人脸识别算法

人脸识别已经成为了计算机视觉与生物识别领域被研究最多的主题之一

• 人脸检测 ：提取图像中的人脸，划定边界；
• 人脸对齐 ：使用一组位于图像中固定位置的参考点来缩放和裁剪人脸图像；
• 人脸表征 ：人脸图像的像素值会被转换成紧凑且可判别的特征向量，或称模板；
• 人脸匹配 ：选取并计算两个模板间的相似度分数来度量两者属于同一个主体的可能性。

使用 PCA 或 LDA 进行人脸识别的算法流程十分相似，具体步骤如下。

1. 读取人脸图片数据库的图像及标签，并进行灰度化处理（可以同时进行直方图均衡等）
2. 将读入的二维图像数据信息转为一维向量，然后按列组合成原始数据矩阵
3. 对原始矩阵进行归一化处理，并使用PCA或LDA算法对原始数据矩阵进行特征分析与降维（计算过程中，根据原始数据得到一维均值向量经过维度的还原以后得到的图像为“平均脸”）
4. 读取待识别的图像，将其转化为与训练集中的同样的向量表示，遍历训练集，寻找与待识别图像的差值小于阈值（或差值最小）的图像，即为识别结果

第一步，需要对局部区域进行定义；

第二步，人脸局部区域特征的提取，依据经过样本训练后得到的变换矩阵将人脸图像向量映射为人脸特征向量；

第三步，局部特征选择（可选）；后一步是进行分类。分类器多采用组合分类器的形式，每个局部特征 对应一个分类器，后可用投票或线性加权等方式得到终识别结果。

人脸识别综合运用了数字图像/视频处理、模式识别、计算机视觉等多种技术，核心技 术是人脸识别算法。

人脸识别的算法有 4 种：基于人脸特征点的识别算法、基于整幅 人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法。

• 卷积神经网络(CNN)

卷积神经网络(CNN)是人工神经网络(ANN)在AI业界近些年发展有很多突破，它是深度学习（DL）中最常用的算法之一。DL是机器学习（ML）的子集，DL模型学习直接对图像、视频、文本或声音执行分类任务，该模型在CV、NLP和最大的图像分类数据集(Image Net)等领域都取得了较为重大的成果。CNN具有卷积层和池层，每一层都要学会检测不同的成像特征。