了解面部识别的不同算法_人脸照片比对算法(2)

人工神经网络（ANN）和人工智能开发的创新之一是卷积神经网络（CNN）。使用最广泛的深度学习技术之一教授模型直接对图像、视频、文本或声音执行分类任务。在计算机视觉、自然语言处理（NLP）和最大的图像分类数据集领域，该模型表现出出色的结果（Image Net）。卷积层和池化层已被添加到典型的神经网络中以创建 CNN。对于CNN来说，这些层可以达到数百甚至数千，并且每个层都获得了识别各种图像元素的能力。

2）哈尔级联

一种在图像上查找对象的方法称为Haar Cascade。该算法从大量的正样本和负样本中学习，其中正样本包含感兴趣的对象，负样本包含其他任何对象。分类器可以在训练后识别新鲜照片上有趣的对象。将该技术与本地二进制模式算法相结合，用于刑事识别以识别人脸。即使表达式波动，Haar 级联分类器也需要 200（共 6000 个）特征才能保证 85-95% 的识别率。

3）特征面

图片数据集中的人脸方差是使用人脸检测和识别算法特征面找到的。在机器学习的帮助下，它使用这些变体对人脸进行编码和解码。通过统计分析许多不同的面部照片，产生一组称为一组特征面部的“标准化面部成分”。由于这种方法不使用数字图像，而是使用统计数据库，因此面部特征被赋予数值。这些变量以不同百分比的混合构成了每个人的面孔。

4）Fisherfaces

作为最受欢迎的面部识别算法之一，Fisherfaces被认为优于许多竞争对手。它经常被比作特征面作为对Eeigenfaces方法的增强，并且在整个训练过程中被认为在类区分方面更有效。该算法的主要优点是它能够推断和插值照明和面部表情的变化。据报道，当在预处理阶段与PCA方法结合使用时，Fisherfaces算法的准确率为93%。

5）内核方法&#