实验报告: 人脸识别方法回顾与实验分析 【OpenCV测试方法源码】

 

趁着还未工作，先把过去做的东西整理下出来~  

Github源码：https://github.com/Blz-Galaxy/OpenCV-Face-Recognition

（涉及个人隐私，源码不包含测试样本，请谅解~）

对实验结果更感兴趣的朋友请直接看 第5章

---

 

【摘要】这是一篇关于人脸识别方法的实验报告。报告首先回顾了人脸识别研究的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了详细的阐述；最后作者通过设计实验对比了三种方法的识别效果并总结了人脸识别所面临的困难与挑战。一些能反映方法性能的实验数据同样会在报告中展现，以便于更直观的了解其特点。 

 

【关键词】人脸识别；局部二值模式（LBP）；线性判别（LDA）；主成分分析（PCA）

注： 该报告所使用的方法描述来源于现有文献，这里仅以论文格式进行呈现。

---

 

1 引言

 

        简单来说，人脸识别就是利用计算机分析人脸视频或者图像，并从中提取出有效的识别信息，最终判别人脸对象的身份。它是基于生物识别技术的最要身份识别方法之一，涉及到计算机图形学、计算机视觉、模式识别、人工智能、计算智能等技术。对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的成果，并在不断的发展与完善。另外，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。

        人脸与人体的其他生物特征（指纹、虹膜等）一样与生俱来，其生物特征内在的稳定性和唯一性使其成为了作为身份识别的理想依据。与其他生物识别系统相比，人脸识别系统具有直接、友好、方便等特点，容易被使用者接受。因此，其在信息安全、刑事侦破、出入口控制等领域都有着广泛的应用前景。

  

1.1 人脸识别发展历程

        关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。最早的研究者是Bledsoe，他建立了一个半自动的人脸识别系统，主要是以人脸特征点的间距、比率等参数为特征。早期的人脸识别方法有两大特点：

        1）大多数识别方法是基于部件的，它们利用人脸的几何特征进行识别，提取的信息是人脸主要器官特征信息及其之间的几何关系。这类方法比较简单，但是很容易丢失人脸的有用信息，从而在视角、表情等变化的情况下识别能力差。鉴于这种情况，后来出现了性能较优的模板匹配方法，即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现人脸识别，这类方法在一定时期内占据主流。

        2）人脸识别研究主要是在较强约束条件下的人脸图像识别。假设图像背景单一或无背景，人脸位置已知或很容易获得，因此对现实场景产生的图像处理效果不佳。 

        90年代中期以来，人脸识别方法向着整体识别和部件分析相结合的趋势发展。研究人员开始逐渐认识到人脸识别算法必须能够充分地利用人脸的各种特征信息，融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特征等多种特征。因此，出现了很多新的算法，这些算法是将原先单一的算法结合起来，共同完成人脸的识别。灰度和形状分离的可变形模型方法就是其中之一。90年代后期，一些商业性的人脸识别系统开始逐渐进入市场，人脸识别技术成为当今国际安全防范最重要的手段之一。但是，这些技术和系统离实用化还有一定的距离，性能和准确率有待提高。1991年Turk和Pentland [1]、[2] 首次提出著名的“特征脸”（Eigenface）方法，利用主成分分析（Principal Component Analysis，PCA）取得了不错的识别效果；Belhumer [3] 在他的论文中，成功地将Fisher判别准则应用到了人脸分类当中，提出了Fisherface方法；从此基于子空间和统计特征的人脸识别技术成了一种主流的技术，这种基于线性子空间的技术主要包括主成分分析、线形判别分析（Linear Discrimi