【正文】 思是自適應(yīng)性提升算法，是一種應(yīng)用了迭代思想的機(jī)器學(xué)習(xí)方法。因?yàn)橥饨缰荒芸吹礁鱾€(gè)時(shí)刻的輸出值，看不到其中復(fù)雜過(guò)程。其中，Y是亮度信號(hào)，Cr Cb是色度信號(hào)。雖然每個(gè)人臉都不同，但是可以用輪廓規(guī)則、五官分布規(guī)則。（2）變形范本法：考慮到人臉是可變形體，該方法通過(guò)非線性最優(yōu)化方法求得一個(gè)參數(shù)模板，該模版如果能使能量函數(shù)最小，那么它就能描述所求參數(shù)特征。人臉識(shí)別是把每一個(gè)人的人臉作為一個(gè)模式來(lái)對(duì)待，不同人的臉屬于不同的模式類，人臉識(shí)別的過(guò)程是將屬于不同人的臉歸于各自的模式。原理就是通過(guò)一些算法，設(shè)定黑白二色的閾值，將圖像中的像素顏色均轉(zhuǎn)換為黑白二值，“1”表示黑色，“0”表示白色，這種圖像稱之為二值圖像，便于特征提取?！癝”形變換方法將灰度值處于某一范圍（人臉特征范圍）內(nèi)的像素灰度分布差距拉開(kāi)，從而保證了對(duì)比度的提高，但此方法降低了其他灰度值的對(duì)比度。這些噪聲信號(hào)的存在，嚴(yán)重的情況會(huì)直接導(dǎo)致整幅圖像的不清晰，圖象中的景物和背景的混亂。6. 生理分類：對(duì)人臉生理特征分析，得出性別、年齡、種族等信息。4. 三維人臉識(shí)別為了獲得更多的特征信息，直接利用二維人臉圖像合成三維人臉模型進(jìn)行識(shí)別，即將成為該領(lǐng)域的一個(gè)主要研究方向。人臉識(shí)別應(yīng)用領(lǐng)域：身份鑒定、身份確認(rèn)、視頻監(jiān)控、面部數(shù)據(jù)壓縮。人臉識(shí)別技術(shù)是一種最友好的生物識(shí)別技術(shù)（非接觸、非侵犯），它結(jié)合了圖像處理、計(jì)算機(jī)圖形學(xué)、模式識(shí)別、可視化技術(shù)、人體生理學(xué)、認(rèn)知科學(xué)和心理學(xué)等多個(gè)研究領(lǐng)域。通過(guò)采集視頻序列來(lái)獲得比靜態(tài)圖像更豐富的信息，達(dá)到較好的識(shí)別效果，同時(shí)適應(yīng)更廣闊的應(yīng)用需求。5. 表情/姿態(tài)分析：讓計(jì)算機(jī)感知表情變化，分析理解人的情緒?；虿杉b置的抖動(dòng)，也會(huì)引入噪聲，使圖像變的模糊不清；3. 在圖像數(shù)據(jù)的電子傳輸過(guò)程中，也不同程度的引入噪聲信號(hào)。增強(qiáng)對(duì)比度有很多種方法，常見(jiàn)的有直方圖均衡化和“S”形變換等方法。對(duì)于分析理解圖像特征和識(shí)別圖像大有裨益。人臉檢測(cè)是把所有的人臉作為一個(gè)模式，而非人臉作為另一個(gè)模式，人臉檢測(cè)的過(guò)程就是將人臉模式與非人臉模式區(qū)別開(kāi)來(lái)。由于很難用一個(gè)通用的人臉模版來(lái)模擬出所有臉型，而且人的面部特征變化很大，致使這種方法很有局限性，目前該方法只作為粗檢的手段。然后通過(guò)五官位置和相互之間幾何關(guān)系來(lái)檢測(cè)人臉。所以Y Cb Cr這樣一個(gè)色差模型更符合人類視覺(jué)特點(diǎn)。這種模型對(duì)于狀態(tài)序列來(lái)說(shuō)是隱的。但是想要獲得期望的性能，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的工作量很大。既保證了效率又兼顧了檢測(cè)正確率。由多個(gè)全等的黑色或白色相鄰矩形組合成的模版，其特征值用所有白色和黑色矩形的像素總差值來(lái)定義。積分圖在多種尺度下計(jì)算不同特征時(shí)，所耗的時(shí)間是一樣的，有效地降低了計(jì)算量。因此訓(xùn)練過(guò)程中要解決的中心問(wèn)題就是如何選取最優(yōu)Haar特征制成分類器。雖然第一種方法實(shí)現(xiàn)起來(lái)比較復(fù)雜，但是計(jì)算量小檢測(cè)速度較快。在許多特定場(chǎng)合下人臉的檢測(cè)與定位相對(duì)比較容易，因此，特征提取與人臉識(shí)別環(huán)節(jié)得到了更廣泛和深入的研究。人臉膚色不依賴于細(xì)節(jié)特征且和大多背景色相區(qū)別。由于人臉五官位置相對(duì)固定，灰度分布呈一定規(guī)律性，因此，可利用灰度特征來(lái)進(jìn)行人臉識(shí)別?；谌四樥w特征的提取是從整個(gè)人臉圖像出發(fā)，通過(guò)加強(qiáng)反映整體特征來(lái)實(shí)現(xiàn)人臉面部表情識(shí)別。彈性模板匹配是根據(jù)待檢測(cè)人臉特征的形狀信息（通常利用小波特征）?；趲缀翁卣鞯淖R(shí)別方法具有如下優(yōu)點(diǎn)：①符合人類識(shí)別人臉的機(jī)理，易于理解；②對(duì)每幅圖像只需存儲(chǔ)一個(gè)特征矢量，存儲(chǔ)量?。