人脸识别方法调研

0 几何特征

 

识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。

基于几何特征的识别方法比较简单、容易理解，但没有形成统一的特征提取标准；从图像中抽取稳定的特征较困难，特别是特征受到遮挡时； 对较大的表情变化或姿态变化的鲁棒性较差。

1 特征脸（Eigenfaces）基于PCA

    特征脸(Eigenfaee)方法由Turk和Pentland区`5〕提出.对于每一幅人脸图像,按照从上到下、从左到右的顺序将所有像素的灰度值串成一个高维向量,然后通过主成分分析(PrineipalComponentAnaly-515,PCA)仁’6j将高维向量降低维数.

 

2 Fisherfaces基于fisher线性判别式（线性判别分析(LinearDiseriminateAnaly-515,LDA)方法）

线性空间来代替特征脸空间以取得更好的识别效果.此中线性判别分析(LinearDiseriminateAnaly-515,LDA)方法(也叫FISher脸方法)仁’9口利用了类别归属信息,它选择类内散布正交的矢量作为特征脸空间,从而压制了图像之间与识别信息无关的差异,强调了不同人脸之间的差别,同时弱化了同一人脸由于光照、视角和表情而引起的变化,获得了比特征脸更好的识别效果.

 

3 PCA ICA独立成分分析法(independentcomponentanalysis,ICA)

   Bartlett等人[15]提出,传统的PCA方法只依靠像素间的二阶关系来寻找人脸基础图像,而重要的信息却可能包含在像素间的高阶关系中,人们自然就希望可以利用这些高阶统计信息寻找到更好的基础图像,因此他们提出了一种广义的PCA方法,即独立成分分析法(independentcomponentanalysis,ICA)用于人脸特征提取。之后,学者们一般将PCA与ICA结合来进行人脸图像的特征提取。

 

4 基于隐马尔可夫模型的人脸识别方法(额头、眼睛、鼻子、嘴巴、下巴)

   早建立了关于人脸的隐马尔可夫模型,他认为人脸图像从上至下包含额头、眼睛、鼻子、嘴巴和下巴五个显著特征区域,隐含五个状态。他将图像用一个矩形窗从上到下分成若干块,将窗口内的像素点排成列向量,用每个区块的像素值作为观察序列来进行人脸识别。

 

5 基于模板匹配的人脸识别

 

6 弹性匹配方法的人脸识别

 弹性图匹配方法是基于动态链接结构（DLA）；用网格状的稀疏图来表示人的面部图像；

 

7 机器学习方法类：

 基于支持向量机（ＳＶＭ）的机器学习

 

8 基于深度学习DL（Deep Learning）

8.1  Lu等[30]提出一种原理上多任务的学习方法，该方法基于可分离高斯过程隐变量模型——高斯脸,以丰富训练的多样性。这一模型能够自动适应复杂的数据分布，因而能够很好地捕捉多种情况下人脸内在的复杂变化

  8.2 Deep ID[31]的系列人脸识别算法，通过CNN学习特征，思想：将图片输入CNN，学习到一个160维的向量，然后使用各种现成的分类器（如SVM等）达到0.97正确率

  8.3 Deep ID2。在deepid的基础上添加了验证信号；原来的卷积神经网络最后一层softmax使用的是Logistic Regression作为最终的目标函数，也就是识别信号；DeepID2中，目标函数添加了验证信号，两个信息通过加权组合；

  8.4 DeepiD2+ 对卷积神经网络进行了大量的分析，发现了神经单元的适度稀疏性，该性质甚至可以保证即便经过二值化后，仍然可以达到较好的识别效果。高层的神经单元对人比较敏感，即对同一个人的头像来说，总有一些单元处于一直激活或者一直抑制的状态。

Deep ID2+的输出对遮挡非常鲁棒，在LFW上的正确率高达99.53%

 8.5 Deep Face

 8.6 Face Net

 

9 弹性匹配方法

10 基于贝叶斯人脸识别方法

11 红外图像人脸识别方法。

由于红外人脸图像是由人脸组织与结构的
红外辐射决定的，它们如同指纹一样，与人的基因结构有关，具有唯一性
[5]。所以，采用红外人脸图像进行人脸识别具有抗干扰性强、独立于可
见光源、防伪装、防欺诈等优点，可以在很大程度上弥补可见光人脸识别
技术的不足

早期的图像识别：

早期的图像识别系统主要采用尺度不变特征变换
（Ｓｃａｌｅ－ｉｎｖａｒｉａｎｔ　ｆｅａｔｕｒｅ　ｔｒａｎｓｆｏｒｍ，ＳＩＦＴ［１］）和方向梯度直方图（Ｈｉｓｔｏｇｒａｍ　ｏｆ　ｏｒｉｅｎｔｅｄ　ｇｒａｄｉｅｎｔｓ，ＨＯＧ［２］）等特征提取方法，然后将提取到的特征输入至分类器中进行分类识别。这些特征本质上是一种手工设计的特征，针对不同的识别问题，提取到的特征好坏对系统性能有着直接的影响，因此需要研究人员对所要解决的问题领域进行深入的研究，以设计出适应性更好的特征，从而提高系统的性能。这个时期的图像识别系统一般都是针对某个特定的识别任务，且数据的规模不大，泛化能力较差，难以在实际应用问题当中实现精准的识别效果。

又一篇文章：

传统的人脸识别方法有多种，
主动形状模型(active  shape  model，ASM)
主动表观模型(active appearance  models，AAM)[15]；
基于局部的方法：如利用局部描述子 Gabor、局部二值模式(local binary pat-tern，LBP)等进行识别；
基于全局的方法：包括经典的人脸识别算法，如特征脸方法(Eigenface)[16]、线性判别分析法(linear  discriminant  analysis，LDA)
等子空间学习算法以及
局部保持投影算法(locality preserving  projection，LPP)等流行学习算法；
3D人脸识别也是一个新的方向

 Deep Face


Deep ID


Face Net

      深度学习的主流开源项目同样适用于人脸识别的检测，对于在应用中整合深度学习功能的开发者，以下开源项目在 Git Hub 均可以免费下载．Caffe 是一个清晰而且高效的深度学习框架，应用于 Google 公司于 2015 年开发的 Deep Dream 项目．Tensorflow 是Google 公司开发，于 2016 年开源，并公布了系统参数，此举在深度学习领域影响巨大．另外，还有Torch7 、Theano 、Deeplearn  Tool-Box 、Deeplearning 4,j 、Brainstorm 、Chainer 、Marvin 、Conv Net Js 、MXNet、Neon 等开源深度学习框架，为广大研究人员研究深度学习算法提供了多种途径．