深度剖析人臉識別技術的算法

人臉識別算法發(fā)展到今天，大致上可以分為兩類：基于特征的人臉識別算法和基于外觀的人臉識別算法。其中，多數基于特征的人臉識別算法屬于早期的人臉識別算法，現在已經不再使用。不過近些年出現了一些新的基于特征的算法，并取得不錯的效果。而基于外觀的人臉識別算法是由于實現簡單，受到廣泛關注。接下來將分別介紹兩類人臉識別算法。

基于特征的人臉識別算法：早期的人臉識別算法主要是基于特征模板和幾何約束來實現的。這一類算法首先對輸入圖像進行處理，提取出如眼睛、鼻子和嘴等面部特征和外觀輪廓。然后計算這些面部特征之間的幾何關系，如距離、面積和角度等。這樣將輸入圖像轉換為幾何特征向量后，使用標準的統(tǒng)計模式識別技術進行匹配分類。由于算法利用了一些直觀的特征，計算量小。不過，由于其所需的特征點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特征變化較大。所以說，這類算法只適合于人臉圖像的粗略識別，無法在實際中應用。
　　
以上這些方法都是通過一些特征模板和幾何約束來檢測特定的面部特征，并計算特征之間的關系。還有一些方法使用了圖像的局部表示來提取特征。其中最受關注的方法是局部二值模式(LBP)算法。LBP方法首先將圖像分成若干區(qū)域，在每個區(qū)域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。LBP算子的特點是對單調灰度變化保持不變。每個區(qū)域通過這樣的運算得到一組直方圖，然后將所有的直方圖連起來組成一個大的直方圖并進行直方圖匹配計算進行分類。
　　
基于特征的人臉識別算法主要的優(yōu)勢在于對姿態(tài)、尺度和光照等變化魯棒。由于多數特征是基于手動選擇和先驗知識，受圖像本身的成像質量影響較少。另外，提取出的面部特征往往維數較低，匹配速度快。這些方法的缺點是自動特征提取的難度較大。如果特征集的鑒別能力弱，再多的后續(xù)處理也無法補償本身的不足?；谕庥^的人臉識別算法：基于外觀的人臉識別算法也稱為整體方法。它們使用圖像的全局信息來辨識人臉。最簡單的整體方法是用二維數組來存放圖像的灰度值，然后直接對輸入圖像和數據庫中的所有圖像進行相關性比較。這種方法的缺點非常多，如易受環(huán)境影響、計算耗時等。其中一個重要的問題是這樣的分類是在一個非常高維的空間中進行的。為了克服維數問題，一些算法使用統(tǒng)計降維方法來獲取和保留更有用的信息，最典型的算法就是主成分分析(PCA)算法和線性鑒別分析(LDA)算法。
　　
PCA算法指出任何特定的人臉可以由一個低維的特征子空間表示，并可以用這個特征子空間近似地重建。將輸入人臉圖像投影到特征子空間上得到的特征與已知的數據庫進行比對來確定身份。PCA算法選取的特征最大化了人臉樣本間的差異，但也保留了一些由于光照和面部表情產生的不必要的變化。而同一個人由于光照產生的變化可能會大于不同人之間的變化。LDA算法在最大化不同個體之間的樣本差異的同時，最小化同一個體內部的樣本差異。這樣達到了人臉特征子空間的劃分。整體方法主要的優(yōu)點是它們沒有丟棄圖像中的任何信息。然而，這也是它們的缺點。整體方法一般假設圖像中的所有像素是同等重要的。因此，這些技術不僅計算耗時，而且需要測試樣本與訓練樣本高度相關。當人臉圖像的姿態(tài)、尺度和光照發(fā)生較大變化時人臉識別性能一般。