基于子空间分析的人脸识别方法研究

合集下载

子域NMF在人脸识别中的研究

的识别率。与其他求解算法相比具有夹逼性好，识别率高等优点。
关键词：人脸识别；负矩阵分解；非子域；特征提取
Ｄ：０３７￣ｉｎ１０．３１０１１．７文章编号：０２８３（０１１－２７０文献标识码：ＯＩ１．８．ｓ．２８３．１．７０７ｓ０２５１０ —３１２１）７００ —３Ａ中图分类号：Ｐ９－１Ｔ３１４
摘
要：脸识别是一种通过提取人脸视觉特征信息进行身份鉴别的计算机技术。在非负矩阵分解Ｎ人ＭＦ算法的基础上提出了
改进的基于子域的ＮＭＦ求解算法，将其应用于人脸识别领域，别在Ｙｌ和ｏＲ公共人脸数据库进行测试，到了１０分ａｅＬ得０％和９％５
Ｃｍｕｅｎｉｅｒｇａｄｐｌａｉｎ计算机工程与应用ｏｐｔＥｇｎｅｉｎＡｐｉｔｓｒｎｃｏ
子域ＮＭＦ在人脸识别中的研究
周劲，王义为，杨全龙，吴萌
ＭｅｇｎＺＨＯＵｉ，ＪＷＡＮＧＹｗｅ，ＡＮＧＱａｌｎ，ｎｉｉＹｕｎｏｇ
１引言
随着社会经济的发展，社会各个方面对快速有效的自动身份验证的要求日益迫切。利用人脸特征进行身份识别是最自然直接的手段。人脸的特征提取和识别研究最早可追溯到Ｅａｏ１１年在人脸侧面轮廓图像上所做的工作，Ｇｌｎ于９０ｔＥＷ．ｌｓｅ１２世纪６年代最早提供了一个基于人脸直观特Ｂｅｏｔ０ｄ２在Ｏ征的半自动人脸知识识别系统。将一幅人脸图像看成—个矩阵，通过作矩阵变换，以抽取人脸的全局识别特征。Ｍ．ｉｙ可Ｋｒｂ等和Ｍ．ｒｔ首次把主成分分析的子空间思想引入到人脸Ｔｋ等ｕ识别中，获得了较大的成功。随后，子空间分析的思想并线性就引起了人们的广泛注意，为了当前人脸识别的主流方法成之一。这些方法主要有：主成分分析（ｃ、ＰＡ）线性鉴别分析（Ｄ）】ＬＡ【独立成分分析（Ａ）和非负矩阵分解（ＭＦ５、Ｉ嘲ｃＮ）。其中Ｎ（ｏ．ｅ￣ｖｔｘＦｃｒａｏ）法提供ＭＦＮｎｇｉＭａｉａｔｉｔｎ算ｎｅｒＮＧｗｅ，ＡＧａｌｎ。ｔａ．ｅｅｒｈｏａｅｒｃｇｉｏｅｈｏｏｙｂｓｄｏｕｓａｅＮＭＥＣｏＹｉｉＹＮＱｕｎｏｇｅ１ｓａｃｆｆｃｅｏｎｔｎｔｃｎｌｇａｅｎｓｂｐｃＲｉｍ—

《2024年基于深度学习的人脸识别方法研究综述》范文

《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。

基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。

本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。

二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。

早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。

随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。

三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。

通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。

同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。

（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。

通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。

此外，多模态特征融合技术也可以提高人脸识别的性能。

（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。

由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。

该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。

四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。

例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。

此外，该技术还可以应用于门禁系统、监控系统等场景。

（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。

基于外观的子空间人脸识别方法研究

重要，不仅由于它具有重要的应用价值（如人机交互系统、生
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：Ｔ３７０Ｐ１．４文献标志码：Ａ文章编号：１０ — ６５２０）５０１— ３０１３９（０７０ — ０００
Ｓｕｙｏｐａａｃ — ａｅｕｓａｅＦｃｃｇｉｏｇｒｔｍｓｔｄｆＡｐｅｒｎｅｂｓｄＳｂｐｃａｅＲｅｏｎｔｎＡｌｏｉｉｈ
ＹＵａ — ｌｉＸＵｎＸｉｏｎｅ，Ｄａ
（ｅｔｆＣｍｕｅｃｎｅ出ＥｇｎｅｉＹｎａｎｖｓｙＫｎｉｇＹｎａ５０１ｈｎ）Ｄｐ．ｏｏｐｔＳｉｃｒｅｎｉｅｒｇ，ｕｎｎＵｉｒｔ，ｕｍｎｕｎｎ６０９，Ｃｉａｎｅｉ
维普资讯
第２４卷第５期
２００７年５月
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｏｕｅｓｐｉｔｓａｃｆＣｍｐｔｒｃｏ
Ｖ１２Ｎｏ５ｏ．４，．
Ｍａ０７ｖ２０
同，可分为两大类： ①基于外观的方法。使用人脸图像中特定

基于PCA和LDA改进算法的人脸识别技术研究

基于PCA和LDA改进算法的人脸识别技术研究人脸识别是一种通过计算机视觉和模式识别技术来识别和验证人脸的生物特征，并将其与已知的人脸进行匹配的技术。

近年来，随着计算机算力的提升和人工智能技术的发展，人脸识别技术得到了广泛的应用，例如人脸解锁、人脸支付等。

PCA（Principal Component Analysis，主成分分析）和LDA（Linear Discriminant Analysis，线性判别分析）是两种常见的降维方法，用于从高维数据中提取有用的特征。

