引擎的匹配算法，具有较好的准确性，能够排除由于面部姿态、表情、发型、眼镜、照明环境等带来的变化。
请注意，以上仅为简要介绍，并无法涵盖所有的人脸识别算法公式。
在实际应用中，建议根据具体需求和场景选择适合的算法，并深入学习相关算法和公式。
人脸识别常用算法
人脸识别常用算法人脸识别是一种通过计算机视觉技术对图像或视频中的人脸进行检测、识别和验证的技术。
它在安防监控、人脸支付、人脸解锁等领域有着广泛的应用。
人脸识别的核心在于算法的设计与优化，下面将介绍几种常用的人脸识别算法。
一、特征提取算法特征提取算法是人脸识别的关键步骤，它通过对人脸图像进行分析和处理，提取出具有代表性的特征信息。
常用的特征提取算法有主成分分析（PCA）算法、线性判别分析（LDA）算法和局部二值模式（LBP）算法。
PCA算法通过对人脸图像进行降维，将高维的图像数据映射到低维的特征空间中，然后利用这些特征进行分类和识别。
LDA算法则是通过最大化类间距离和最小化类内距离的方式，寻找最优的投影方向，以实现人脸的区分和识别。
LBP算法则是一种局部特征描述算法，它通过对图像的每个像素点与其周围像素点进行比较，得到一个二进制编码，从而提取出人脸的纹理信息。
二、人脸检测算法人脸检测算法是人脸识别的前置步骤，它主要用于检测图像或视频中是否存在人脸，并将其位置标记出来。
常用的人脸检测算法有Viola-Jones算法、卷积神经网络（CNN）算法和级联分类器算法。
Viola-Jones算法是一种基于机器学习的人脸检测算法，它通过训练一个级联的强分类器来实现人脸的检测。
CNN算法则是一种深度学习算法，它通过构建多层的卷积神经网络来提取图像的特征，并通过分类器进行人脸检测。
级联分类器算法则是将多个分类器组合在一起，通过级联的方式进行人脸检测，以提高检测的准确率和速度。
三、人脸识别算法人脸识别算法是通过对提取的人脸特征进行匹配和比对，从而实现对人脸的识别和验证。
常用的人脸识别算法有支持向量机（SVM）算法、人工神经网络（ANN）算法和卷积神经网络（CNN）算法。
SVM算法是一种监督学习算法，它通过构建一个超平面来实现对不同类别的人脸进行分类和识别。
ANN算法则是一种模拟人脑神经元工作原理的算法，它通过构建多层的神经网络来实现对人脸的识别。
子空间方法辨识
1.子空间辨识方法直接利用输入输出数据估计得到系统状态空间模型。
2.
3.子空间辨识的目标：
给定一个未知的单入单出或多入多出系统，假定系统的输入测量值为u ，输出测量值为y 在系统可能存在输入、输出、状态噪声的情况下，估计出系统的状态空间模型。
4.
5.几何工具：正交投影，斜向投影。
无噪声子空间辨识方法：
确定性系统。
推出：
设：
可以得到：
其中Y是可知的，需要消除U，最简单的方法是子空间正交投影法，数学表达式是：
故有：
将上面得到的，右乘，得，这样就消除了U。
只要求得，系统状态空间矩阵A和C就可以利用广义可观测矩阵计算得到。
因为X未知，需要对做一个近似变换。
的估计为。
将进行SVD分解，
令，故有：
这样就可以得到系统矩阵A和C。
下面确定系统矩阵Ｂ和Ｄ以及初始状态ｘ（０）。
将输出方程写成以下形式：
，
此时假设为两输入两输出系统：
因此ｙ（０）的Ｂ，Ｄ，ｘ（０）部分可以由下式表示：
将式用比例矩阵表示，为：。
人脸识别技术论文
人脸识别技术论文人脸识别，特指利用人脸视觉特征信息的分析比较结果进行身份鉴别的计算机技术。
下面是店铺为大家整理的人脸识别技术论文，希望你们喜欢。
人脸识别技术论文篇一人脸识别技术综述摘要：文章首先对人脸识别技术进行了介绍，其次回顾了人脸识别研究的发展历程及识别方法的基本分类，然后对当前主流的人脸识别方法展开了详细的论述，最后提出了人脸识别技术面临的问题及研究方向。
