人脸识别的种类，主要的人脸识别方法有哪些

很多朋友对人脸识别的种类，主要的人脸识别方法有哪些不是很了解，每日小编刚好整理了这方面的知识，今天就来带大家一探究竟。

分析算法是人脸识别技术中广泛使用的区域特征分析算法，融合了计算机图像处理技术和生物统计学原理。利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学原理建立数学模型，即人脸特征模板。将构建的人脸特征模板与被测试人的人脸图像进行特征分析，根据分析结果给出相似值。这个值可以用来判断是不是同一个人。

人脸识别有很多种方法。人脸识别的主要方法有：(1)人脸识别的几何特征：几何特征可以是眼睛、鼻子、嘴巴的形状及其几何关系(如它们之间的距离)。这些算法识别速度快，内存小，但识别率低。

(2)基于特征脸(PCA)的人脸识别方法：特征脸方法是一种基于KL变换的人脸识别方法，KL变换是一种用于图像压缩的最优正交变换。KL变换后的高维图像空间得到一组新的正交基，保留重要的正交基，由此可以生成一个低维线性空间。如果假设人脸在这些低维线性空间中的投影是可分的，那么这些投影就可以作为识别的特征向量，这就是特征脸方法的基本思想。

这些方法需要更多的训练样本，并且完全基于图像灰度的统计特性。目前有一些改进的特征脸方法。

(3)基于神经网络的人脸识别方法：神经网络的输入可以是分辨率降低的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这种方法还需要更多的样本进行训练，而在很多应用中，样本的数量是非常有限的。

(4)基于弹性图匹配的人脸识别方法：弹性图匹配方法定义了二维空间中对常见人脸变形不变的距离，用一个属性拓扑图来表示人脸。拓扑图的任意顶点都包含一个特征向量，用来记录顶点位置附近人脸的信息。

该方法结合了灰度特征和几何因素，可以允许图像在比较时有弹性变形，在克服表情变化对识别的影响方面取得了很好的效果，同时也不再需要为单个人训练多个样本。

(5)基于线段Hausdorff距离的人脸识别方法：心理学研究表明，识别等高线图的速度和精度不比识别灰度图差。LHD基于从人脸灰度图像中提取的线图，定义了两个线段集之间的距离。不同的是，LHD并没有在不同线段集合中的线段之间建立一一对应的关系，因此更适合线段图之间的微小变化。

实验结果表明，LHD在不同光照条件和不同姿态下的识别效果都很好，但在大表情情况下识别效果不佳。

(6)支持向量机的人脸识别方法：支持向量机是统计模式识别领域的一个新热点，它试图使学习机在经验风险和泛化能力上达成妥协，从而提高学习机的性能。支持向量机主要解决一个2-分类问题，其基本思想是试图将一个低维线性不可分问题转化为高维线性可分问题。

通常的实验结果表明，SVM具有较好的识别率，但需要大量的训练样本，在实际应用中往往不现实。而且支持向量机的训练时间长，方法复杂，如何得到这个函数也没有统一的理论。

以上知识分享希望能够帮助到大家！