【正文】 。這些因素的變化，都會導致人臉圖像的明顯不同，目前還沒有有效的識別算法能夠完全解決這些因素的影響。從模式識別到人臉識別一般到特殊，歸納與演繹，理論與實踐應用模式識別的基本原則到人臉識別中去：從人臉模式的先驗知識、具體情況和特定約束條件（“臉情”J）出發(fā)，依據(jù)模式識別各模塊的基本設計原則，選擇、應用、嘗試、比較PR領域的基本方法，最終解決人臉識別這個具體問題。充分利用手頭樣本：AdaBoost，Bagging等等。 Abidi, .。不奮斗就是每天都很容易，可一年一年越來越難。是狼就要練好牙，是羊就要練好腿。 Boughorbel, F.。只用中國人訓練的模型能否識別老外？異族人臉識別困難現(xiàn)象?？傮w來說，光照和姿態(tài)變化仍是人臉識別所面臨的重大挑戰(zhàn)，特別是當兩種因素混在一起時。比如：光線、方向、遮蓋、陰影背景等。隨著模型形變的關聯(lián)關系的改變不斷更新姿態(tài)參數(shù)，重復此過程直到最小化尺度達到要求。三維人臉的研究始于計算機動畫和生物醫(yī)學成像。這類方法一般是基于視頻序列的空間軌跡或概率模型進行匹配識別，因而具有更好的魯棒性。該方法對光照、姿態(tài)變化等具有較好的適應性。P2DHMM利用了圖像的二維特征，不但能表現(xiàn)人臉垂直方向的空間結(jié)構(gòu)，還能表現(xiàn)水平方向從左至右的空間結(jié)構(gòu)。HMM有3個主要問題：評估、估計及解碼。BP網(wǎng)絡運算量相對較小，耗時較短。 特征臉方法該方法是從主成分分析(PCA)導出的一種人臉識別和描述技術。彈性模板匹配的方法在一定程度上容忍光線等的干擾，對細微的表情不敏感。此外，還可以通過多種方法綜合利用來進行特征提取。實驗證明該方法對光照和表情/姿態(tài)的變化有一定的容忍力。這給統(tǒng)一建模造成了一定難度。特征提取的任務就是針對這些干擾因素，提取出具有穩(wěn)定性、有效性的信息用于識別?？梢詮囊韵聝蓚€方面進行優(yōu)化：（1）在訓練過程中將新的矩形特征模版引入弱分類器的模版當中,如圖36所示（2）在檢測過程中引入膚色檢測和光照補償圖 36 新的矩形模版4 特征提取與人臉識別特征提取之前一般需要做幾何歸一化和灰度歸一化的工作。待檢測圖像的分辨率應該在19乘19以上。Ada boost 算法引入了一種類瀑布型的級聯(lián)分類器，如圖35所示。圖 31 特征模版分類眼睛和鼻子的顏色和周圍的灰度有區(qū)別，鼻梁兩側(cè)和鼻尖的灰度也是有差異的。 Haar 特征該特征其實就是矩形特征。其核心思想是使大量弱分類器聯(lián)合成為一個強分類器。對有限樣本的情況下非常適用。將人臉檢測視為區(qū)分“非人臉樣本”與“人臉樣本”的模式識別問題，通過對大量人臉樣本集和非人臉樣本集的學習、訓練產(chǎn)生建立起一個能正確識別人臉樣本的分類器?；谀w色的方法：人臉膚色在顏色空間上的分布相對集中，而且與圖片中其他部分是基本不重合的。該方法比較成熟，實現(xiàn)起來比較簡單，但是效率并不高。人臉檢測與定位是指檢測圖像中是否有人臉，若有，將其從背景中分割出來，并確定其在圖像中的位置。但是Soble算子引入了平均因素，對圖像中的隨機噪聲有一定的平滑作用；不過由于它算法的特殊性會產(chǎn)生邊緣粗而亮的不良后果。將彩色圖像轉(zhuǎn)化成灰度圖像是人臉識別方法中常見的處理過程，雖然轉(zhuǎn)化過程丟失了一部分色彩信息，但是灰度圖像擁有更小的存儲空間和更快的計算速度。由于噪聲的引入，將不可避免地造成識別率的下降。包括靜態(tài)圖像和動態(tài)圖像。包括：數(shù)據(jù)采集、人臉檢測與跟蹤、人臉識別這三個子系統(tǒng)。利用人臉器官的局部特征來描述人臉。關鍵詞：人臉識別；人臉檢測；人臉定位；特征提取1 引言隨著計算機和生物醫(yī)學工程技術迅速發(fā)展，利用生物特征來鑒別個人身份成為安全驗證首選方式，具有普遍性、安全性、唯一性、穩(wěn)定性等。