关键词：人脸识别;特征脸;线形判别分析;局部二值模式中图分类号：TP391Survey of face recognition technologyHe Chun(Education and Information Technology Center， China West Normal University， Nanchong Sichuan 637002， China) Abstract：This paper introduces technology of face recognition firstly， and reviews the development process and the basic classification method of face recognition. After that，the paper discusses the current methods of face recognition in detail， therefore proposes the existing problems in the research of recognition faces and future’s research direction.Key words：face recognition; Eigenface; linear discrimination analysis; LBP1 人脸识别技术简介人脸识别，特指利用人脸视觉特征信息的分析比较结果进行身份鉴别的计算机技术[1]。
人脸识别考勤系统的算法与原理
人脸识别考勤系统的算法与原理随着科技的不断进步，人脸识别技术得到了广泛应用，其中之一就是人脸识别考勤系统。
这种系统利用人脸识别算法和相关的原理，能够自动识别员工的脸部特征，实现考勤的自动化和智能化管理。
本文将介绍人脸识别考勤系统的算法与原理。
一、人脸识别算法人脸识别算法是人脸识别考勤系统的核心部分，它通过对人脸图像的处理和分析，来判断人脸的身份。
常用的人脸识别算法有以下几种：1. 特征脸算法：特征脸算法是一种基于统计模型的算法，它通过计算人脸图像的主要特征向量，来进行人脸识别。
该算法的原理是将人脸图像转换为低维度的特征向量，然后通过比较特征向量的差异来判断身份。
2. 子空间算法：子空间算法是一种基于线性代数的算法，它通过将人脸图像投影到一个低维度的子空间中，来进行人脸识别。
该算法的原理是将人脸图像映射到子空间中的坐标，然后通过比较坐标的差异来判断身份。
3. Gabor滤波器算法：Gabor滤波器算法是一种基于频域分析的算法，它通过对人脸图像进行Gabor滤波器的处理，来提取人脸的纹理特征，从而进行人脸识别。
该算法的原理是利用Gabor滤波器对人脸图像进行多尺度、多方向的滤波，然后通过比较滤波结果的相似性来判断身份。
4. 深度学习算法：深度学习算法是一种基于神经网络的算法，它通过多层神经网络的训练，来提取人脸图像的高级特征，从而进行人脸识别。
该算法的原理是通过多层神经网络的前向传播和反向传播，来学习人脸图像的特征表示，然后通过比较特征表示的相似性来判断身份。
二、人脸识别原理人脸识别系统的原理是基于人脸的独特性和稳定性。
每个人的脸部特征都是独一无二的，而且相对稳定，不会因为年龄的增长或者其他因素的变化而改变太大。
因此，通过对人脸的特征进行提取和比对，可以实现对人脸的识别。
人脸识别系统的工作流程如下：1. 数据采集：首先，需要采集一组人脸图像作为样本，这些图像包括正常情况下的人脸图像和不同角度、表情、光照条件下的人脸图像。
人脸识别原理
自动人脸识别基本原理人脸识别经过近 40 年的发展，取得了很大的发展，涌现出了大量的识别算法。
这些算法的涉及面非常广泛，包括模式识别、图象处理、计算机视觉、人工智能、统计学习、神经网络、小波分析、子空间理论与流形学习等众多学科。
所以很难用一个统一的标准对这些算法进行分类。
根据输入数据形式的不同可分为基于静态图象的人脸识别与基于视频图象的人脸识别。
因为基于静态图象的人脸识别算法同样合用于基于视频图象的人脸识别，所以惟独那些使用了时间信息的识别算法才属于基于视频图象的人脸识别算法。
接下来分别介绍两类人脸识别算法中的一些重要的算法。
特征脸方法利用主分量分析进行降维与提取特征。
主分量分析是一种应用十分广泛的数据降维技术，该方法选择与原数据协方差矩阵前几个最大特征值对应的特征向量构成一组基，以达到最佳表征原数据的目的。