虎蹖?duì)光照變化不太敏感。 神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)是利用大量簡(jiǎn)單處理單元（神經(jīng)元)互聯(lián)構(gòu)成的復(fù)雜系統(tǒng)來(lái)解決識(shí)別問(wèn)題。人工神經(jīng)網(wǎng)絡(luò)由于其固有的并行運(yùn)算機(jī)制以及對(duì)模式的分布式全局存儲(chǔ)，故可用于模式識(shí)別，而且不受模式形變影響?？捎?DHMM表示人臉。利用該方法進(jìn)行人臉識(shí)別時(shí)，可同時(shí)考慮節(jié)點(diǎn)特征向量匹配和相對(duì)幾何位置匹配。支持向量機(jī)主要解決的是一個(gè)2分類問(wèn)題，它的基本思想是試圖把一個(gè)低維的線性不可分的問(wèn)題轉(zhuǎn)化為一個(gè)高維的線性可分的問(wèn)題。通過(guò)在視頻序列中提取連續(xù)的多幀圖像，經(jīng)過(guò)圖像重建，可以得到解析度高于輸入視頻序列圖像的單幅高解析度復(fù)原圖像?；趫D像特征的方法實(shí)現(xiàn)的過(guò)程類似人臉重建的方法：首先匹配人臉整體的尺寸輪廓和三維空間方向；然后，在保持姿態(tài)固定的情況下，去作臉部不同特征點(diǎn)的局部匹配。2. 海量存儲(chǔ)和計(jì)算量龐大：由于3D識(shí)別的數(shù)據(jù)容量和計(jì)算量十分巨大，給存儲(chǔ)和運(yùn)算帶來(lái)困難，也對(duì)計(jì)算機(jī)的硬件提出了更高要求。為了消除它們對(duì)識(shí)別效果的影響，通常的做法是擴(kuò)大樣本空間，收集各種光照和姿態(tài)下的樣本，識(shí)別判斷時(shí)考慮測(cè)試圖像與各種條件下樣本的差異，然后進(jìn)行綜合分類。人臉識(shí)別是模式識(shí)別的一個(gè)典型案例，它為模式識(shí)別問(wèn)題研究提供了一個(gè)良好的實(shí)驗(yàn)平臺(tái)，所以，眾多模式識(shí)別的知名專家、學(xué)者都在從事人臉識(shí)別的研究！關(guān)于傳感器與預(yù)處理傳感器：客觀世界模式的測(cè)量問(wèn)題人臉：數(shù)字化為2D圖像？3D形狀？紅外溫譜？分辨率、精度、靈敏度、失真度等等真實(shí)性？穩(wěn)定性？預(yù)處理：保證數(shù)據(jù)的純潔度模式識(shí)別理論基本不關(guān)心這兩項(xiàng)內(nèi)容，而在應(yīng)用上，是必須作為重要內(nèi)容來(lái)考慮的，否則可能根本就是不可解的問(wèn)題！關(guān)于特征表示問(wèn)題關(guān)于特征提取與分類器：理想的特征提取過(guò)程可使得后續(xù)的分類器設(shè)計(jì)成為小菜一碟，萬(wàn)能的分類器似乎也應(yīng)該使得設(shè)計(jì)者不必刻意設(shè)計(jì)特征提取過(guò)程！沒(méi)有萬(wàn)能的分類器！甚至沒(méi)有所謂最好的分類器，不同的分類器有不同的適用范圍！但對(duì)具體問(wèn)題，可能會(huì)有最適合的特征表示方法，而不同的特征表示也需要采用不同的分類器。08), 2008, 59~64[5] Zhifei Wang, Zhenjiang Miao. Featurebased superresolution for face recognition[J]. 2008 IEEE International Conference on Multimedia and Expo (ICME), 2008, 1569~1572[6] Frederick , Xiaoming Liu, Peter . Multiframe superresolution for face recognition[J]. 2007 First IEEE International Conference on Biometrics: Theory, Applications, and Systems BTAS 39。 Abidi, .. Multiscale fusion of visible and thermal IR images for illuminationinvariant face recognition[J]. International Journal of Computer Vision, 2007, v71, n2, 215~233[9] , ChinSeng Chua. Image level fusion method for multimodal 2D + 3D face recognition[J]. Image Analysis and Recognition. 5th International Conference, ICIAR 2008, 2008, 984~992[10] AlOsaimi,