人脸识别三大经典算法是什么(人脸识别有三大经典算法)

人脸识别算法是指在检测到人脸并定位人脸的重要特征点后，可以将关键人脸区域切割出来，预处理后馈入后端识别算法。识别算法应完成人脸特征的获取，并与库存中已知的人脸进行比较，以实现最终类型。人脸识别有三种经典算法。让我们看看它们是什么。

面部识别三大经典算法

特点脸法（Eigenface）

特征面部技术是近年来发展起来的一种面部或一般刚体识别等涉及面部解决方案的方法。应用特征面部进行面部识别的方法首先由特征面部进行 Sirovich 和 Kirby（1987）提出（《Low-dimensional procedure forthe characterization of human faces》），并由 Matthew Turk 和 Alex Pentland 用于面部分类（《Eigenfaces for recognition》）。首先，将一批人脸图像转化为特征向量集，称为“Eigenfaces也就是“特征脸”，它们是最初练习图像集的基本部分。首先，将一批人脸图像转化为特征向量集，称为“Eigenfaces“，即“特征脸”，它们是最初练习图像集的基本组成部分。识别过程是将新图像投射到特征面部空间中，并通过其投影点在子空间位置及其投影线长度进行判断和识别。

将图像转换到另一个空间后，同一类型的图像将聚集在一起，不同类型的图像将相对较远。在原始像素空间中，不同类型的图像很难用简单的线或表面分割，转换到另一个空间，可以很好地分离。

Eigenfaces 选择的空间变换方法是 PCA(主成分分析)，使用， PCA 获得面部的主要成分，实际完成是溶解协方差矩阵，练习集中所有面部图像，获得相应的本征向量，即“特征脸”。每个特征向量或特征脸相当于捕获或描述面部之间的变化或特征。这意味着每一张脸都可以表示为这些特征脸的线性组合。

部分二值方法（Local Binary Patterns，LBP）

部分二值方法（Local binary patterns LBP）它是一种用于机器视觉领域分类的视觉算法。LBP，芬兰奥卢大学的一种用于描述图像纹理特征的算法 T.Ojala 等人在 1996 年提出（《A comparative study of texturemeasures with classification based on featured distributions》）。2002 年，T.Ojala 等人在 PAMI 又发表了一篇关于的文章 LBP 的帖子（《Multiresolution gray-scale androtation invariant texture classification with local binary patterns》）。本文清楚地讲述了多分辨率、灰度尺寸不变、旋转不变、等价方法的改进 LBP 特点。LBP 核心内容是：以核心像素的灰度级为阀值，与其行业相比，获得相应的二进制码来描述部分纹理特征。

LBP 以获取局部特征为鉴别依据。LBP 这种方法的显著优点是对光线不敏感，但仍然没有解决姿势和表情问题。但与特征面部方式相比，LBP 精度有了很大的提高。

Fisherface 算法

线形识别分析在降维的同时考虑类型信息，统计学家将在降维的同时进行分析 Sir R. A.Fisher19366 年发明（《The useof multiple measurements in taxonomic problems》）。为了找到一种特征组合方法，实现最大的类间离散度和最小的类内离散度。这个想法很简单：在低维表示下，同一类别应该紧密地聚集在一起，而不同类型之间的距离应该尽可能远。1997 年，Belhumer 成功将 Fisher 区分规则用于面部分类，并根据线性区分进行分析 Fisherface 方式（《Eigenfaces vs. fisherfaces:Recognition using class specific linear projection》）。

- END -