因为由主分量分析提取的特征向量返回成图象时，看上去仍像人脸，所以这些特征向量被称为“特征脸”。
在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象(减去平均人脸后)都可投影到该子空间，得到一个权值向量。
计算此向量与训练集中每一个人的权值向量之间的欧式距离，取最小距离所对应的人脸图象的身份作为测试人脸图象的身份。
下图给出了主分量分析的应用例子。
图中最左边的为平均脸，其他地为对应 7 个最大特征值的特征向量。
主分量分析是一种无监督学习方法，主分量是指向数据能量分布最大的轴线方向，因此可以从最小均方误差意义下对数据进行最优的表达。
但是就分类任务而言，由主分量分析得到的特征却不能保证可以将各个类别最好地区分开来。
线性鉴别分析是一种著名的模式识别方法，通过将样本线性变换到一个新的空间，使样本的类内扩散程度达到最小，同时类间扩散程度达到最大，即著名的 Fisher 准则。
标准特征脸同一个人不同图象之间的的特征脸不同人的图象之间的特征脸Lades 等人针对畸变不变性的物体识别问题提出了一种基于动态连接结构的弹性图匹配方法，并将其应用于人脸识别。
人脸识别综述与展望-最新范文
人脸识别综述与展望1人脸识别技术概述近年来,随着计算机技术的迅速发展,人脸自动识别技术得到广泛研究与开发,人脸识别成为近30年里模式识别和图像处理中最热门的研究主题之一。
人脸识别的目的是从人脸图像中抽取人的个性化特征,并以此来识别人的身份。
一个简单的自动人脸识别系统,包括以下4个方面的内容：(1)人脸检测(Detection)：即从各种不同的场景中检测出人脸的存在并确定其位置。
(2)人脸的规范化(Normalization)：校正人脸在尺度、光照和旋转等方面的变化。
(3)人脸表征(FaceRepresentation)：采取某种方式表示检测出人脸和数据库中的已知人脸。
(4)人脸识别(Recognition)：将待识别的人脸与数据库中的已知人脸比较,得出相关信息。
2人脸识别算法的框架人脸识别算法描述属于典型的模式识别问题,主要有在线匹配和离线学习两个过程组成,如图1所示。
图1一般人脸识别算法框架在人脸识别中,特征的分类能力、算法复杂度和可实现性是确定特征提取法需要考虑的因素。
所提取特征对最终分类结果有着决定性的影响。
分类器所能实现的分辨率上限就是各类特征间最大可区分度。
因此,人脸识别的实现需要综合考虑特征选择、特征提取和分类器设计。
3人脸识别的发展历史及分类人脸识别的研究已经有相当长的历史,它的发展大致可以分为四个阶段：第一阶段：人类最早的研究工作至少可追朔到二十世纪五十年代在心理学方面的研究和六十年代在工程学方面的研究。
J.S.Bruner于1954年写下了关于心理学的Theperceptionofpeople,Bledsoe在1964年就工程学写了FacialRecognitionProjectReport,国外有许多学校在研究人脸识别技术[1],其中有从感知和心理学角度探索人类识别人脸机理的,如美国TexasatDallas大学的Abdi和Tool小组[2、3],由Stirling大学的Bruce教授和Glasgow大学的Burton教授合作领导的小组等[3];也有从视觉机理角度进行研究的,如英国的Graw小组[4、5]和荷兰Groningen大学的Petkov小组[6]等。
人脸识别的主要算法以及原理
⼈脸识别的主要算法以及原理⼈脸识别的主要算法以及原理主流的技术基本上可以归结为三类，即：基于⼏何特征的⽅法、基于模板的⽅法和基于模型的⽅法。
1. 基于⼏何特征的⽅法是最早、最传统的⽅法，通常需要和其他结合才能有⽐较好的效果；2. 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。
3. 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。