基于这两种方法的人脸识别技术研究已经得到了广泛关注。

PCA是一种无监督学习方法，通过将高维数据投影到低维子空间中，保持数据的大部分方差，从而达到降维的目的。

在人脸识别中，PCA可以通过计算训练集中人脸图像的协方差矩阵，然后提取其特征向量和特征值，选择前k个特征向量作为主成分，将人脸图像投影到主成分空间中。

在测试阶段，将待识别的人脸图像也投影到主成分空间中，通过计算其与训练集中人脸图像的距离，来判断其身份。

PCA的一个问题是它在无监督降维的可能忽略了一些与分类有关的信息。

为了解决这个问题，可以利用LDA来增加分类的准确性。

LDA是一种有监督学习方法，它通过最大化类别之间的差异性和最小化类别内的方差，选择最佳的投影方向。

在人脸识别中，LDA可以通过计算训练集中各类别的均值和类内散度矩阵，得到最佳的投影方向。

在测试阶段，将待识别的人脸图像投影到最佳的投影方向上，通过计算其与训练集中各类别的距离，来判断其身份。

由于PCA和LDA均是线性方法，它们对于人脸图像的非线性变化不敏感。

为了提高人脸识别的准确性，可以将PCA和LDA与非线性方法相结合，例如核技巧（kernel trick）。

通过将人脸图像映射到一个高维的特征空间中，利用核函数来计算其与训练集中人脸图像的相似性。

还可以利用深度学习方法来改进人脸识别技术。

深度学习是一种通过构建多层神经网络来学习数据特征的方法，它可以自动地学习人脸图像中的高级特征。

基于主成分分析（PCA）的人脸识别技术

基于主成分分析（PCA）的⼈脸识别技术本科期间做的⼀个课程设计，觉得⽐较好玩，现将之记录下来，实验所⽤。

1、实验⽬的（1）学习主成分分析（PCA）的基础知识；（2）了解PCA在⼈脸识别与重建⽅⾯的应⽤；（3）认识数据降维操作在数据处理中的重要作⽤；（4）学习使⽤MATLAB软件实现PCA算法，进⾏⼈脸识别，加深其在数字图像处理中解决该类问题的应⽤流程。

2、实验简介（背景及理论分析）近年来，由于恐怖分⼦的破坏活动发⽣越发频繁，包括⼈脸识别在内的⽣物特征识别再度成为⼈们关注的热点，各国均纷纷增加了对该领域研究的投⼊。

同其他⽣物特征识别技术，如指纹识别、语⾳识别、虹膜识别、DNA识别等相⽐，⼈脸识别具有被动、友好、⽅便的特点。

该技术在公众场合监控、门禁系统、基于⽬击线索的⼈脸重构、嫌疑犯照⽚的识别匹配等领域均有⼴泛应⽤。

⼈脸识别技术是基于⼈的脸部特征，对输⼊的⼈脸图像或者视频流，⾸先判断其是否存在⼈脸。

如果存在⼈脸，则进⼀步的给出每个脸的位置、⼤⼩和各个主要⾯部器官的位置信息。

其次并依据这些信息，进⼀步提取每个⼈脸中所蕴涵的⾝份特征，并将其与已知的⼈脸进⾏对⽐，从⽽识别每个⼈脸的⾝份。

⼴义的⼈脸识别实际包括构建⼈脸识别系统的⼀系列相关技术，包括⼈脸图像采集、⼈脸定位、⼈脸识别预处理、⾝份确认以及⾝份查找等；⽽狭义的⼈脸识别特指通过⼈脸进⾏⾝份确认或者⾝份查找的技术或系统。

我们在处理有关数字图像处理⽅⾯的问题时，⽐如经常⽤到的图像查询问题：在⼀个⼏万或者⼏百万甚⾄更⼤的数据库中查询⼀幅相近的图像。

其中主成分分析（PCA）是⼀种⽤于数据降维的⽅法，其⽬标是将⾼维数据投影到较低维空间。

PCA形成了K-L变换的基础，主要⽤于数据的紧凑表⽰。

在数据挖掘的应⽤中，它主要应⽤于简化⼤维数的数据集合，减少特征空间维数，可以⽤较⼩的存储代价和计算复杂度获得较⾼的准确性。

PCA法降维分类原理如下图所⽰：如上图所⽰，其中五⾓星表⽰⼀类集合，⼩圆圈表⽰另⼀类集合。

基于改进的子模式局部保持映射人脸识别方法

ｓｃｈｅｍｅｕｓｉｎｇｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗａｓｐｒｏｐｏｓｅｄｆｏｒＳｐＬＰＰ．Ｔｈｅｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍｏｆｔｈｉｓ
Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｓｕｂ－ｐａｔｔｅｒｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎＲＥＮＣｈｅｎｇ－ｊｕａｎ
０引言
由于计算机人脸识别在管理、公共安全等领域有着巨大的应用前景，目前已成为人工智能和模式识别领域的一个研究热点。特征提取是计算机人脸识别的核心步骤，子空间分析方法因其具有技术代价小、易实现、描述能力强和可分性好等优点被广泛地应用于人脸特征提取，成为目前人脸识别的主流
Ａｂｓｔｒａｃｔ：ＡｌｔｈｏｕｇｈＳｕｂ — ｐａｔｔｅｒｎｏｃＬｌａｉｔｙＰｒｅｓｅｖｉｒｎｇＰｒ０ｊｅｃｔｉｏｎｓｉｓｒｏｂｕｓｔｔｏｖａｉｒａｔｉｏｎｉｎｉｌｌｕｍｉｎａｔｉｏｎ，
２０１３年第ｇ期
文章编号：１００９— ２５５２（２０１３）０９— ００４２～０４中图分类号：ＴＰ３９１文献标识码：Ａ

