1、在检测到人脸并定位面部要害特征点之后，首要的人脸区域就能够被裁剪出来，经过预处理之后，馈入后端的辨认算法。辨认算法要完结人脸特征的提取，并与库存的已知人脸进行比对，完结终究的分类。咱们在这方面的首要作业包括：
· 依据LGBP的人脸辨认办法
问题：
核算学习现在已经成为人脸辨认范畴的干流办法，但实践标明，依据核算学习的办法往往会存在“推行才能弱”的问题，尤其在待辨认图画“特点”不知道的状况下，更难以承认选用什么样的练习图画来练习人脸模型。鉴于此，在对核算学习办法进行研讨的一起，咱们还考虑了非核算形式辨认的一类办法。
思路：
关于给定的人脸图画，LGBP办法首要将其与多个不同规范和方向的Gabor滤波器卷积（卷积成果称为Gabor特征图谱）取得多分辨率的改换图画。然后将每个Gabor特征图谱划分红若干互不相交的部分空间区域，对每个区域提取部分邻域像素的亮度改变形式，并在每个部分空间区域内提取这些改变形式的空间区域直方图，一切Gabor特征图谱的、一切区域的直方图串接为一高维特征直方图来编码人脸图画。并经过直方图之间的类似度匹配技能（如直方图交运算）来完结终究的人脸辨认。在FERET四个人脸图画测验调集上与FERET97的成果比照状况见下表。由此可见，该办法具有杰出的辨认功能。并且LGBP办法具有核算速度快、无需大样本学习、推行才能强的长处。
表.LGBP办法与FERET97最佳成果的比照状况
· 依据AdaBoost的Gabor特征挑选及判别剖析办法
问题：
人脸描绘是人脸辨认的中心问题之一，人脸辨认的研讨实践标明：在人脸三维形状信息难以准确获取的条件下，从图画数据中提取多方向、多规范的Gabor特征是一种适宜的挑选。运用Gabor特征进行人脸辨认的典型办法包括弹性图匹配办法（EGM）和Gabor特征判别分类法（GFC）。EGM在有用中需求处理要害特征点的定位问题，并且其速度也很难进步；而GFC则直接对下采样的Gabor特征用PCA降维并进行判别剖析，虽然这防止了准承认位要害特征点的难题，但下采样的特征维数依然偏高，并且简略的下采样战略很或许遗漏了十分多的有用特征。
摘要：
针对上述问题，咱们考虑怎么对Gabor特征进行有用降维，将现在遭到极大重视的AdaBoost算法立异性的使用于Gabor特征的挑选上来，用于提取对辨认最有利的特征（咱们称这些挑选出来的Gabor特征为AdaGabor特征），并终究经过对AdaGabor特征的判别剖析完结辨认（称该办法为AGFC辨认办法）。在CAS-PEAL和FERET人脸图画库上的比照试验标明：AGFC办法不光能够大大下降Gabor特征的维数然后能够愈加有用地防止“维数灾祸问题”，下降了核算杂乱度，一起辨认精度也有了较大的进步。将AGFC与EGM，GFC进一步比较能够看出：无论是EGM仍是GFC，均是片面的挑选若干面部要害特征点提取人脸的特征标明，而咱们提出的AGFC办法则是经过机器学习的办法主动的挑选那些对差异不同人脸具有要害作用的Gabor特征。拜见下图所示三者之间的差异与联络。
三种不同的人脸建模办法比较示意图
· 依据SV的Kernel判别剖析办法sv-KFD
摘要：
支撑向量机（SVM）和Kernel Fisher剖析是使用kernel办法处理线性不可分问题的两种不同途径，咱们将二者进行了有机结合。咱们首要证明了SVM最优分类面的法向量在依据支撑向量的类内散度矩阵的前提下具有零空间性质，依据此界说了核化的决议计划鸿沟特征矩阵（Kernelized Decision Boundary Feature Matrix，简写为KDBFM），最终使用依据零空间的Kernel Fisher办法核算投影空间。咱们还进一步提出了交融类均值向量差及KDBFM来构建扩展的决议计划鸿沟特征矩阵（EKDBFM）的办法，并把这两种办法成功地使用到了人脸辨认范畴，在FERET和CAS-PEAL数据库的试验成果标明该办法比传统人脸辨认算法具有更好的辨认功能。
· 依据特定人脸子空间的人脸辨认办法
