经典人脸识别算法小结——EigenFace, FisherFace & LBPH（下）

最新推荐文章于 2024-08-18 08:40:42 发布

kuweicai

最新推荐文章于 2024-08-18 08:40:42 发布

阅读量2.7w

点赞数 17

分类专栏：人脸识别数字图像处理基础 opencv 文章标签：人脸识别 opencv eigenface fisherface LBPH

本文链接：https://blog.csdn.net/kuweicai/article/details/79330524

版权

本文详细介绍了三种经典的人脸识别算法：EigenFace、FisherFace和LBPH。EigenFace利用PCA进行降维，FisherFace采用LDA最大化类间距离，而LBPH利用局部二值模式直方图对光照变化有较好的鲁棒性。每种算法的工作流程、优缺点及OpenCV实现进行了阐述。

摘要由CSDN通过智能技术生成

该文章由下面两部分组成：

1).经典人脸识别算法小结——EigenFace, FisherFace & LBPH（上），这部分介绍人脸开源库，和图片的读取等准备工作。

2).经典人脸识别算法小结——EigenFace, FisherFace & LBPH（下），这部分介绍三种人脸识别算法。

如果对于opencv中的人脸识别API感兴趣，可参看官方的说明：Face Recognition with OpenCV。

1.EigenFace

EigenFace(特征脸)在人脸识别历史上应该是具有里程碑式意义的，其被认为是第一种有效的人脸识别算法。1987年 Sirovich and Kirby 为了减少人脸图像的表示（降维）采用了PCA（主成分分析）的方法，1991年 Matthew Turk和Alex Pentland首次将PCA应用于人脸识别，即将原始图像投影到特征空间，得到一系列降维图像，取其主元表示人脸，因其主元有人脸的形状，估称为“特征脸”。

EigenFace是一种基于统计特征的方法，将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式。EigenFace的基本思想是，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，以此近似的表征人脸图像，这些特征向量称为特脸。

下图对特征脸的应用进行了说明。从下图可以看出，一组特征脸基图像（特征脸1~d）组成一个特征脸子空间，任何一幅人脸图象（减去平均人脸后）都可投影到该子空间，得到一个权值向量(§1~d)。计算此向量和训练集中每个人的权值向量之间的欧式距离，取最小距离所对应的人脸图像的身份作为测试人脸图像的身份。而这里所提到的一组特征脸基图像（也就是特征脸，或者叫特征向量），正是利用PCA所求得的协方差矩阵的特征向量。具体可以参考