基于光照子空间的人脸识别研究

立一个完备的光照锥。基于球谐函数理论和信号
处理方法，ｍａｏｉ＿以及Ｂｓｉ分别提出Ｒａｍｏｒｈ２ｔａｒ３ ¨ 了凸的朗伯反射体的光照空间可以利用一个９维
［稿日期］２１一１１收００ｌ２
［金项目ቤተ መጻሕፍቲ ባይዱ］成都理工大学研究基金资助项目（０８Ｑ０）基２０Ｙ１
［要］利用球面谐波模型建立的９光照子空间进行人脸识别。用ＳＳ方法获得人脸表面特摘ＤＦ征点深度，以特征点深度为基础，ＮＵＲＳ方法重构三维人脸，用该三维人脸的法向量计用Ｂ并算球面谐波基图像，行人脸识别。结果表明，所求的球面谐波基图像为基础进行人脸识进以
在基于模型的方法中，锥体法＿是第一次光】从理论上把光线和姿态问题同时解决的算法，而
且在光照问题上同时考虑了自身阴影和投影阴影。在剧烈的光线变化下，锥法的识别率甚至光超过了当时所有的方法。但是在通常的情况下，由于需要的目标物体在极端光照条件下的图像数量是巨大的，因而很难准确地建立目标物体的光照锥，而在实际的应用过程中不需要也不可能建
第５期
李思明等：于光照子空问的人脸识别研究基

Curvelet与子空间方法人脸识别的鲁棒性研究

西安理工大学学报ＪｕｎｌｆｉａｎｅｉｏＴｃｎｌ￣２０）Ｖｌ２ｏ３ｏｒａｏＸ ’ ｎＵｉｒｔｆｅｈｏｇ（０８ｏ，４Ｎ．ｖｓ＇．，ｏ
３１０
文章编号：１０－１（０８０－３１５０６７０２０）３００－４０
１ｔｈｄｌｏｈｇｅｕｎｙｃｅｃｅｔｓｌｗｒｌ，ｔｅｅｙｄｍｏｓｒｔｇｔａｎｍａｎａｎｎｅ，ｔｅｍｉｄｅｔｉｈｆｑｅｃｏｆｉｎｓｔｌｏｋｗｅｌｈｒｂｅｎｔｉｈｔｉｉｔｉｉｇｒｉｉａｎ
Ａｂｔａｔ：Ｃｕｖｌｔｔａｓｏｍ，ｅｐｅｓｎｕｖｆｅｔｅｙ，ｃｎｂｐｌｅｏｆｃｅｏｎｔｎｓｃｅｓｕ — ｓｒｃｒｅｅｒｎｆｒｘｒｓｉｇｅｒｅｅｆｃｉｌｖａｅａｐｉｄｔａｅｒｃｇｉｉｕｃｓｆｌｏｌ．Ｔｈｒｅｔｔｏｎｏｕｓｎｓｆｃｒｅｅｎｕｓａｅｍｅｈｄｆｒｆｃｅｏｎｔｎａｅｓｕｉｄ．Ｆｒｙｅｏｎａｉｎａｄｒｂｔｅｓｏｕｖｌｔａｄｓｂｐｃｔｏｏａｅｒｃｇｉｉｒｔｄｅｉｏｏｔｘｒｓｉｎｃａｇｈｅｅｐｅｓｏｈｎｅ．ｔｅａ１ａｄｉｎｃｅｆｃｅｔｆｃｒｅｅｕｐｒｏｔｅｄｔｉｃｅｆｃｅｔｆｈｅｄｔｉｎｆｅｏｆｉｎｓｏｕｖｌｔｏｔｅｆｍｌｈｅａｌｏｆｉｎｓｏｉｉｗａｅｅ．ｗｈｃＳｉｏｎｉｅｃｔｈａｔｔｔｔｅｅｃｅｃｅｔｒｒｅｔｔｎｓｎｉｖ．Ａｓｆｒｔｅｖｌｔｉｈｉｎｃｉｃｄｎｅｗｉｔｅｆｃｈａｈｓｏｆｉｎｓａｅｏｎａｉｅｓｔｅｈｉｉｏｉｏｈｉｕｎｔｎｃａｇｌｍｉａｉｈｎｅ．ｔｏｇｈｏｒｅｃｅｃｅｔｒｎｕｎｅｏｔｅｇｅｔｅｔｎｉｅｔｏｅｏｖ．ｌｏｈｕｈｔｅｃａｓｏｆｉｎｓａｅｉｆｅｃｄｔｈｒａｘｅｔｌｋｈｓｆｗａｅｉｌ