1. 基于⼏何特征的⽅法⼈脸由眼睛、⿐⼦、嘴巴、下巴等部件构成，正因为这些部件的形状、⼤⼩和结构上的各种差异才使得世界上每个⼈脸千差万别，因此对这些部件的形状和结构关系的⼏何描述，可以做为⼈脸识别的重要特征。
⼏何特征最早是⽤于⼈脸侧⾯轮廓的描述与识别，⾸先根据侧⾯轮廓曲线确定若⼲显著点，并由这些显著点导出⼀组⽤于识别的特征度量如距离、⾓度等。
Jia 等由正⾯灰度图中线附近的积分投影模拟侧⾯轮廓图是⼀种很有新意的⽅法。
采⽤⼏何特征进⾏正⾯⼈脸识别⼀般是通过提取⼈眼、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 (即可变形模板),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。
这种⽅法思想很好，但是存在两个问题，⼀是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。
基于参数的⼈脸表⽰可以实现对⼈脸显著特征的⼀个⾼效描述，但它需要⼤量的前处理和精细的参数选择。
同时，采⽤⼀般⼏何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，⽽且⽬前已有的特征点检测技术在精确率上还远不能满⾜要求，计算量也较⼤。
基于鲁棒主成分分析的人脸子空间重构方法
ｉ ｇ ｓ ｉ ｉ ａ ｏ ｒ ｎｋ ｕ ｐ ｃ ． Ｈ ｏ ｖ ｒ ｄ ｔ ｉｌ ｍａ ｅ ｌｅ ｎ ｌ ｗ— ａ ｓ ｂｓ ａ ｅ ｗｅ ｅ ， ｕｅ ｏ ｌｕｍｉ ｔｏ ｖａ ｉｔｏ ｎａ ｉ ｎ ｒａ ｉ ｎ， ｓ ｄ ｗｓ， ｏｃ ｌ ｉ ｎ， ｈａ ｏ ｃ ｕｓｏ ｓ ｃ ａ ｉｉ ｓａ ｏ ｒ ｐｔｏ ｐｅ ｕｌｒｔｅ ｎｄ ｃ ｒ ｕ ｉ ｎ，ｒ ａ ｆ ｃ ｉ ｇ ｓ ｅ ｄｏ ｅ ｌ ａ ｅ ｍａ ｅ ｓ ｌ ｍ ｒ ｖ ａｌ ｕ ｈ ｌ ｗ— ａ ｋ ｔ ｕｃ ｕ ｅ Ｗ ｅ ｒ ｏｓ ｅ ｅ ｓ ｃ ｏ ｒ ｎ ｓ ｒ ｔ ｒ ． ｐ ｏｐ ｅ ａ ｆ ｃ ｕｂｓ ａ ｅ ｒ ｃ ｖ ｒ ｅ ｈｏ ｓ ｄ ｎ ｔ Ｒｏｂｕ ｔ ｉ ｉ ｌＣｏ ｐ ｅ ｔ ａ ｅｓ ｐ ｃ ｅ ｏ ｅ ｙ ｍ ｔ ｄ ｂａ ｅ ｏ ｈｅ ｓ Ｐｒｎｃｐａ ｍ ｏｎ ｎ Ａｎ ｌ ｉ． Ｔｈｅ ａ ｅ ｍａ ｅ ａ ｙｓｓ ｆ ｃ ｉ ｇ
Ｊａ ｇ Ｍ ｉｇ ａ ｇ ａ ｄ Ｆ ｎ ｕ ｕ ｉｎ ｎ ｙ ｎ ｎ ｅ ｇ Ｊ ｆ
（ ｙ Ｌ ｂ ｒ ｔ ｒ ｆ Ｍａ ｈ ｎ ｅ ｃ ｐ ｉｎ （ ｎｓｒ ｄ ｃ ｔｏ ，Ｓ ｈ ｏ ｆ Ｅ ｅｔｏ ｉｓ Ｅｎ ｉ ｅｒｎ ｎ ｏ ｕ ｅ ｃｅ ｃ ， Ｐ ｋ ｎ Ｋｅ ａ ｏ ａ ｏ ｙ ｏ ｃ ｉｅ Ｐ ｒｅ ｔ ｏ Ｍｉ ｉ ｙ ｏ Ｅ ｕ ａ ｉｎ） ｃ ｏ ｌｏ ｌｃｒ ｎｃ ｇ ｎ ｅ ｉｇ ａ ｄ Ｃ ｍｐ ｔｒ Ｓ ｉ ｅ ｔ ｆ ｎ ｅ ｉｇ
摘
要 ：子 空 间 方 法 是 人 脸 识 别 中 的 经典 方 法 ， 基 本 假 设 是 人 脸 图 像 处 于 高 维 图像 空 间 的低 维 子 空 间 中． 是 ， 其 但 由
于光照变化 、 阴影 、 挡 、 部 镜 面 反 射 、 遮 局 图像 噪 声 等 因 素 的影 响 ， 得 子 空 间 假 设 难 以 满 足 ． 此 ， 出一 种 基 于 鲁 使 为 提
人脸识别的主要方法
1.1 人脸识别的主要方法目前，国内外人脸识别的方法很多，并且不断有新的研究成果出现。
人脸识别的方法根据研究角度的不同，有不同的分类方法。
根据输入图像中人脸的角度不同，可以分为正面，侧面，倾斜的人脸图像的识别；根据图像来源的不同，可分为静态和动态的人脸识别；根据输入图像的特点，又可分为灰度图像和彩色图像的人脸识别等等。
本文重点研究基于正面的、静态的灰度图像的识别方法。
