1人臉識(shí)別主要算法原理法、基于模板的方法和基于模型的方法。算法結(jié)合才能有比較好的效果；性判別分析方法、奇異值分解方法、神經(jīng)網(wǎng)絡(luò)方法、動(dòng)態(tài)連接匹配方法等。外觀模型的方法等。基于幾何特征的方法如距離、角度等。Jia等由正面灰度圖中線四周的積分投影模擬側(cè)面輪廓圖是一種很有意的方法。重要特征點(diǎn)的位置和眼睛等重要器官的幾何外形作為分類特征,但Roder可變形模板法可以視為幾何特征方法的一種改進(jìn)，其根本思想是:設(shè)計(jì)一個(gè)參數(shù)可調(diào)的器官模型(即可變形模板),定義一個(gè)能量函數(shù)，的幾何特征。耗時(shí)，難以實(shí)際應(yīng)用。基于參數(shù)的人臉表示可以實(shí)現(xiàn)對(duì)人臉顯著局部微小特征，造成局部信息的喪失，更適合于做粗分類，而且目前已有的特征點(diǎn)檢測(cè)技術(shù)在準(zhǔn)確率上還遠(yuǎn)不能滿足要求，計(jì)算量也較大。局部特征分析方法〔LocalFaceAnalysis〕化的，其核函數(shù)的支集擴(kuò)展在整個(gè)坐標(biāo)空間中，同時(shí)它是非拓?fù)涞模紤]，Atick法在實(shí)際應(yīng)用取得了很好的效果，它構(gòu)成了FaceIt根底。特征臉?lè)椒ā睧igenface或PCA〕90Turk和Pentland算法之一，具有簡(jiǎn)潔有效的特點(diǎn),也稱為基于主成分分析(principalcomponentanalysis,簡(jiǎn)稱PCA)的人臉識(shí)別方法。表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中距離，假設(shè)窗口圖像滿足閾值比較條件，則推斷其為人臉。信息及灰度信息來(lái)設(shè)計(jì)具體識(shí)別算法。現(xiàn)在Eigenface(PCA)算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測(cè)試人臉識(shí)別系統(tǒng)性能的基準(zhǔn)算1991的試驗(yàn)和理論分析，F(xiàn)ERET”96是主流的人臉識(shí)別技術(shù)，也是具有最好性能的識(shí)別方法之一。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其技術(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。”這種算法是利用人風(fēng)光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)中全部的原始參數(shù)進(jìn)展比較、推斷與確認(rèn)Turk和Pentland提出特征臉的方法它依據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間由于主元具有臉的外形，也稱為特征臉 ,識(shí)別時(shí)將測(cè)試 圖像投影到主元子空間上得到一組投影系數(shù)和各個(gè)人的人臉圖像比較進(jìn)展識(shí)別。Pentland等報(bào)告了相當(dāng)好的結(jié)果，在200個(gè)人的3000幅圖像中得到95%的正確識(shí)別率，在ＦＥＲＥＴ數(shù)據(jù)庫(kù)上對(duì)150幅正面人臉象只有一個(gè)誤識(shí)別但系統(tǒng)在進(jìn)展特征臉?lè)椒ㄖ靶枰鞔罅款A(yù)處理工作如歸一化等。在傳統(tǒng)特征臉的根底上，爭(zhēng)論者留意到特征值大的特征向量(即特征臉)并不肯定是分類性能好的方向，據(jù)此進(jìn)展了多種特征(子空間)選擇方法，如PengWeng義分析方法、Belhumeur的FisherFace和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin爭(zhēng)論。總之，特征臉?lè)椒ㄊ且环N簡(jiǎn)潔、快速、有用的基于變換系數(shù)基于KL變換的特征人臉識(shí)別方法根本原理:KL特征提取，從而形成了子空間法模式識(shí)別的根底，假設(shè)將KL由于高維圖象空間KL人臉訓(xùn)練樣本集的統(tǒng)計(jì)特性來(lái)獲得，KL光線等的干擾，且計(jì)算量也得到削減，而識(shí)別率不會(huì)下降。