基于子空间投影的残缺人脸图像识别新算法

自动人脸识别，因为具有极强的科学研究挑战性和潜在的广泛应用，一直是国际性的研究热点。然而，迄今为止，绝大多数人脸识别研究都针对受限条件下的完整人脸图像，很少研究非完整的或残缺的人脸图像识别。事实上，人脸识别系统的性能与待识别的人脸图像质量紧密相关。因此，有必要研究残缺人脸图像的识别方法，以识别那些因为采集条件欠佳，或从某些序列图像中裁剪的、不完整的人脸图像。人脸识别的第一步，需要对高维人脸空间进行降维处理，以降低计算复杂度，节省存储空间。大多数人脸识别系统将人脸表示为基图像的线性组合，基图像可以基于局部特征，也可以基于全局特征【。主成 ¨ 成分分析（ｒｃａＣｍｏｅｔａｓ，ＰＡ方法基于人脸的全局特征基【，通过求解相关矩阵的最大特ＰｉｉｌｏｐｎｎＡｌｉＣ）ｎｐｙｓｎ２】
样的列。另外，ｍ个人脸样本属于ｃ。首先介绍如何利用非负稀疏矩阵分解和主成成分分析进行图像空间类降维。１１非负稀疏矩阵分解．非负稀疏矩阵分解方法旨在将一组人脸样本矩阵近似地分解为一个非负基图像矩阵和一个非负编码系数矩阵，即Ｖ≈ Ｈ，其中，Ｗ陧一个ｒｒｒｒ的非负基图像矩阵，ｒ／（＜／ × ）磊是一个ｒｍ的非负编码系数矩阵， ×
征值对应的特征向量，将人脸高维空间降低到低维特征子空间。非负稀疏矩阵分解基于人脸的局部特征【ｈ，
通过近似的矩阵分解进行空间降维。Ｆｓｅｉｒ线性判别式方法能找到一个理想的空间投影方向【，使被投影ｈ４】空间中的点能很好地聚类，从而使待识别人脸更易于识别。本文提出了基于Ｆｓｅｉｒｈ￣负稀疏矩阵分解的非完整人脸识别算法。

人脸识别的核方法研究

袁圆长江大学计算机科学学院，湖北荆州４５４０２５
Ｒｅｓｅａｒｃｈｏｎｎｕｃｌｅａｒｍｅｔｈｏｄｆｏｒｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ
ＹｕａｎＹｕａｎ
１核方法简介
我们希望找到一个映射把数据映射到更高维数的特征空间后，能对数据进行线性划分，但这样做很多情况下引入了另外一个问题：维数的增大使得计算复杂度变大，甚至变得不可计算。核方法成功地解决了这个问题。目前常用的核函数有以下几种：多项式核ｋ（ｘ，ｚ）＝（＜ｘ，ｚ＞＋ｃＳｉｇｍｏｉｄ核ｋ（ｘ，Ｚ）＝ｔａｎｈ（＜Ｘ，ｚ＞
ｔｈｅｐｒｏｐｏｓｅｄＬＭＤＡａｎｄｍａｎｉｆｏｌｄｒｅｇｒｅｓｓｉｏｎｍｅｔｈｏｄ，ｔｈｅＬＭＤＡａｌｇｏｒｉｔｈｍｆｓｅｘｔｅｎｄｅｄｔｏｈｉｇｈｄｉｍｅｎｓｉｏｎ
‘
ｔｈｅａｄｖａｎｔａｇｅｔｏｓｏｌｖｅｎｏｎｌｉｎｅａｒｐｒｏｂｌｅｍｓｉｎｈｉｇｈ
ｄｉｍｅｎｓｉｏｎａｓＩｐａｃｅｂａｓｅｄｏｎｔｈｅｂａｓｉｓｏｆＩｉｎｅａｒ．后的映射满足∑ ｎ中（）０
特征空间内的协方差矩阵为

人脸识别技术研究本科毕业论文

4.视频监控。在银行、公司、公共场所等处设有24小时的视频监控，如何对视频图像进行筛选分析，就需要用到人脸检测、跟踪和识别技术。
除了以上应用外，人脸识别技术还可以用于视频会议、机器人的智能化研究等方面。尤其从美国9.11事件后，人的身份识别问题更是提升到了国家安全的角度，如何利用人脸信息迅速确定一个人的身份成了各个国家重点研究的技术。
Abstract
Face recognition has very lagre academic and praetieal values. In daily lief，people kowing each other uses at most of person’s face.Face is the most familiar model in human vision.The visual inofmration refleeted by face has important meaning and impact between people’s intercommunion and intercourse. Because of its extensive and applied realm，face recognition technique has got the extensive concern with study in near three decades and become the most potential method of identity recognition. At the same time，it is difficult to implement face recognition using computers. First，human face is a deformable object composed of complex 3D curve surfaces，Which is hard to be represented in form of mathematics. Secondly faces of different persons have the similar strueture，and the face images are greatly dependent on ages and photography conditions.This paper mainly study face extraction and class method，which concept can be summarized as ofllows.

基于LDA算法的人脸识别的研究

转换为一维向量．由于随着样本数量的增多．就会面临
计算量大和丢失有用信息的缺陷。许多高校的科研人
员提出直接在人脸图像矩阵上进行处理的想法．使得２ＤＰＣＡ算法得到了发展受到二维空间处理图像的影
进行特征降维，即利用谱回归理论计算求得投影向量，得到测试数据集；利用ＬＤＡ算法进行人脸识别。依据ＯＲＬ人脸库进行试验，结果表明，该改进方法可以有效解决ＬＤＡ算法的维数灾难问题．同时提高人脸识别率
关键词：
ＬＤＡ；谱回归；人脸识别
１．１Ｆｉｓｈｅｒ判别准则
假设有两类样本集合ｗｈｗ：，共有Ｎ个ｄ维样本
Ｘ，Ｘ， …，Ｘ，前Ｎ个样本属于Ｗ类，后面Ｎ个本属于Ｗ类，Ｎ＝Ｎ＋Ｎ，且两类均服从同协方差矩阵的高斯分布．这两类样本的均值为：
法．主要是对子空间人脸识别算法的改进Ｓｗｅｓｔ和Ｗｅｎｇ闭提出了ＰＣＡ＋ＬＤＡ（ＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ．
ห้องสมุดไป่ตู้
算法高维小样本问题．借鉴了流行学习法中的谱回归算法［５４。因此，本文以ＬＤＡ算法为基础．提出了基于谱
文章编号：１００７－１４２３（２０１５）１８ — ００３３ — ０４

