利用Multi-LBP和PCA、LDA进行人脸识别

在深度学习盛行的大趋势下，还在开发传统的人脸识别方法，显得有些无奈；但是在服务器问题解决之前，我觉得还是有必要了解并实现一下的。

实现如题的人脸识别主要分为五部：

1、CLM截取人脸关键点：用于进行人脸标定；同时也用于测试论文《Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification》。

2、Multi-LBP：具体主要参考论文《Multi-scale local binary pattern histograms for face recognition》，实现的时候记得区分多尺度LBP和多分辨率LBP；我这里用的是多尺度LBP，多分辨率的没有测试，效果应该差不多。

3、PCA的训练：首先跟人眼位置截取人脸区域，收集人脸数据；然后opencv自带的PCA进行训练；保存特征均值和特征向量。

4、LDA训练：测试为收集18个人，每个人20张图像，共360张图像；用PCA降维后直接送入LDA进行分类学习；LDA来自Opencv。

5、余弦距离进行相似度判断。

测试结果：

1、用LBP高维数据进行测试，可以区分，但是同一人的相似度比非同一人的相似度高出范围在0-0.3之间。

2、用PCA降维后结果和LBP差不多

3、用LDA映射后，部分数据效果比较理想，对于证件验证也比较不错，但是会出现错误。（可能学习的样本太少，类数太少）

4、《Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification》的效果比MLBP原始特征得到的比对结果好点，不过证件比对这块差不多。

总结：该方法速度很快，效果有待提高，后续会加大样本，同时改进验证策略，看效果是否会提高。