对于静态的人脸识别方法从总体上看可以分为三大类：一是基于统计的识别方法，主要包括特征脸(Eigenface)方法和隐马尔科夫模型(Hidden Markov Model 简称HMM)方法等；二是基于连接机制的识别方法，包括人工神经网路(Artifical Neural Network 简称ANN)方法和弹性图匹配(Elastic Bunch Graph Matching 简称EBGM)方法等；三是一些其他的综合方法及处理非二维灰度图像的方法。
下面分别进行介绍。
1.1.1 基于特征脸的方法特征脸方法[5]，又称为主成份分析法(Principal Component Analysis 简称PCA)，它是20 世纪90 年代初期由Turk 和Pentland 提出的，是一种经典的算法。
它根据图像的统计特征进行正交变换(即K-L 变换)，以消除原有向量各个分量之间的相关性。
变换得到对应特征值依次递减的特征向量，即特征脸。
特征脸方法的基本思想是将图像经过K-L 变换后由高维向量转换为低维向量，并形成低维线性向量空间，利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。
这样，就产生了一个由“特征脸”矢量张成的子空间，称为“人脸子空间”或“特征子空间”，每一幅人脸图像向其投影都可以获得一组坐标系数，这组坐标系数表明了人脸在子空间中的位置，因此利用特征脸方法可以重建和识别人脸。
通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。
子空间样本选择及其支持向量机人脸识别应用
Ｊ ＡＮＧ Ｗ ｅ ｈ ｎ． Ｉ ｎ－ ａ ＺＨＯＵ Ｘｉｏ— ｅ ． ａ ｆｉＹＡＮＧ Ｊｎ ｙ Ｓ ｂ ｐ ｃ ｓ ｍｐｌ ｓ ｌｃｉｎ ｏ Ｓ ｉ ｇ－ ｕ．ｕ ｓ ａ ｅ ａ ｅ ｅｅ ｔ ｆｒ ＶＭ ｏ ｆｃ ｒ ｃ ｇ ｉ ｏ Ｃｏ ｕ ｅ ｏ ｎ ａ ｅ ｅ ｏ ｎ ｔ ｎ． ｍｐ ｔｒ ｉ Ｅｎ ｉｅ ｒｎ ｎ ｐｉａｉｎ ，０ ７，３（ ０） １ — ７ ｇｎ ｅ ｉｇ ａ ｄ Ａｐ ｌ ｔ ｓ ２ ０ ４ ２ ： ４ １ ． ｃ ｏ
别 数 据 库 ｔ ｉｉ —ｙ ｔｅｃ子 库 上 的 同其 他 方 法 的 比 较识 别 实验 中 ， 明 该 文 方 法在 选 样 比 率 、 ｒ ｎｎ ｓｎｈｔ ａ ｇ ｉ 表 选样 时 间 以 及 ｓ Ｍ 测 试 时 间等 方 Ｖ
面 均 取 得 了 较 为 明 显 的 优 势
关键词 ： 本选择 ； 空 间； 样 子 支持 向量 机 ； 人脸 识 别 ； 式 分 类 模 文 章 编 号 ： ０ ２ ８ ３ｌ２ ｏ ２ — Ｈｌ — ４ 文 献 标 识 码 ： ｌＨ — ３ （ ０ ７）０ ０Ｄ ４ ０ Ｄ Ａ 中 图分 类号 ： Ｐ ９ Ｔ３１
维普资讯
１ ４
２０ ４ ２ ０ ７．３（ ０）
Ｃ ｍｐ ｔｒＥｎ ｉｅ ｒｎ ｎ ｐｌ ａｉｎ ｏ ｕｅ ｇｎ ｅｉｇ ａ ｄ Ａｐ ｉ ｔｏ ｓ计 算机 工 程 与 应用 ｃ
子 空 间样 本 选 择 及 其 支 持 向量 机 人脸 识 别 应 用
Ａｂ ｔ ａ ｔ Ｓ ｍｐ ｅ ｓ ｌｃ ｉｎ ｉ ｎ ｉ ｏ ｔｎ ｔｐ ｃ ｆ ｒ Ｓ ｓｒ ｃ ： ａ ｌ ｅ ｅ ｔ ｓ ａ ｍｐ ｒ ｔ ｏ ｉ ｏ ＶＭ． ｔ ｃ ｔ ａ ｎ ｖ ｌ ｉ ｔａ ｃａ ｓ ｏ ａ Ｔｏ ａ ｔ ｋ ｉ， ｏ ｅ ｎ ｒ － ｌｓ ｍｅｈ ｄ ｂ ｓ ｄ ｎ ｓ ｂ ｐ ｃ ｐ ｒｘ ｍａ ａ ｔ ｏ ａ ｅ ｏ ｕ ｓ ａ ｅ ａ ｐ ｏ ｉ —
子空间方法
子空间方法1. 简介子空间方法是一种常用于高维数据处理和特征提取的数学方法。
它通过将原始数据映射到低维子空间中，从而实现对数据的降维和分析。
子空间方法在模式识别、图像处理、语音识别等领域有着广泛的应用。
2. 基本原理在介绍子空间方法之前，我们先来了解一下什么是子空间。
在线性代数中，子空间是指向量空间中的一个子集，它满足以下两个条件：首先，它包含零向量；其次，它对加法和数乘运算封闭。
对于一个具有n个特征的样本集合，可以将其表示为一个n维向量空间中的点云。
而这个点云所在的子集就是该样本集合所对应的子空间。
而子空间方法则是通过寻找最佳的投影方式将原始数据映射到低维子空间中。
