人脸识别核心算法及技术解析

在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已知人脸进行比对，完成最终的分类。我们在这方面的主要工作包括一下几个：

人脸识别核心算法及技术解??

在检测到人脸并定位面部关键特征点之后，主要的人脸区域就可以被裁剪出来，经过预
处理之后，馈入后端的识别算法??


过预处理之后，馈入后端的识别算法。识别算法要完成人脸特征的提取，并与库存的已








定采用什么样的训练图像来训练人脸模型。鉴于此，在对统计学习方法进行研究的同时





（卷积结果称为Gabor特征图谱）获得多分辨率的变换图像。然后将每个Gabor特征图谱



度匹配技术（如直方图交运算）来实现最终的人脸识别。在FERET四个人脸图像测试集合





[pic]






信息难以准确获取的条件下，从图像数据中提取多方向、多尺度的Gabor特征是一种合??


难提高；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别分析，尽管这避免了??

能遗漏了非常多的有用特征??







PEAL和FERET人脸图像库上的对比实验表明：AGFC方法不但可以大大降低Gabor特征的维




之间的区别与联系??

[pic]












Fisher方法计算投影空间。我们还进一步提出了融合类均值向量差及KDBFM来构建扩展的
决策边界特征矩阵（EKDBFM）的方法，并把这两种方法成功地应用到了人脸识别领域，
在FERET和CAS-








识别而言，这样的特征却未必有利于识别，识别任务需要的是最大可能区分不同人脸的
特征??








的个体人脸子空间方法可以适用于单训练样本人脸识别问题。在Yale Face