人脸识别算法中的一些重要的算法

人脸识别经过这些年的发展，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、图像处理、计算机视觉、人工智能、统计学习、神经网络、小波分析、子空间理论和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像的人脸识别和基于视频图像的人脸识别。因为基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别，所以只有那些使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。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

使用sift算法进行识别（特征点的提取并用特征向量对特征点描述，接着当前视图的特征向量与目标对象的特征向量进行匹配）。具体思路是：使用sift算法进行识别（特征点的提取并用特征向量对特征点描述，接着当前视图的特征向量与目标对象的特征向量进行匹配），根据识别出来的原目标和帧图像匹配关系得到变化矩阵，来显示三维物体（使用opengl来绘制），实现跟踪。 模型参数辨识采用rls法进行参数辨识的编程步骤 确定各向量及矩阵的维数 对各向量及矩阵初始化 参数向量 初始化为thitazeros 初始化为hzeros 用matlab及labview实现动态称重算法的过程用labview从文件中读取原始数据 用labview实现窗函数 选取有效数据段 在labview中调用matlab脚本节点 用matlab实现数据滤波和模型辨识算法 得到质量值并用labview显示。

活脸比对技术,人脸活体检测识别产品简介活脸比对技术技术主要分为两部分：第一步为前端人脸人脸活体检测识别，主要支持andr。第二部为后台手机app上的人脸识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别，取到头像后，将现场人脸与上的人脸进行比对识别，判断是否为同一张人脸。使用sift算法进行识别（特征点的提取并用特征向量对特征点描述，接着当前视图的特征向量与目标对象的特征向量进行匹配）。

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。

对于有指导的模式识别，由于任一样本的类别是已知的，样本在空间的分布不再是依据其自然分布倾向来划分，而是要根据同类样本在空间的分布及不同类样本之间的分离程度找一种适当的空间划分方法，或者找到一个分类边界，使得不同类样本分别位于不同的区域内。说明：matlab判别分析，基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。类似的还有线性输出开关，ak240的耳机口也可以切换为线性输出，也就是lo模式，配合平衡开关切换的话，那么ak240总共是有4种输出模式，即立体声耳机输出、平衡耳机输出、立体声线性输出、平衡线性输出。

弹性图匹配

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。所有人脸图像都有相似的拓扑结构。人脸都可表示成图，图中的节点是一些基准点（如眼睛，鼻尖等），图中的边是这些基准点之间的连线。

每个节点包含 40 个 Gabor 小波（一种数字信号变换方法）系数，包括相位和幅度，这些系数合起来称为一个 Jet ，这些小波系数是原始图像和一组具有 5 个频率、 8 个方向的 Gabor 小波卷积（一种数字信号处理算子）得到的。这样每幅图就像被贴了标签一样，其中的点被 Jets 标定，边被点之间的距离标定。所以一张人脸的几何形状就被编码为图中的边，而灰度值的分布被编码为图中的节点。如下图所示：

为了识别一张新的人脸，需要从该人脸中找到基准点，提取出一个人脸图，这可用弹性图匹配得到。弹性图匹配的目的是在新的人脸中找到基准点，并且提取出一幅图，这幅图和现有的人脸束图之间的相似度最大。经过弹性图匹配后，新的人脸的图就被提取出来了，此图就表征了新的人脸，用它作为特征进行识别。进行识别时，计算测试人脸和现有人脸束图中的所有人脸之间的相似度，相似度最大的人脸的身份即为测试人脸的身份。人脸检测算法有哪些

3.自适应识别算法，不断匹配全球面部特征提高识别精度面部评分。根据您的描述，考虑可能是黄褐斑，此病是一种常见的获得性、对称性斑片状色素沉着病，大多累及面部、颈部等曝光部位，以女性多见，发病与内分泌、口服避孕药物、遗传、日晒、化妆品等密切相关，皮损主要分布于面部两侧颧部，表现为淡褐色或淡黑色、大小不等、形状不规则的斑疹或斑片，表面光滑，局部无炎症及鳞屑，日晒后加重。amd脸部登陆(face login)：使用面部识别算法分析眼睛、鼻子、颧骨和下巴的相对位置、大小和/或形状，来识别面部特征，amd将加速这个过程。