这样做有两个主要目的：一方面可以减少数据维度从而降低计算复杂度；另一方面可以去除冗余信息并突出重要特征。
3. 常用的子空间方法3.1 主成分分析（Principal Component Analysis, PCA）主成分分析是最常用的子空间方法之一。
它通过线性变换将原始数据映射到一个新的坐标系中，使得在新的坐标系下数据的方差最大化。
这样做可以保留原始数据中最重要的信息。
具体来说，在PCA中，我们首先计算原始数据的协方差矩阵，然后对该矩阵进行特征值分解。
特征值对应的特征向量即为新坐标系的基向量，而特征值则表示对应特征向量所代表的方向上数据的方差大小。
我们可以选择前k个最大的特征值及其对应的特征向量作为投影矩阵，将原始数据映射到k维子空间中。
3.2 线性判别分析（Linear Discriminant Analysis, LDA）线性判别分析也是一种常用的子空间方法。
与PCA不同，LDA不仅考虑了数据之间的相关性，还考虑了类别之间的差异性。
在LDA中，我们首先计算类内散度矩阵和类间散度矩阵。
类内散度矩阵反映了同一类别内部样本之间的差异程度，而类间散度矩阵则反映了不同类别之间的差异程度。
然后，我们对类内散度矩阵进行特征值分解，得到特征向量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
的特征值之和的比值要大于等于０．９．关于主元数量与识别率之间的关系，在文献［１８，ｚＴ］
中有较详细的实验分析．
尽管主元分析在人脸识别中取得了不错的效果，但是由于它是以所有样本的最优重建
为目的，因此对于描述不同类样本之间的差异而言，它不一定是最优的描述．从这个意义上
说，用它来描述人脸识别的特征是不充分的．
关键词 圭元分析，子空间分析，人脸识别 中围分类号ＴＰ３９１．４
Ａ Ｓｕｒｖｅｙ：Ｓｕｂｓｐａｃｅ Ａｎａｌｙｓｉｓ ｆｏｒ Ｆａｃｅ Ｒｅｃｏｇｎｉｔｉｏｎ
ＬＩＵ Ｑｉｎｇ－Ｓｈａｎ １．Ｕ Ｈａｎ－Ｑｉｎｇ ＭＡ Ｓｏｎｇ Ｄｅ
（Ｎａｔｉａ删ｌＬａｂｏｒａｔｏｒｙ ｏＪ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ，Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｕｔｏｍａｔｉｏｎ．ＣｈｉｎｅｓｅＡｃａｄｅｍｙ ｏ／Ｓｃｉｅｎｃｅ５，Ｂｅｉｊｉｎｇ／０００８０） （Ｅ ｍａｉｌ：ｌｑＭｉｕ．１ｕｈｑ，ｍａｓｄ）＠ｎ［ｐｒ ｉａ．ａｃ ｏｎ）
２．２线性判决分析
线性判决分析不同于主元分析，它是以样本的可分性为目标，寻找一组线性变换使每类
的类内离散度最小，并且使类问的离散度达到最大，因此从理论上说，比较适合于模式识别
问题．经典的线性判别分析中使用的是Ｆｉｓｈｅｒ准则函数，所以线性判决分析又被称为Ｆｉｓｈ—
ｅｒ线性判别分析（Ｆｉｓｈｅｒ ＬＤＡ／ＦＬＤＡ）．Ｆｉｓｈｅｒ准则函数定义为
人脸图像的维数通常都是非常高的，而实际上人脸图像在这样高维空衄中的分布很不 紧凑，因而不利于分类，并且在计算上的复杂度也非常大．为了得到人脸图像的较紧凑分布， Ｋｉｒｂｙ等“６１和Ｔｕｒｋ等“”首次把主元分析的子空间思想引入到人脸识别中，并获得了较大 的成功”Ｊ．随后子空间分析方法就引起了人们的广泛注意，从而成为了当前人脸识别的主 流方法之一．子空间分析的思想就是根据一定的性能目标来寻找一线性或非线性的空间变 换，把原始信号数据压缩到一个低维子空间，使数据在子空间中的分布更加紧凑，为数据的 更好描述提供了手段，另外计算的复杂度也得到了大大降低．子空间分析除了有线性和非线 性空间变换之分外，根据不同的性能目标要求，得到的子空间也是不一样的．