基于LDA算法的人脸识别的研究

基于LDA算法的人脸识别的研究韩艳斌;于威威【摘要】Linear Discriminant Analysis is one of the most popular classical algorithms of face recognition based on linear sub space. It is a linear feature extracting method which using Fisher's criterion in face recognition and it often meets computational challenging when applying to face recognition directly. In order to solve the problem, proposes a SR-LDA algorithm: uses spectral regression theory to calculate the projection vector and obtain the test data sets; uses LDA algorithms to face recognition. Experimental results on ORL database indicate that algorithm has better performance in reducing dimensions matrix and improving recognition rata.%线性鉴别分析算法是一种基于线性子空间的人脸识别算法，在人脸识别中的得到了广泛的应用。

它基于Fisher判别准则，经常会遇到维数灾难问题。

为了解决这个问题，提出一种SR-LDA算法：利用谱回归理论对待测试的人脸样本进行特征降维，即利用谱回归理论计算求得投影向量，得到测试数据集；利用LDA算法进行人脸识别。

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。

基于子空间类标传播和正则判别分析的单标记图像人脸识别

首先，基于子空间假设设计了一种类标传播方法，将类标信息传播到无类标样本上。然后，在传播得到的带类标数
据集上使用正则判别分析对数据进行维数约简。最后，在低维空间使用最近邻方法对测试人脸完成识别。在３个公共人脸数据库ＣＭＵＰＩＥ，ＥｘｔｅｎｄｅｄＹａｌｅＢ和ＡＲ上的实验，验证了该方法的可行性和有效性。关键词：人脸识别；子空间假设；类标传播；正则判别分析；半监督维数约简
ｄｉｍｅｎｓｉｏｎａｌｓｐａｃｅｕｓｉｎｇｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｃｌａｓｓｉｉｅｆｒ，Ｔｈｅｅｘｔｅｎｓｉｖｅｅｘｐｅｒｉｍｅｎｔｓｏｎｔｈｒｅｅｐｕｂｌｉｃｌｙａｖａｉｌａｂｌｅｆａｃｅ
ＳｕｂｓｐａｃｅＬａｂｅｌＰｒｏｐａｇａｔｉｏｎａｎｄＲｅｇｕｌａｒｉｚｅｄＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓＢａｓｅｄＳｉｎｇｌｅＬａｂｅｌｅｄＩｍａｇｅＰｅｒｓｏｎＦａｃｅＲｅｃｏｇｎｉｔｉｏｎ
中图分类号：ＴＰ３９１．４１ＤＯＩ：１０．３７２４／ＳＰ．Ｊ．１１４６．２０１３．００５５４
文献标识码：Ａ
文章编号：１００９ — ５８９６（２０１４）０３ — ０６１０ — ０７

人脸识别技术的主要研究方法

人脸识别技术的主要研究方法人脸识别是一种通过计算机技术来识别和验证人脸的身份的技术。

随着计算机视觉和机器学习的发展，人脸识别技术已经取得了很大的进展。

在研究人脸识别技术的过程中，主要有以下几个研究方法：1.图像获取和预处理：人脸识别的第一步是获取人脸图像，并进行预处理，以提高后续的识别准确率。

这包括图像清晰化、对齐、裁剪、尺度归一化等预处理操作。

2.特征提取：特征提取是人脸识别的关键步骤，它的目标是从人脸图像中提取出具有区分度的特征。

传统的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。

近年来，深度学习技术的发展，特别是卷积神经网络（CNN）的应用，使得基于深度学习的特征提取方法取得了显著的进展。

3.特征匹配和分类：特征匹配和分类是人脸识别的核心任务。

传统的特征匹配和分类方法包括支持向量机（SVM）、k近邻（KNN）等。

近年来，深度学习技术的发展，特别是深度卷积神经网络的应用，使得基于深度学习的人脸识别方法取得了巨大的突破。

深度学习方法不仅能够提取更具区分度的特征，而且能够自动学习不同类别之间的差异，从而提高人脸识别的准确率。

4.检测和跟踪：检测和跟踪是人脸识别的前提，也是人脸识别技术中一个重要的研究方向。

检测和跟踪的目标是在输入图像中定位和跟踪人脸，以便后续的识别任务。

传统的检测和跟踪方法包括基于特征的方法和基于神经网络的方法。

5. 数据集和评价指标：对于人脸识别技术的研究，选择合适的数据集和评价指标是至关重要的。

常用的人脸识别数据集包括LFW（Labeled Faces in the Wild）、Yale Face Database等。

评价指标主要包括精确率、召回率和F1值等。

总的来说，人脸识别技术的研究方法主要包括图像获取和预处理、特征提取、特征匹配和分类、检测和跟踪、数据集和评价指标等。

随着深度学习技术的发展，基于深度学习的人脸识别方法取得了显著的进展，成为研究人脸识别的重要方向。

人脸识别调研报告(共20篇)

人脸识别调研报告（共20篇）人脸识别调研报告（共20篇）第1篇人脸识别小结人脸识别总结一.概述生物特征识别技术包括人脸识别.指纹识别.语音识别.表情分析及理解.虹膜识别等人脸识别的实质就是借助计算机工具来分析人脸面部图像，采用不同的特征表示方法提取有效地人脸特征，是可用来辨识身份的一门自动处理技术，常见重要应用案例包括银行和军事重地的自动门禁系统.智能人脸监控系统.用于公共交通体系中安检系统的嫌疑人自动识别系统.网络服务中的在线验证系统等。

