人脸识别

Question

我想知道，人脸识别到底是如何工作的？因为每个人都有不同的面孔，所以你无法察觉到一些“一般”的面孔或其他东西。

Answer 1

张军等人。(1997)研究了适用于计算机视觉的三种不同的人脸识别方法，每种方法都是统计分析中值得注意的领域：

1)特征面算法

2)弹性匹配

3)自动关联和分类网络

特征脸方法使用某种形式的降维方法(如PCA)对人脸图像之间的统计变化进行编码，其中在特征空间中产生的特征差异不一定对应于孤立的面部特征，如眼睛、耳朵和鼻子(换句话说，特征向量中不可或缺的分量并不是预先确定的)。

弹性匹配生成对应于脸部特定轮廓点的节点图(即线框模型)，例如眼睛、下巴、鼻尖等，识别基于图像图与已知数据库的比较。由于图像图形在匹配过程中可以旋转，因此该系统对图像中的大变化具有更强的鲁棒性。

分类网络识别利用与弹性匹配相同的几何特征，但由于是一种有监督的机器学习技术(通常涉及到支持向量机的使用)而存在根本区别。

尽管当光照或面部对齐变化较大时，特征脸检测的性能可能不如其他方法，但它的优点是易于实现，计算效率高，并且能够以无监督的方式识别人脸，因此往往成为事实上的标准。许多最先进的检测技术在识别之前也依赖于某种形式的降维，即使特征向量提取是以不同的方式处理的。

Answer 2

你可以在这里找到答案：Face recognition

每一张脸都有无数可区分的地标，不同的峰谷构成了面部特征。FaceIt将这些地标定义为节点。每个人脸大约有80个节点。由该软件测量的其中一些是：

* Distance between the eyes
* Width of the nose
* Depth of the eye sockets
* The shape of the cheekbones
* The length of the jaw line

对这些节点进行测量，创建一个数字代码，称为面部指纹，代表数据库中的面部。

Answer 3

一个不错的开始方法是阅读有关主成分分析(PCA，也称为特征脸)、Fisher的线性判别分析(LDA)和支持向量机(SVMs)的知识。这些分类方法对于人脸分类非常有用。

OpenCV已经包含了PCA和SVM的优秀实现。对于C++中的OpenCV的人脸识别和分类代码，一个优秀的资源是this website。

this one是一个网站，提供了最相关的人脸分类方法的资源和论文链接。

这是一个很好地解释了主成分分析、特征脸和线性分析的例子，并用Matlab语言编写了示例代码，这对我的第一个人脸分类程序is here非常有用。