目前在人脸识 别中得到成功应用的线性子空间方法有：主元分析（ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ／ＰｃＡ）、线 性判决分析（１ｉｎｅａｒ ｄｉｓｅｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ／ＬＤＡ）、独立元分析（ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ａｎａｌ— ｙｓｉｓ／ＩＣＡ）和非负矩阵因子（ｎｏｎ—ｎｅｇａｔｉｖｅ ｍａｔｒｉｘ ｆａｃｔｏｒｉｚａｔｉｏｎ／ＮＭＦ），基于核技术的非线性 子空间分析方法有：核主元分析（ｋｅｒｎｅｌ ＰＣＡ／ＫＰｃＡ）和核Ｆｉｓｈｅｒ判决分析（ｋｅｒｎｅｌ ｆｉｓｈｅｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙ ｓｉｓ／ＫＦＤＡ）等．下面将按照线性和非线性分类，对子空间分析在人脸识别 中的应用作一回顾、比较和总结．
简单情况下可用单高斯函数来描述样本在主元子空间的分布，在存在光照、姿态等变化的复
杂情况下，应选择混合高斯形式，混合高斯的参数可通过ＥＭ算法２”来估计．不过对人脸识
别而言，用混合高斯来描述有些不切实际，因为它通常需要一定量的训练样本才能得到可靠
的结果．Ｌｉｕ等［２２．２３３提出结合主元分析的概率推理模型，假设在主元子空间中每类的类条件
收稿日期２００２—０ ７－２４
收修改稿日期２００３ ０４ ０４
Ｒｅｃｅｉｖｅｄ Ｊｕｌｙ Ｚ４，２００ＺＩ ｉｎ ｒｅｖｉｓｅｄ ｆｏｒｍ Ａｐｒｉｌ ４，２００３
万方数据
６期
刘青山等：综述人脸说制叶ｌ的子空间方法
９０１
计算机技术从包含人脸的静止图像或视频序列图像中提取人脸的个性化特征，并以此自动 识别出人的身份．因此，如何有效地从人脸图像中抽取和描述每个个体的特征，使之区别于 其他个体，是人脸识别研究的关键问题之一．在实际的人脸识别系统中．人脸个性化特征的 抽取好坏要受表情、姿态、光照等因素的制约，也受人脸检测”“、人脸跟踪“等相关工作的 影响．近年来人们提出了大量的方法，详细情况可参见文献［４～７］．
Ｋｅｙ ｗｏｒｄｓ Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ。ｓｕｂｓｐａｃｅ ａｎａｌｙｓｉｓ，ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ
１ 引言
由于人脸识别在身份认证、视觉监控以及人机接口等方面有着广泛的应用前景．从而成 为近年来计算机视觉与模式识别领域的一大研究热点．简单地说，人脸识别技术就是指利用
好的评价“…，系统的示意图如图１所示．
糟Ａ
数据库
图１结合主元分析的线性辫决分析系统结构图
Ｆｉｇ．１，ｒｈｅ ｓｙａｔｅｍ ｃｏｍｂｉｎｅｓ ＬＤＡ ｗｉｔｈ ＰＣＡ
Ｌｉｕ等”２。用同时对角化ｓ“和Ｓ。的方法．来避免求逆的过程．在本质上就是直接除去ｓ， 的零空间．从Ｆｉｓｈｅｒ准则（４）可看到：最优解应该是使１ ｗ丁Ｓ。ｗ１≠０．且１旷Ｓ。ＷＩ一０．这说明 最优解属于ｓ。的零空间，然而上述的结合主元分析的策略和文献［３２］的策略都是以牺牲 ｓ。的零空间的为代价的．
１０００８０
摘要如何描述每个个体人脸的特征．使之区别于其他十体．是人脸识别研究中的关键问题 之一．近年来提出了大量的方法，其中随着主元分析在人脸识别中的成功应用之后。于空间分析 因其具有描述陛强、计算代价小、易实现及可分性好的特电．受到了广泛的关注．义中结台近年 来已发表的文献，按照线性和非线性的划分．对于空ｌＷ分析在人脸识别中的应用作一回顾、比较 和总结．以供其他人参考．
为了避免这种情况，Ｙｕ等””提出一种新的策略：先去掉Ｓ。的零空间，然后再使类内离 散度最小化（称之为Ｄｉｒｅｃｔ ＬＤＡ／ＤＬＤＡ）．因为ＬＤＡ最终降维的结果取决于ｓ。的秩的大 小，并且通常存在这样的关系：ｒａｎｋ（Ｓ）≤Ｃ－１≤ｒａｎｋ（Ｓ。）≤Ｎ—Ｃ，其中Ｃ和Ｎ为总的类 数和总的训练样本数．因此在表面上ＤＬＤＡ没有丢掉Ｓ。的零空间，但是在去掉Ｓ的零空间 的同时，也间接地丢掉ｓ。零空间的信息．Ｃｈｅｎ等０４。提出采用ｓ。零空间的策略（称为零空间 方法）．思想是：先求出ｓ。的零空间，将原样本投影到ｓ。零空间上，再使类问离散度为最大．