问题：
Eigenface是人脸辨认范畴最著名的算法之一，本质上是经过PCA来求取人脸图画散布的线性质空间，该空间从最佳重构的视点反映了一切人脸图画散布的共性特征，但对辨认而言，这样的特征却未必有利于辨认，辨认使命需求的是最大或许差异不同人脸的特征。
摘要：
“特征脸”办法中一切人共有一个人脸子空间，而咱们的办法则为每一个别人脸树立一个该个别方针所私有的人脸子空间，然后不光能够更好的描绘不同个别人脸之间的差异性，并且最大或许地抛弃了对辨认晦气的类内差异性和噪声，因而比传统的“特征脸算法”具有更好的判别才能。别的，针对每个待辨认个别只要单一练习样本的人脸辨认问题，咱们提出了一种依据单一样本生成多个练习样本的技能，然后使得需求多个练习样本的个别人脸子空间办法能够适用于单练习样本人脸辨认问题。在Yale Face DatabaseB人脸库比照试验也标明咱们提出的办法比传统的特征脸办法、模板匹配办法对表情、光照、和必定范围内的姿势改变具有更优的辨认功能。
2、人体相貌辨认技能包括三个部分：
（1） 人体相貌检测
相貌检测是指在动态的场景与杂乱的布景中判别是否存在面像，并别离出这种面像。一般有下列几种办法：
①参阅模板法
首要规划一个或数个规范人脸的模板，然后核算测验收集的样品与规范模板之间的匹配程度，并经过阈值来判别是否存在人脸；
②人脸规矩法
因为人脸具有必定的结构散布特征，所谓人脸规矩的办法即提取这些特征生成相应的规矩以判别测验样品是否包括人脸；
③样品学习法
这种办法即选用形式辨认中人工神经网络的办法，即经过对面像样品集和非面像样品集的学习发生分类器；
④肤色模型法
这种办法是依据相貌肤色在颜色空间中散布相对会集的规则来进行检测。
⑤特征子脸法
这种办法是将一切面像调集视为一个面像子空间，并依据检测样品与其在子孔间的投影之间的间隔判别是否存在面像。
值得提出的是，上述5种办法在实践检测体系中也可归纳选用。
（2）人体相貌盯梢
相貌盯梢是指对被检测到的相貌进行动态方针盯梢。详细选用依据模型的办法或依据运动与模型相结合的办法。
此外，使用肤色模型盯梢也不失为一种简略而有用的手法。
（3）人体相貌比对
相貌比对是对被检测到的相貌像进行身份承认或在面像库中进行方针查找。这实践上就是说，将采样到的面像与库存的面像顺次进行比对，并找出最佳的匹配方针。所以，面像的描绘决议了面像辨认的详细办法与功能。现在首要选用特征向量与面纹模板两种描绘办法：
①特征向量法
该办法是先承认眼虹膜、鼻翼、嘴角等面像五官概括的巨细、方位、间隔等特点，然后再核算出它们的几许特征量，而这些特征量构成一描绘该面像的特征向量。
②面纹模板法
该办法是在库中存贮若干规范面像模板或面像器官模板，在进行比对时，将采样面像一切象素与库中一切模板选用归一化相关量衡量进行匹配。
此外，还有选用形式辨认的自相关网络或特征与模板相结合的办法。
人体相貌辨认技能的中心实践为“部分人体特征剖析”和“图形/神经辨认算法。”这种算法是使用人面子部各器官及特征部位的办法。如对应几许联系多数据构成辨认参数与数据库中一切的原始参数进行比较、判别与承认。一般要求判别时刻低于1秒。
3、人体相貌的辨认进程
一般分三步：
（1）首要树立人体相貌的面像档案。即用摄像机收集单位人员的人体相貌的面像文件或取他们的相片构成面像文件，并将这些面像文件生成面纹（Faceprint）编码储存起来。
（2）获取当时的人面子像
即用摄像机捕捉的当时收支人员的面像，或取相片输入，并将当时的面像文件生成面纹编码。
（3）用当时的面纹编码与档案库存的比对
行将当时的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方法是依据人体相貌脸部的本质特征和最初来作业的。这种面纹编码能够反抗光线、皮肤色彩、面部毛发、发型、眼镜、表情和姿势的改变，具有强壮的可靠性，然后使它能够从百万人中准确地辩认出某个人。
人体相貌的辨认进程，使用一般的图画处理设备就能主动、接连、实时地完结。
