1、在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來(lái)，經(jīng)過(guò)預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫(kù)存的已知人臉進(jìn)行比對(duì)，完成最終的分類。我們?cè)谶@方面的主要工作包括：

　　· 基于LGBP的人臉識(shí)別方法

　　問(wèn)題：

　　統(tǒng)計(jì)學(xué)習(xí)目前已經(jīng)成為人臉識(shí)別領(lǐng)域的主流方法，但實(shí)踐表明，基于統(tǒng)計(jì)學(xué)習(xí)的方法往往會(huì)存在“推廣能力弱”的問(wèn)題，尤其在待識(shí)別圖像“屬性”未知的情況下，更難以確定采用什么樣的訓(xùn)練圖像來(lái)訓(xùn)練人臉模型。鑒于此，在對(duì)統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行研究的同時(shí)，我們還考慮了非統(tǒng)計(jì)模式識(shí)別的一類方法。

　　思路：

　　對(duì)于給定的人臉圖像，LGBP方法首先將其與多個(gè)不同尺度和方向的Gabor濾波器卷積（卷積結(jié)果稱為Gabor特征圖譜）獲得多分辨率的變換圖像。然后將每個(gè)Gabor特征圖譜劃分成若干互不相交的局部空間區(qū)域，對(duì)每個(gè)區(qū)域提取局部鄰域像素的亮度變化模式，并在每個(gè)局部空間區(qū)域內(nèi)提取這些變化模式的空間區(qū)域直方圖，所有Gabor特征圖譜的、所有區(qū)域的直方圖串接為一高維特征直方圖來(lái)編碼人臉圖像。并通過(guò)直方圖之間的相似度匹配技術(shù)（如直方圖交運(yùn)算）來(lái)實(shí)現(xiàn)最終的人臉識(shí)別。在FERET四個(gè)人臉圖像測(cè)試集合上與FERET97的結(jié)果對(duì)比情況見下表。由此可見，該方法具有良好的識(shí)別性能。而且LGBP方法具有計(jì)算速度快、無(wú)需大樣本學(xué)習(xí)、推廣能力強(qiáng)的優(yōu)點(diǎn)。

表.LGBP方法與FERET'97最佳結(jié)果的對(duì)比情況

　　· 基于AdaBoost的Gabor特征選擇及判別分析方法

　　問(wèn)題：

　　人臉描述是人臉識(shí)別的核心問(wèn)題之一，人臉識(shí)別的研究實(shí)踐表明：在人臉三維形狀信息難以準(zhǔn)確獲取的條件下，從圖像數(shù)據(jù)中提取多方向、多尺度的Gabor特征是一種合適的選擇。使用Gabor特征進(jìn)行人臉識(shí)別的典型方法包括彈性圖匹配方法（EGM）和Gabor特征判別分類法（GFC）。EGM在實(shí)用中需要解決關(guān)鍵特征點(diǎn)的定位問(wèn)題，而且其速度也很難提高；而GFC則直接對(duì)下采樣的Gabor特征用PCA降維并進(jìn)行判別分析，盡管這避免了精確定位關(guān)鍵特征點(diǎn)的難題，但下采樣的特征維數(shù)仍然偏高，而且簡(jiǎn)單的下采樣策略很可能遺漏了非常多的有用特征。

　　摘要：

　　針對(duì)上述問(wèn)題，我們考慮如何對(duì)Gabor特征進(jìn)行有效降維，將目前受到極大關(guān)注的AdaBoost算法創(chuàng)新性的應(yīng)用于Gabor特征的選擇上來(lái)，用于提取對(duì)識(shí)別最有利的特征（我們稱這些選擇出來(lái)的Gabor特征為AdaGabor特征），并最終通過(guò)對(duì)AdaGabor特征的判別分析實(shí)現(xiàn)識(shí)別（稱該方法為AGFC識(shí)別方法）。在CAS-PEAL和FERET人臉圖像庫(kù)上的對(duì)比實(shí)驗(yàn)表明：AGFC方法不但可以大大降低Gabor特征的維數(shù)從而可以更加有效地避免“維數(shù)災(zāi)難問(wèn)題”，降低了計(jì)算復(fù)雜度，同時(shí)識(shí)別精度也有了較大的提高。將AGFC與EGM，GFC進(jìn)一步比較可以看出：無(wú)論是EGM還是GFC，均是主觀的選擇若干面部關(guān)鍵特征點(diǎn)提取人臉的特征表示，而我們提出的AGFC方法則是通過(guò)機(jī)器學(xué)習(xí)的方法自動(dòng)的選擇那些對(duì)區(qū)分不同人臉具有關(guān)鍵作用的Gabor特征。參見下圖所示三者之間的區(qū)別與聯(lián)系。