产生不同个体较大差异性的内在因素主要有种族.性别.年龄.心理等。

外在因素主要有光照变化.角度偏转.姿态.噪声千扰.遮挡.以及化妆遮挡物等。

18世纪,就有一篇依据人脸特征信息进行身份鉴别的文章发表在Nature上,开启了近代最早的人脸识别研宄，最早的自动人脸识别系统是由Chan和Bledsoe创于1965年人脸识别包括四个主要步骤图像预处理.人脸检测.面部特征提取和分类识别。

二.研究领域1.身份验证领域通过人脸识别技术来判断和鉴别当前用户是否合法或者具备相应的功能权限，例如年__奥运所采用的人脸识别系统。

2.智能视频监控领域，例如车站安装智能监控系统,该系统中加入了人脸识别技术以捕捉人群中的可疑罪犯。

3.人机交互领，例如人脸面部为视觉系统提供了最为主要的特征信息。

三.人脸识别方法及其算法（一）方法分类可以分为基于几何特征的人脸识别.基于弹性图匹配的人脸识别.基于子空间分析的人脸识别.基于神经网络的人脸识别.基于隐马尔可夫模型等。

经典的特征脸“Eigenface”就是该时期由麻省理工学院的M.Turk和A.Pentlaiid提出的，采用PCA变换对原始图像进行降维处理,然后再进行分类识别。

P .Belhumeur等提出的Fisherfaces人脸也被广泛应用在人脸识别中。

90年代中后期,出现了一种基于动态连接结构Dynamic Link Architecture的弹性图匹配Elastic GraphMatching识别方法。

基于PCA和LDA改进算法的人脸识别技术研究

基于PCA和LDA改进算法的人脸识别技术研究人脸识别技术是近年来研究的热点，主要是基于计算机视觉和模式识别的理论和方法，利用计算机对图像进行处理和分析，实现对人脸的识别。