基于彈性模型的方法Ｌａｄｅｓ等人針對(duì)畸變不變性的物體識(shí)別提出了動(dòng)態(tài)鏈接模型(ＤＬＡ)，將物體用稀疏圖形來(lái)描述(見以下圖)，其頂點(diǎn)用局Ｗｉｓｃｏｔｔ等人在此根底上作了改進(jìn)，用ＦＥＲＥＴ圖像庫(kù)做試驗(yàn)，用300幅人臉圖像和另外30097.3%。此方法的缺點(diǎn)是計(jì)算量格外巨大。將人臉圖像(Ⅰ)(ｘ，ｙ)建模為可變形的3Ｄ網(wǎng)格外表(ｘ，ｙ，Ｉ(ｘ，ｙ))(如以下圖所示)，從而將人臉匹方法的特點(diǎn)在于將空間(ｘ，ｙ)和灰度Ｉ(ｘ,ｙ)放在了一個(gè)3Ｄ空間中同時(shí)考慮，試驗(yàn)說(shuō)明識(shí)別結(jié)果明顯優(yōu)于特征臉?lè)椒āanitis征點(diǎn)將人臉編碼為83征點(diǎn)的功能，因而具有良好的識(shí)別效果，適應(yīng)性強(qiáng)識(shí)別率較高，該技術(shù)在FERET較慢，實(shí)現(xiàn)簡(jiǎn)單。神經(jīng)網(wǎng)絡(luò)方法〔NeuralNetworks〕適應(yīng)力量。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識(shí)別中的爭(zhēng)論方興未艾。Valentin提出一種方法，首先提取人臉的50關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5判別，對(duì)一些簡(jiǎn)潔的測(cè)試圖像效果較好；Intrator等提出了一種混監(jiān)視神經(jīng)網(wǎng)絡(luò)用于分類。Lee經(jīng)網(wǎng)絡(luò)進(jìn)展識(shí)別，效果較一般的基于歐氏距離的方法有較大改善，LaurenceLin(PDBNN),其主要思想是承受虛擬(正反例)樣本進(jìn)展強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較為抱負(fù)(OCON)加快網(wǎng)絡(luò)的學(xué)了較好的應(yīng)用，其它爭(zhēng)論還有:DaiHopfield區(qū)分率人臉聯(lián)想與識(shí)別，GuttaRBF等人將MatchingPursuit人臉?lè)诸悺Ｉ窠?jīng)網(wǎng)絡(luò)方法在人臉識(shí)別上的應(yīng)用比起前述幾類方法來(lái)有肯定的隱性表達(dá)，它的適應(yīng)性更強(qiáng)，一般也比較簡(jiǎn)潔實(shí)現(xiàn)。因此人工神經(jīng)是降維處理。PCA法(即PrincipleComponentAnalysis,簡(jiǎn)稱PCA)進(jìn)展識(shí)別是由AndersonKohonen提出的。由于PCA維向量轉(zhuǎn)化時(shí)，使低維向量各重量的方差最大，且各重量互不相關(guān)，因此可以到達(dá)最優(yōu)的特征抽取。其它方法：些：1〕隱馬爾可夫模型方法〔HiddenMarkovModel〕2〕Gabor小波變換+圖形匹配準(zhǔn)確抽取面部特征點(diǎn)以及基于Gabor好的準(zhǔn)確性，能夠排解由于面部姿勢(shì)、表情、發(fā)型、眼鏡、照明環(huán)境等帶來(lái)的變化。GaborGaussian敏感。但該算法的識(shí)別速度很慢，只適合于錄象資料的回放識(shí)別，對(duì)于現(xiàn)場(chǎng)的適應(yīng)性很差。3〕人臉等密度線分析匹配方法多重模板匹配方法匹配。LinearDiscriminantAnalysisLD〕本征臉?lè)ū菊髂樂(lè)▽D像看做矩陣,計(jì)算本征值和對(duì)應(yīng)的本征向量作為代數(shù)特征進(jìn)展識(shí)別,具有無(wú)需提取眼嘴鼻等幾何特征的優(yōu)點(diǎn),但在單樣本時(shí)識(shí)別率不高,且在人臉模式數(shù)較大時(shí)計(jì)算量大特定人臉子空間(FSS)算法該技術(shù)來(lái)源于但在本質(zhì)上區(qū)分于傳統(tǒng)的“特征臉“人臉識(shí)別方法。“特征臉“方法中全部人共有一個(gè)人臉子空間，而該方法則為每一個(gè)體人練樣本的個(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。奇異