　　三種不同的人臉建模方法比較示意圖

　　· 基于SV的Kernel判別分析方法sv-KFD

　　摘要：

　　支持向量機(jī)（SVM）和Kernel Fisher分析是利用kernel方法解決線性不可分問(wèn)題的兩種不同途徑，我們將二者進(jìn)行了有機(jī)結(jié)合。我們首先證明了SVM最優(yōu)分類面的法向量在基于支持向量的類內(nèi)散度矩陣的前提下具有零空間性質(zhì)，基于此定義了核化的決策邊界特征矩陣（Kernelized Decision Boundary Feature Matrix，簡(jiǎn)寫為KDBFM），最后利用基于零空間的Kernel Fisher方法計(jì)算投影空間。我們還進(jìn)一步提出了融合類均值向量差及KDBFM來(lái)構(gòu)建擴(kuò)展的決策邊界特征矩陣（EKDBFM）的方法，并把這兩種方法成功地應(yīng)用到了人臉識(shí)別領(lǐng)域，在FERET和CAS-PEAL數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明該方法比傳統(tǒng)人臉識(shí)別算法具有更好的識(shí)別性能。

　　· 基于特定人臉子空間的人臉識(shí)別方法

　　問(wèn)題：

　　Eigenface是人臉識(shí)別領(lǐng)域最著名的算法之一，本質(zhì)上是通過(guò)PCA來(lái)求取人臉圖像分布的線性子空間，該空間從最佳重構(gòu)的角度反映了所有人臉圖像分布的共性特征，但對(duì)識(shí)別而言，這樣的特征卻未必有利于識(shí)別，識(shí)別任務(wù)需要的是最大可能區(qū)分不同人臉的特征。

　　摘要：

　　“特征臉”方法中所有人共有一個(gè)人臉子空間，而我們的方法則為每一個(gè)體人臉建立一個(gè)該個(gè)體對(duì)象所私有的人臉子空間，從而不但能夠更好的描述不同個(gè)體人臉之間的差異性，而且最大可能地?cái)P棄了對(duì)識(shí)別不利的類內(nèi)差異性和噪聲，因而比傳統(tǒng)的“特征臉?biāo)惴ā本哂懈玫呐袆e能力。另外，針對(duì)每個(gè)待識(shí)別個(gè)體只有單一訓(xùn)練樣本的人臉識(shí)別問(wèn)題，我們提出了一種基于單一樣本生成多個(gè)訓(xùn)練樣本的技術(shù)，從而使得需要多個(gè)訓(xùn)練樣本的個(gè)體人臉子空間方法可以適用于單訓(xùn)練樣本人臉識(shí)別問(wèn)題。在Yale Face DatabaseB人臉庫(kù)對(duì)比實(shí)驗(yàn)也表明我們提出的方法比傳統(tǒng)的特征臉?lè)椒ā⒛０迤ヅ浞椒▽?duì)表情、光照、和一定范圍內(nèi)的姿態(tài)變化具有更優(yōu)的識(shí)別性能。

　　2、人體面貌識(shí)別技術(shù)包含三個(gè)部分：

　　（1） 人體面貌檢測(cè)

　　面貌檢測(cè)是指在動(dòng)態(tài)的場(chǎng)景與復(fù)雜的背景中判斷是否存在面像，并分離出這種面像。一般有下列幾種方法：

　　①參考模板法

　　首先設(shè)計(jì)一個(gè)或數(shù)個(gè)標(biāo)準(zhǔn)人臉的模板，然后計(jì)算測(cè)試采集的樣品與標(biāo)準(zhǔn)模板之間的匹配程度，并通過(guò)閾值來(lái)判斷是否存在人臉；