人脸识别技术具有广泛的应用领域，例如安防、身份认证、智能交通、金融等。

在实际应用中，人脸识别技术的性能和稳定性直接关系到其实用价值。

因此，研究改进算法以提高人脸识别技术的性能和稳定性是很有必要的。

本文基于PCA和LDA两种常用算法，探究其在人脸识别中的应用，提出改进算法，以提高人脸识别的准确率和鲁棒性。

一、PCA与LDA算法PCA（Principal Component Analysis）是一种基于线性代数的实用算法。

它是一种经典的降维算法，主要通过线性变换将高维数据映射成低维空间，保持数据的主要特征。

PCA算法的核心是奇异值分解（SVD），通过分解数据的协方差矩阵，得到数据的主成分矩阵，进而实现数据降维。

PCA常用于图像处理中，主要用于特征提取和数据压缩。

LDA（Linear Discriminant Analysis）是一种基于监督学习的线性分类算法。

它主要通过寻找最佳的投影方向，将数据映射到低维空间，使得不同类别的数据更加分开。

LDA算法常用于进行维度约减和分类任务。

相较于PCA算法，LDA算法更加注重数据分类能力，能够更好地区分不同样本类别的特征。

2.1 多核PCA算法PCA算法可以通过改变协方差矩阵的方式来改变特征向量，从而实现更好的降维效果。

多核PCA算法是一种基于核变换的PCA算法，它利用核函数将原始数据映射到高维空间，然后在高维空间中进行PCA分析。

多核PCA算法相较于传统线性PCA算法，具有更好的非线性特征提取能力，可以更好地分离样本特征。

在人脸识别中，多核PCA算法可以利用核函数提取非线性特征，实现更好的人脸识别效果。

2.2 基于LDA的子空间划分方法传统的LDA算法能够将数据映射到低维空间，并实现数据的分类，但是对于大规模数据集来说，其计算量和存储空间很大。

一种基于Gabor描述的概率子空间人脸识别方法

ｏｔｅｆｒｈｘｓｉｇＰＳｍｅｈｄｕｐｒｏｍｓｔｅｅｉｔｎＡｔｏ．
ＫｙｗｒｓＦｃｃｇｉｏ；ａｏｐｅｅｔｔｎＰｏａｉｓｃｕｓａｅｎｌｉ（Ｓ）ｅｏｄ：ａｅｅｏｎｉＧｂｒｅｒｎａｉ；ｒｂｂｌｔｂｐａｓＰＡｒｔｎｒｓｏｉｉｓｃａｙｓ
ｅｐｒｍｅｔｌｒｓｌｓｏｘｔｒａｅｄｔｂｅｉｃｕｉｇ１０ｉｄｉｉｕｌｓｏｔａｈｒｐｓｄＧＰＳｍｅｈｄｘｅｉｎａｅｕｔｎａｍｉｕｅｆａａａｎｌｄｎ９ｃｓｎｖｄａｓｈｗｈｔｔｅｐｏｏｅＡｔｏ
（ｏｗｒＳｈｏＸａｎＵｉｒｉ，ｉｎ３１０，ｈａＳｆａｅｃｏｌｉｔ，ｍｅｎｖｓｙＸａ０５Ｃｉ）ｅｔｍｅ６ｎ
Ａｂｓｒｃ：ｎｔｓｐｐｒａＧＰＳｆｃｅｏｎｔｎａｐｏｈｂｒｂｂｉｓｉｕｐｅａａｙｉｉｂｒｗａｅｅｔａｔＩｈｉａｅ，ＡａｅｒｃｇｉｉｐｒａｙｐｏａｌｔｓｂｓａｎｌｓｓｎＧａｏｖｌｔｏｃｉｃｃｄｍａｎｉｐｅｅｔｄＦｉｓ，ｎｉｐｏｅｂｏｅｒｓｎａｉｎｓｈｍｅｆｒｆｅｉａｅｉｅｔｅｂｒｂｓｄｏｉｒｓｎｅ．ｒｔａｓｍｒｖｄＧａｒｒｐｅｅｔｔｃｅｏｏｃａｍｇｓｉｇｖｎ，ｈｎａＧａｏａｅｓｐｏａｌｔｃｓｂｐｃｏｅｓｂｉ，ＳｅｏｎｉｉｎｉｐｒｏｍｅｎａｍａｎｅｆｐｏａｉｓｉｒｂｂｉｓｉｕｓａｅｍｄｌｉｕｌＯｒｃｇｔｏｓｅｆｒｄｉｎｒｏｒｂｂｌｔｃｍａｃｉｇｉｔｉｔｈｎ．ＴｈｅｄｓｒｍｉａｏｙｉｏｍａｉｎｙｅｄｄｆｏｂｔｒｂｂｌｔｃｓｂｐｅａａｙｉｎｂｒｒｐｅｅｔｔｏｘｌｉｅｉｃｉｎｔｒｎｆｒｔｏｉｌｅｒｍｏｈｐｏａｉｓｉｕｓａｎｌｓｓａｄＧａｏｅｒｓｎａｉｎｉｅｐｏｔｄｉｃｓａｔｇｔｅｎＧＰＳｍｅｈ，ａｄｈｎｅｔｅｒｂｓｎｓｆｆｅｒｃｇｉｉｎｓｓｅｉｅｈｎｅｆｃｉｅｙｌｏｅｈｒｉＡｔｏｄｎｅｃｈｏｕｔｅｓｏａｅｏｎｔｙｔｍｓｎａｃｄｅｌｔｖｌ．Ｔｈｃｏｆｅｅ