探索能夠在一定程度上適應人臉的姿態(tài)和表情變化的識別方法，以滿足人臉識別技術在實際應用中的客觀需求。3. 特征提?。簭娜四槇D像中映射提取一組能反映人臉特征的數(shù)值表示樣本。 圖像去噪一般來說，自然界中的噪聲可以看成是一種隨機信號。主要的方法是：線性濾波、中值濾波、維納濾波以及小波去噪等。 二值化 圖像經(jīng)過灰度變換后仍然是比較復雜的，因此需要將多層次的灰度圖像進行簡化。3 人臉檢測與定位人臉自動識別系統(tǒng)包括兩個主要技術環(huán)節(jié)：人臉檢測與定位和特征提取與人臉識別。（1）固定模板匹配法：根據(jù)先驗知識確定一個人臉檢測模版。主要有以下兩種方法：基于器官特征的方法：該方法首先提取五官的圖像特征。通常的做法是將彩色的R、G、B分量歸一化以便突出色度信息。其過程是一個雙重隨機過程。邊訓練邊測試，并把在錯誤結(jié)果作為“反面教材”，進一步修正分類器。將新的數(shù)據(jù)集交給下層分類器繼續(xù)訓練。對于檢測器來說一副圖像內(nèi)的矩形特征數(shù)量是很大的，比如24乘24的檢測器特征數(shù)量已經(jīng)達到了160000個。對原始圖像中的每個像素進行少量類比于微積分的簡單計算就能得到積分圖像。所以該系統(tǒng)的設計原則如下：在保證人臉圖像通過的前提下，盡可能地抑制非人臉圖像的通過。實際中圖片中的人臉大小是各不相同的，因此要引入多尺度檢測機制。這個過程是一對多或一對一的匹配過程，前者是確定輸入圖像為圖像庫中的哪一個人，后者是驗證輸入圖像的人的身份是否屬實。其中統(tǒng)計特征和灰度特征是在人臉定位和特征提取過程中常用到的兩類特征：a) 統(tǒng)計特征統(tǒng)計特征即用統(tǒng)計的方法對目標對象的膚色、光照變化等因素建模。通過分別對灰度圖像各行和各列中的像素灰度值進行求和，獲得水平方向與垂直方向的灰度均值輪廓，以此來描述人臉特征。特征提取方法歸納起來分為兩類：基于局部特征的提取方法和基于整體特征的提取方法。由于這種方法要求兩幅圖像上的目標要有相同的尺度、取向和光照條件，所以預處理要做尺度歸一化和灰度歸一化的工作。流程大體如下：首先檢測出面部特征點，通過測量這些關鍵點之間的相對距離，得到描述每個臉的特征矢量，比如眼睛、鼻子和嘴的位置和寬度，眉毛的厚度和彎曲程度等，以及這些特征之間的關系。即是對這個人臉子區(qū)域的坐標進行降維，使得每個人臉圖像可以用很少幾個參數(shù)來表示，這就降低了計算復雜度。通過學習獲得其他方法難以獲得的關于人臉識別規(guī)律和規(guī)則的隱性表達。Samaria等人首先將一維隱馬爾可夫模型(1DHMM)用于人臉識別，并對不同狀態(tài)數(shù)模型的識別性能進行了詳細比較和分析。 彈性圖匹配方法彈性圖匹配法(Elastic Graph Matching)是一種基于動態(tài)鏈接結(jié)構(gòu)(Dynamic Link Architecture，DLA)的方法。文獻[11]使用了廣義彈性圖匹配的人臉識別方法，在適應人臉的姿態(tài)及表情變化方面獲得了較好的實驗效果。視頻序列中人臉識別面臨如下挑戰(zhàn)：視頻圖像質(zhì)量較差、視頻圖像分辨率較低以及外界各種不確定因素的影響等。因此基于三維人臉模型的識別方法可以很好地解決目前在這一領域存在的研究瓶頸。該方法對光照和表情、姿態(tài)的變化均有較好的魯棒性。很多識別算法都是對光照條件、姿態(tài)等因素進行約束化簡。在實踐中驗證PR，在理論上回報PR：驗證PR中的基本原理和技術方法，發(fā)現(xiàn)其可能的問題并修改之。小結(jié)對一般方法的掌握程度對特定問題的理解程度應用中需要更多的關注：傳感器的選擇，比如什么樣的攝像機？預處理：如何去除各種干擾因素？特征表示問題：什么是