　　②人臉規(guī)則法

　　由于人臉具有一定的結(jié)構(gòu)分布特征，所謂人臉規(guī)則的方法即提取這些特征生成相應(yīng)的規(guī)則以判斷測(cè)試樣品是否包含人臉；

　　③樣品學(xué)習(xí)法

　　這種方法即采用模式識(shí)別中人工神經(jīng)網(wǎng)絡(luò)的方法，即通過(guò)對(duì)面像樣品集和非面像樣品集的學(xué)習(xí)產(chǎn)生分類器；

　　④膚色模型法

　　這種方法是依據(jù)面貌膚色在色彩空間中分布相對(duì)集中的規(guī)律來(lái)進(jìn)行檢測(cè)。

　　⑤特征子臉?lè)?/p>

　　這種方法是將所有面像集合視為一個(gè)面像子空間，并基于檢測(cè)樣品與其在子孔間的投影之間的距離判斷是否存在面像。

　　值得提出的是，上述5種方法在實(shí)際檢測(cè)系統(tǒng)中也可綜合采用。

　　（2）人體面貌跟蹤

　　面貌跟蹤是指對(duì)被檢測(cè)到的面貌進(jìn)行動(dòng)態(tài)目標(biāo)跟蹤。具體采用基于模型的方法或基于運(yùn)動(dòng)與模型相結(jié)合的方法。

　　此外，利用膚色模型跟蹤也不失為一種簡(jiǎn)單而有效的手段。

　　（3）人體面貌比對(duì)

　　面貌比對(duì)是對(duì)被檢測(cè)到的面貌像進(jìn)行身份確認(rèn)或在面像庫(kù)中進(jìn)行目標(biāo)搜索。這實(shí)際上就是說(shuō)，將采樣到的面像與庫(kù)存的面像依次進(jìn)行比對(duì)，并找出最佳的匹配對(duì)象。所以，面像的描述決定了面像識(shí)別的具體方法與性能。目前主要采用特征向量與面紋模板兩種描述方法：

　　①特征向量法

　　該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計(jì)算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。

　　②面紋模板法

　　該方法是在庫(kù)中存貯若干標(biāo)準(zhǔn)面像模板或面像器官模板，在進(jìn)行比對(duì)時(shí)，將采樣面像所有象素與庫(kù)中所有模板采用歸一化相關(guān)量度量進(jìn)行匹配。

　　此外，還有采用模式識(shí)別的自相關(guān)網(wǎng)絡(luò)或特征與模板相結(jié)合的方法。

　　人體面貌識(shí)別技術(shù)的核心實(shí)際為“局部人體特征分析”和“圖形/神經(jīng)識(shí)別算法。”這種算法是利用人體面部各器官及特征部位的方法。如對(duì)應(yīng)幾何關(guān)系多數(shù)據(jù)形成識(shí)別參數(shù)與數(shù)據(jù)庫(kù)中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。一般要求判斷時(shí)間低于1秒。

　　3、人體面貌的識(shí)別過(guò)程

　　一般分三步：

　　（1）首先建立人體面貌的面像檔案。即用攝像機(jī)采集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，并將這些面像文件生成面紋（Faceprint）編碼貯存起來(lái)。

　　（2）獲取當(dāng)前的人體面像

　　即用攝像機(jī)捕捉的當(dāng)前出入人員的面像，或取照片輸入，并將當(dāng)前的面像文件生成面紋編碼。

　　（3）用當(dāng)前的面紋編碼與檔案庫(kù)存的比對(duì)

　　即將當(dāng)前的面像的面紋編碼與檔案庫(kù)存中的面紋編碼進(jìn)行檢索比對(duì)。上述的“面紋編碼”方式是根據(jù)人體面貌臉部的本質(zhì)特征和開頭來(lái)工作的。這種面紋編碼可以抵抗光線、皮膚色調(diào)、面部毛發(fā)、發(fā)型、眼鏡、表情和姿態(tài)的變化，具有強(qiáng)大的可靠性，從而使它可以從百萬(wàn)人中精確地辯認(rèn)出某個(gè)人。

　　人體面貌的識(shí)別過(guò)程，利用普通的圖像處理設(shè)備就能自動(dòng)、連續(xù)、實(shí)時(shí)地完成。