第２９卷第６期 ２００３年１１月
自 动化 学报
ＡｃＴＡ Ａｕｌ＇（）ＭＡ’ｌ＇ｌｃＡ ｓＩＮＩｃＡ
ｖ。ｉ．２９，Ｎｏ ６ ＮＯＶ．，２００３
综述人脸识别中的子空间方法¨
刘青山 卢汉清 马颂德
（中国科学院自动化研究所模式识别国家重点实验室北京 【Ｅ—ｍａｉｌ·｝ｑｓ｜ｉｕ．１ｕｈｑ．ｍａｓｄ｝（／９ｎｌｐｒ ｉａ∽ｃｎ）
２线性子空间分析
２．１主元分析
主元分析的思想来源于Ｋ—Ｌ变换，目的是通过线性变换找一组最优的单位正交向量基
（即主元），用它们的线性组合来重建原样本，并使重建后的样本和原样本的误差最小．在数
学上，主元分析就是通过解特征值问题来对角化协方差矩阵ｓ，
Ｎ
．
Ｓ一寺∑（葺一ｚ）（置一Ｔ）７
（１）
‘
ｆ—Ｊ
３．ｗ＝Ｓｗ
上是先对原始图像采用边缘滤波和局部平滑的预处理，再利用主元分析提取特征，实验表明
可以更有效地处理人脸图像中的丰富表情变化．
主元分析中主元选取的优先级通常是按对应的特征值大小来确定的，特征值越大，其优
先级就越高．但是就人脸识别而言．应该选择多少个主元是最佳的，目前常用的标准有两种：
１）当对应的特征值和最大的特征值相比小于一定值时就不要了；２）选择的特征值之和与总
Ａｂｓｔｒａｃｔ Ｆｏｒ ｆａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ，ｈｏｗ ｔｏ ｅｘｔｒａｃｔ ｄｉｓｅｒｉｍｉｎａｎｔ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｆａｃｅ ｉｍａｇｅｓ ｉｓ ａ ｋｅｙ ｐｒｏｂｌｅｍ．Ｍａｎｙ ｍｅｔｈｏｄｓ ｈａｖｅ ｂｅｅｎ ｐｒｏｐｏｓｅｄ，ａｎｄ ａｍｏｎｇ ｔｈｅｓｅ ｍｅｔｈｏｄｓ ｔｈｅ ｓｕｂ— ｓｐａｃｅ ａｎａｌｙｓｉｓ ｈａｓ ｂｅｅｎ ｇｉｖｅｎ ｍｏｒｅ ａｎｄ ｍｏｒｅ ａｔｔｅｎｔｉｏｎ ｏｗｉｎｇ ｔｏ ｉｔｓ ｇｏｏｄ ｐｒｏｐｅｒｔｉｅｓ， ｓｉｎｃｅ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ（ＰＣＡ）Ｗ０．Ｓ ａｐｐｌｉｅｄ ｓｕｃｃｅｓｓｆｕｌｌｙ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ａｌｌ ｔｈｅ ｓｕｂｓｐａｃｅ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄｓ ｗｈｉｃｈ ｈａｖｅ ｂｅｅｎ ｓｕｃｃｅｓｓｆｕｌｌｙ ａｐｐｌｉｅｄ ｔｏ ｌａｃｅ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｌｌ ｂｅ ｒｅｖｉｅｗｅｄ ａｎｄ ｓｏｎｉｃ ｓｕｍｍａｒｉｅｓ ｗｉｌｌ ｂｅ ｇｉｖｅｎ．
戴眼镜的情况下与特征脸方法作了比较，实验结果表明在图像变化不大的情况下两者的性
能差不多，但是在有光照、表情等变化的情况下，Ｆｉｓｈｅｒ脸要比特征脸鲁棒．另外他们还发现
在特征脸方法中，对应前三个最大特征值的主元对光照的变化比较敏感．Ｚｈａｏ等ｏ““１也对
此方法也作了深入的研究．并实现了一个实际系统．此系统在ＦＥＲＥＴ测试框架下取得了很
ｍ）一ａｒｇ四ｘ等辫
（４）
万方数据
６期
刘青山等：综述人脸谌ｑＪｉｌｌ中的子空间方法
９０３
其中类问离散度ｓ。和类内离散度Ｓ。为
Ｃ
ｓｅ＝芝ｊＮ：‘ｐ，一ｐ）（ｐ。一ｐ）１
（ｊ）
（
Ｎｉ
Ｓ。＝∑∑？一（Ｊｈ；ｌ 一ｐ，，（《一ｐ。）７
（６）
在数学上．求解函数（４）就等同于求解ｓ。＿１Ｓ的特征值问题．
但是对人脸识别的应用来说，由于通常没有足够的训练样本来保证类内离散度矩阵ｓ。
也有采用基于Ｍａｈａｌａｎｏｂｉｓ距和余弦角的“…．
随着特征脸方法的成功之后，随后出现了许多种基于主元分析的入脸识别方法．Ｐｅｎｔ—
ｌａｎｄ等…１利用对每个视角都作局部主元分析．来实现多视角人脸识别．Ｍｏｇｈａｄｄａｍ等ｏ“根
据主元分解后的两个正交的子空间的特性，提出基于主元分析的贝叶斯框架．文中讨论了在