人脸识别算法是什么？人脸识别技术的核心算法解读

　　人脸识别核心算法包括检测定位、建模、纹理变换、表情变换、模型统计训练、识别匹配等关键步骤，其中最关键的技术包括两部分：人脸检测(Face Detect)和人脸识别(Face Identification)。主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。

　　1、基于几何特征的方法

　　几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。脸部由眼睛、鼻子、嘴、下巴等部件构成，这些部件的形状、大小和构造的差异在世界各个脸部是千差万别的，因此这些部件的形状和构造关系的几何学记述可以作为脸部识别的重要特征。
 

　　2、局部特征分析方法

　　局部特征分析方法是一种基于特征表示的人脸识别技术，源于制作积木的与局部统计相似的原理。LFA 基于所有的面像(包括各种复杂的式样)都可以从由很多不能再简化的结构单元子集综合而成。

　　这些单元使用复杂的统计技术而形成，它们代表了整个面像，通常跨越多个像素(在局部区域内)并代表了普遍的面部形状，但并不是通常意义上的面部特征。实际上，面部结构单元比面像的部位要多得多。 然而，要综合形成一张精确逼真的面像， 只需要整个可用集合中很少的单元子集(12～ 40 特征单元)。

　　要确定身份不仅仅取决于特性单元，还决定于它们的几何结构(比如它们的相关位置)。通过这种方式，LFA 将个人的特性对应成一种复杂的数字表达方式，可以进行对比和识别。

　　“面纹”编码方式是根据脸部的本质特征和形状来工作的，它可以抵抗光 线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，以从百万人中精确地辨认出一个人。
 

　　3、特征脸方法(Eigenface或PCA)

　　从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。

　　该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。

　　4、基于弹性模型的方法

　　弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法，较好的利用了人脸的结构和灰度分布信息，而且还具有自动精确定位面部特征点的功能，因而具有良好的识别效果，适应性强识别率较高，该技术在FERET测试中若干指标名列前茅，其缺点是时间复杂度高，速度较慢，实现复杂。
 

　　5、神经网络方法(Neural Networks)

　　神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。

　　因此人工神经网络识别速度快，但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入节点庞大，其识别重要的一个目标就是降维处理。

　　6、其他方法

　　除了以上几种方法，人脸识别还有其它若干思路和方法，包括一下一些：

　　(1)隐马尔可夫模型方法(Hidden Markov Model)

　　(2)Gabor 小波变换+图形匹配

　　(3)人脸等密度线分析匹配方法