3D 形态模型

早期的 mrf 将纹理图像中像素的空间交互建模为基于平面网格上的 mrf,通过迭代的算法将纹理的局部信息逐步传递到整个图像,但算法的计算量相当大,且还会随着图像尺寸的增大或噪声的 8增多而增加。第二部为后台手机app上的人脸识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别，取到头像后，将现场人脸与上的人脸进行比对识别，判断是否为同一张人脸。这个就很简单了，拍摄人脸上的带有激光编码信息的图像，传输给isp处理，根据这幅图像和doe上的编码进行解码来产生3d的距离信息并生成一副带有depth map的人脸图像并与本机存储的人脸深度信息进行对比，准确率达到xx%即可解锁。

基于视频图像的识别算法

一个典型的基于视频图像的人脸识别系统一般都是自动检测人脸区域，从视频中提取特征，最后如果人脸存在则识别出人脸的身份。在视频监控、信息安全和出入控制等应用中，基于视频的人脸识别是一个非常重要的问题，也是目前人脸识别的一个热点和难点。基于视频比基于静态图像更具优越性，因为 Bruce 等人和 Knight 等人已证明，当人脸被求反或倒转时，运动信息有助于（熟悉的）人脸的识别。虽然视频人脸识别是基于静态图像的人脸识别的直接扩展，但一般认为视频人脸识别算法需要同时用到空间和时间信息，这类方法直到近几年才开始受到重视并需要进一步的研究和发展。目前视频人脸识别还有很多困难和挑战，具体来说有以下几种：

视频图像质量比较差：视频图像一般是在户外（或室内，但是采集条件比较差）获取的，通常没有用户的配合，所以视频人脸图像经常会有很大的光照和姿态变化。另外还可能会有遮挡和伪装。

人脸图像比较小：同样，由于采集条件比较差，视频人脸图像一般会比基于静态图像的人脸识别系统的预设尺寸小。小尺寸的图像不但会影响识别算法的性能，而且还会影响人脸检测，分割和关键点定位的精度，这必然会导致整个人脸识别系统性能的下降。

第二部为后台手机app上的人脸识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别，取到头像后，将现场人脸与上的人脸进行比对识别，判断是否为同一张人脸。根据识别出来的原目标和帧图像匹配关系得到变化矩阵，来显示三维物体（使用opengl来绘制），实现跟踪。，会对图像中的事物进行一些简单的判别，比如识别人脸，对静态事物的图像采集也能让机器人辨别障碍物，或者计算出静态事物的大致几何图形甚至尺寸，对动态事物的图像采集，机器人可以计算出动态事物的运动轨迹甚至速度。

视频人脸识别的第二个发展阶段是利用多模态信息。因为人类一般会利用多种信息识别人的身份，所以一个多模态系统将比只利用人脸的识别系统性能更好。更重要的是利用多模态信息提供了一种方法，它能全面解决那些只靠人脸无法识别的任务。例如，在一个完全没有配合的环境（比如抢劫），歹徒的脸一般是蒙着的，这时唯一能进行无人脸识别的方法就是分析歹徒躯体的运动特性。除了指纹，人脸和声音是最常用于身份识别的信息。它们已经被用于很多多模态身份识别系统。 1997 年以来，每两年，就会召开一个专门关于基于视频和语音身份识别的国际会议。

最近几年，视频人脸识别进入第三个发展阶段，这个阶段方法的特点是同时采用空间信息（在每帧中）和时间信息（比如人脸特征的运动轨迹）。区别于概率投票方法的一个很大的不同之处在于，此类方法是在时间和空间的联合空间中描述人脸和识别人脸的。

视频图像的一个非常重要的特性是它的时间连续性，以及由此产生的人脸信息的不确定性。在人脸跟踪和识别中利用时间信息是视频人脸识别算法和基于静态图像的人脸识别算法的最大区别。目前这类算法大致可分为两类：

1、跟踪 - 然后 - 识别

(2)人脸检测模块:本文采用基于haar特征的adaboost级联算法实现对驾驶员人脸的检测,该算法对人脸检测具有速度快、效果好等特点。据了解，活体检测是基于人的脸部特征信息进行身份识别的一种生物识别技术，用摄像机或采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行相关技术验证。第二部为后台手机app上的人脸识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别，取到头像后，将现场人脸与上的人脸进行比对识别，判断是否为同一张人脸。

2、跟踪 - 且 - 识别

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-96042-1.html