计算两张人脸对应关键点位置之间的l2距离_人脸识别综述

人脸识别综述

人脸识别是图像分析与理解最重要的应用之一，所谓人脸识别，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。人脸识别的研究可以追溯到２０世纪 60年代末期，主要的思路是设计特征提取器，再利用机器学习的算法进行分类。2012深度学习引入人脸识别领域后，特征提取转由神经网络完成，深度学习在人脸识别上取得了巨大的成功。下面以时间为顺序，梳理下人脸识别各算法的发展历程。

一、传统算法

（一）基于几何特征

1、原理

人脸由眼睛、鼻子、嘴巴、下巴等部件构成，这些部件的形状、大小，以及各部件在脸上的分布各异，构成各种各样的人脸，利用这些部件的形状和结构关系的几何描述，做为人脸识别的特征。比如：眼角点、鼻尖点和两个嘴角点，构造若干特征向量。特征向量通常包括人脸指定两点间的距离、曲率、角度等。

1973年，Kelly’s and Kanade’s PhD theses，第一篇人脸识别的paper,

2、优缺点

（1）优点

算法识别速度快，需要的内存小。

（2）缺点

一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求。

（二）基于全局信息（holistic method）

基于全局

基于几何特征的方法，萃取人脸部件的轮廓和几何关系，并没有用到图片中的其他信息，为了提高识别准确度，全局算法应运而生，全局算法的特征向量，包含人脸图像上所有部分的信息。

按照对全局特征处理方法的不同，介绍下面两种方法

1、PCA（Principal Components Analysis）

a.提出背景：

照片的识别，可以看成特征向量相互匹配的过程。如果2张100*100的照片，在各个维度上都相近，那么我们可以认为，这两张照片属于同一个人。但是以100 * 100的照片为例，数据维度10000维，数据维度太高，计算机处理复杂度高，需要将维度降低（因为10000维里面数据之间存在相关关系，所以可以除去重复维度信息，而保持信息不丢失）

b.降维方法

降低维度后，再拿这个压缩过的向量做识别即可。典型的方法有egienface等。

PCA所作的是将数据映射到最方便表示这组数据的坐标系上，映射时没有利用任何数据分类信息。做PCA其实是在信息损失尽可能低的情况下，将数据降维。如果在降维的时候加入分类信息，效果会不会更好？

2、LDA（Linear Discriminant Analysis线性判别分析）

左图是PCA，它所作的只是将数据映射到，最方便表示这组数据的坐标轴上。分类效果可能一般。

右图是LDA，可以明显看出，在增加了分类信息之后，两组输入映射到了另外一个坐标轴上，有了这样一个映射，两组数据之间的就变得更易区分了(在低维上就可以区分，减少了很大的运算量)。

LDA的典型方法有Fisher Linear Discriminant等，它求一个线性变换，使样本数据中“between classes scatter matrix”(类间协方差矩阵)和“within classes scatter matrix”(同内协方差矩阵)之比的达到最大。

（三）基于局部信息

基于局部信息的的提取方法也叫Feature-based method。我们考虑一种情况，同一个人的2张照片，它们之间唯一的区别是其中一人的眼睛是闭着的。在整体方法中，所有的特征向量的都可能不同（每一个特征向量都能看到全图信息）。但在在基于特征的方法中，大部分特征保持不变，只有与眼睛周围提取的特征向量会不同。而且，我们可以在基于特征方法中，将描述符设计为对变化(例如缩放、旋转或平移)保持不变。使其鲁棒性更强。

基于局部

基于局部信息的典型算法是LBP（Local Binary Pattern，局部二值模式），由芬兰的T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出，用于图像的局部纹理特征提取。

1、原理

原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域