相关主题

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)。

Ｒｅｓｅａｒｃｈｏｆｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｓｕｂｓｐａｃｅａｎａｌｙｓｉｓ
ＧＥＷｅｉ，ＣＨＥＮＧＹｕｑｉ，ＬＩＵＣｈｕｎｘｉａｎｇ，ＣＨＥＮＱｉｕｐｉｎｇ（１．ＣｈａｎｇｃｈｕｎＩｎｓｔｉｔｕｔｅｏｆＯｐｔｉｃｓ，ＦｉｎｅＭｅｃｈａｎｉｃｓａｎｄＰｈｙｓｉｃｓ，ＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｃｈａｎｇｃｈｕｎ１３００３３，Ｃｈｉｎａ；２．ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００３９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｉｓａｎｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｏｆｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ．，ｔｈｅｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｓｂａｓｅｄｏｎｓｕｂｓｐａｃｅａｎａｌｙｓｉｓＡｍｏｎｇｍａｎｙａｐｐｒｏａｃｈｅｓｔｏｔｈｅｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ，ａｎｄｈａｖｅｂｅｃｏｍｅｏｎｅｏｆｔｈｅｍｏｓｔｐｏｐｕｌａｒｍｅｔｈｏｄｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｓｕｂｓｐａｃｅｇｉｖｅｔｈｅｍｏｓｔｐｒｏｍｉｓｉｎｇｒｅｓｕｌｔｓａｎａｌｙｓｉｓｍｅｔｈｏｄｓｗｅｒｅｒｅｓｅａｒｃｈａｎｄｓｅｖｅｒａｌｋｉｎｄｓｏｆｔｈｅｌｉｎｅａｒｓｕｂｓｐａｃｅｍｅｔｈｏｄ，ｓｕｃｈａｓＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔ（ＰＣＡ），ＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ（ＬＤＡ），ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ（ＩＣＡ），ＦａｓｔＩＣＡＡｎａｌｙｓｉｓａｎｄｎｏｎｌｉｎｅａｒｓｕｂｓｐａｃｅｍｅｔｈｏｄｓｓｕｃｈａｓＫｅｒｎｅｌＰＣＡ（ＫＰＣＡ）ｗｅｒｅｉｎｔｒｏｄｕｃｅｄ．Ｔｈｅｂａｓｉｃｐｒｉｎｃｉｐｌｅｓａｎｄｔｈｅｉｒｒｅｓｅａｒｃｈａｃｈｉｅｖｅｍｅｎｔｓｏｆｔｈｅｓｅｍｅｔｈｏｄｓｗｅｒｅｄｅｓｃｒｉｐｅｄａｎｄｔｈｅａｎａｌｙｓｉｓａｐｐｌｉｃａｔｉｏｎｓｔｏｆａｃｅｒｅｃｏｇｎｉｔｉｏｎｗｅｒｅ，ｔｈｅＯＲＬａｎｄＹＡＬＥＢｄａｔａｂａｓｅｓｗｅｒｅｕｓｅｄｔｏｖｅｒｉｆｙｔｈｅｓｅｂａｓｉｃｓｕｂｓｐａｃｅｍｅｔｈｏｄｓ．Ｔｈｅｅｘｇｉｖｅｎ．ＭｏｒｅｏｖｅｒｐｅｒｉｍｅｎｔｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔＦａｓｔＩＣＡｍｅｔｈｏｄｉｓｍｏｒｅｐｏｗｅｒｆｕｌｔｈａｎｏｔｈｅｒｓｕｂｓｐａｃｅｍｅｔｈｏｄｓｆｏｒｆａｃｅｒｅｃｏｇｎｉ，ｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｔｈｅｓｅｍｅｔｈｏｄｓｗｅｒｅｄｅｍｏｓｔｒａｔｅｄｂｙｄｉｃｕｓｓｉｎｇｔｈｅｅｘｐｅｒｉｔｉｏｎ．Ｆｉｎａｌｌｙｍｅｎｔｅｄｒｅｓｕｌｔｓ．Ｋｅｙｗｏｒｄｓ：ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；ｓｕｂｓｐａｃｅａｎａｌｙｓｉｓ；ｌｉｎｅａｒｓｕｂｓｐａｃｅａｎａｌｙｓｉｓ；ｎｏｎｌｉｎｅａｒｓｕｂｓｐａｃｅａｎａｌｙｓｉｓ
第２卷第５期２００９年１０月
中国光学与应用光学ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＯｐｔｉｃｓａｎｄＡｐｐｌｉｅｄＯｐｔｉｃｓ
Ｖｏｌ．２Ｎｏ．５Ｏｃｔ．２００９
２００９０７１４；修订日期：２００９０８１７收稿日期：
３７８
中国光学与应用光学
第２卷
ＫｅｒｎａｌＰＣＡ，性子空间方法主要有核主成分分析（
１引言
人脸识别是一个典型的图像模式分析、理解与分类计算问题，它涉及到模式识别、图像处理、计算机视觉、统计学习和认知科学等多个学科。人脸识别问题的深入研究和最终解决，可以极大地促进这些学科的成熟和发展。同时作为生物特征识别技术之一，人脸识别由于对人体的无侵害性、自然直观以及良好的交互性，已成为最容易被接受的生物特征识别技术，日益受到人们的重视，在国家安全、军事安全、公安、司法、民政、金融、民航、海关、边境及保险等领域应用前景十分广阔。人脸识别是指基于已知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中识别或验证一个或多个人脸。识别的主要依据是那些在不同个体之间存在较大差异，而对同一个人则比较稳定的特征，具体采用哪种特征因识别方法的不同而不同。常用的人脸识别算法主要有以
摘要：人脸识别技术是模式识别和机器视觉领域的一个重要研究方向，基于子空间分析的特征提取方法是人脸识别中特征提取的主流方法之一。本文对目前应用较多的子空间分析方法进行了研究，具体介绍了线性子空间分析方法：主成分ＰＣＡ）、线性鉴别分析（ＬＤＡ）、独立主成分分析（ＩＣＡ）、快速主成分分析（ＦａｓｔＩＣＡ），和非线性子空间分析方法：基于分析（核的ＰＣＡ（ＫＰＣＡ）的基本思想以及这些方法在人脸识别中的研究进展和一些新的研究成果。此外，还应用ｏｒｌ及ＹａｌｅＢ人脸库对几个基础的子空间方法进行了验证实验。实验结果表明，在几个子空间分析方法中，ＦａｓｔＩＣＡ算法取得了最高的识别率。最后，结合实验结果对各算法的优缺点进行了分析总结。关键词：人脸识别；子空间分析；线性子空间分析；非线性子空间分析中图分类号：ＴＰ３９１．４文献标识码：Ａ
２．１主成分分析方法（ＰＣＡ）基于子空间的人脸识别算法最早见于Ｋｉｒｂｙ
２３］等人的工作［，他们采用了ＫＬ变换对人脸图像
ＫＬ变换是图像压缩中的一种最优正进行表示，交变换，用于统计特征提取，它是形成子空间分析ｕｒｋ等人将ＫＬ变换具体应用于方法的基础。ＴＥｉｇｅｎｆａｃｅｓ）人脸识别，提出了经典的 “ 特征脸” （
［８］（ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＩＣＡ）和非负［６］［５］
图１将每幅图像排成一维列向量Ｆｉｇ．１Ｔｒａｎｓｆｏｒｍｉｎｇｅａｃｈｉｍａｇｅｉｎｔｏａｖｅｃｔｏｒ
文章编号１６７４２９１５（２００９）０５０３７７１１来自基于子空间分析的人脸识别方法研究
葛微，程宇奇，刘春香，陈秋萍
（１．中国科学院长春光学精密机械与物理研究所，吉林长春１３００３３；２．中国科学院研究生院，北京１０００３９）
２４］，又叫主成分分析（ＰＣＡ）。方法［
法
［４～１０］
、机器学习方法
［１５～１７］
［１１，１２］
、模型方法
［１３，１４］
和局
部特征方法
。由于人脸图像的复杂性，即表
面光滑且具有一定的纹理信息，局部像素间又具有较强的相关性，而利用显示的描述人脸特征的方法进行识别具有一定的困难，利用统计信息进行识别的方法逐渐受到重视。另外，人脸图像的维数通常都是很高的，而实际上人脸图像在这样的高维空间中像素之间是非紧致的，存在冗余信息，不利于分类，计算也很复杂，因此人们往往将人脸图像投影到低维的子空间进行判别。子空间分析的出发点是根据一定的性能目标来寻找一个线性或非线性的空间变换，把在统计上对分类最有用的特征留在子空间中，使高维矢量在子空间的分布更加紧凑，从而达到压缩原始数据维数的目的，为数据的描述提供方便，并降低计算的复杂度。在人脸识别中得到成功应用的线ＰｒｉｎｃｉｐａｌＣｏｍ性子空间分析方法有主成分分析（ｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）、线性鉴别分析（ＬｉｎｅａｒＤｉｓｃｒｉｍｉｎａｎｔＡｎａｌｙｓｉｓ，ＬＤＡ）、独立主元分析