人臉識別有哪些核心算法

　　導語：人臉識別核心算法包括檢測定位、建模、紋理變換、表情變換、模型統(tǒng)計訓練、識別匹配等關(guān)鍵步驟，其中最關(guān)鍵的技術(shù)包括兩部分：人臉檢測(Face Detect)和人臉識別(Face Identification)。

　　人臉識別有哪些核心算法

　　第一種：基于AdaBoost的Gabor特征選擇及判別分析方法

　　問題：

　　人臉描述是人臉識別的核心問題之一，人臉識別的研究實踐表明：在人臉三維形狀信息難以準確獲取的條件下，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特征進行人臉識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在實用中需要解決關(guān)鍵特征點的定位問題，而且其速度也很難提高;而GFC則直接對下采樣的Gabor特征用PCA降維并進行判別分析，盡管這避免了精確定位關(guān)鍵特征點的難題，但下采樣的'特征維數(shù)仍然偏高，而且簡單的下采樣策略很可能遺漏了非常多的有用特征。

　　摘要：

　　針對上述問題，我們考慮如何對Gabor特征進行有效降維，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，用于提取對識別最有利的特征(我們稱這些選擇出來的Gabor特征為AdaGabor特征)，并最終通過對AdaGabor特征的判別分析實現(xiàn)識別(稱該方法為AGFC識別方法)。在CAS-PEAL和FERET人臉圖像庫上的對比實驗表明：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)難問題”，降低了計算復雜度，同時識別精度也有了較大的提高。將AGFC與EGM，GFC進一步比較可以看出：無論是EGM還是GFC，均是主觀的選擇若干面部關(guān)鍵特征點提取人臉的特征表示，而我們提出的AGFC方法則是通過機器學習的方法自動的選擇那些對區(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。

　　第二種：基于LGBP的人臉識別方法

　　問題：

　　統(tǒng)計學習目前已經(jīng)成為人臉識別領(lǐng)域的主流方法，但實踐表明，基于統(tǒng)計學習的方法往往會存在“推廣能力弱”的問題，尤其在待識別圖像“屬性”未知的情況下，更難以確定采用什么樣的訓練圖像來訓練人臉模型。鑒于此，在對統(tǒng)計學習方法進行研究的同時，我們還考慮了非統(tǒng)計模式識別的一類方法。

　　思路：

　　對于給定的人臉圖像，LGBP方法首先將其與多個不同尺度和方向的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Gabor特征圖譜劃分成若干互不相交的局部空間區(qū)域，對每個區(qū)域提取局部鄰域像素的亮度變化模式，并在每個局部空間區(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編碼人臉圖像。并通過直方圖之間的相似度匹配技術(shù)(如直方圖交運算)來實現(xiàn)最終的人臉識別。在FERET四個人臉圖像測試集合上與FERET97的結(jié)果對比情況見下表。由此可見，該方法具有良好的識別性能。而且LGBP方法具有計算速度快、無需大樣本學習、推廣能力強的優(yōu)點。

【人臉識別有哪些核心算法】相關(guān)文章：

人臉識別算法有哪些分類04-01

人臉識別算法有哪些難點問題04-01

人臉識別的算法原理是什么04-01

人臉識別的方法有哪些04-01

媽媽與婆婆的區(qū)別有哪些04-28

女孩與女人的區(qū)別有哪些04-27

光圈大小的區(qū)別有哪些03-28

AR與VR的區(qū)別有哪些03-31

常見的火鍋類別有哪些04-07