人臉識別（Facial Recognition），就是通過視頻采集設備獲取用戶的面部圖像，再利用核心的算法對其臉部的五官位置、臉型和角度進行計算分析，進而和自身數據庫里已有的范本進行比對，后判斷出用戶的真實身份。人臉識別算法的原理：系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉數據庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。

人臉識別算法分析1. 基于幾何特征的方法

　　人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以做為人臉識別的重要特征。幾何特征最早是用于人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，并由這些顯著點導出一組用于識別的特征度量如距離、角度等。Jia 等由正面灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。

　　采用幾何特征進行正面人臉識別一般是通過提取人眼、口、鼻等重要特征點的位置和眼睛等重要器官的幾何形狀作為分類特征，但Roder對幾何特征提取的精確性進行了實驗性的研究，結果不容樂觀。

　　可變形模板法可以視為幾何特征方法的一種改進，其基本思想是 ：設計一個參數可調的器官模型 （即可變形模板），定義一個能量函數，通過調整模型參數使能量函數最小化，此時的模型參數即做為該器官的幾何特征。

　　這種方法思想很好，但是存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數優化過程十分耗時，難以實際應用。 基于參數的人臉表示可以實現對人臉顯著特征的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，采用一般幾何特征只描述了部件的基本形狀與結構關系，忽略了局部細微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點檢測技術在精確率上還遠不能滿足要求，計算量也較大。

人臉識別算法分析2. 局部特征分析方法（Local Face Analysis）

　　主元子空間的表示是緊湊的，特征維數大大降低，但它是非局部化的，其核函數的支集擴展在整個坐標空間中，同時它是非拓撲的，某個軸投影后臨近的點與原圖像空間中點的臨近性沒有任何關系，而局部性和拓撲性對模式分析和分割是理想的特性，似乎這更符合神經信息處理的機制，因此尋找具有這種特性的表達十分重要。基于這種考慮，Atick提出基于局部特征的人臉特征提取與識別方法。這種方法在實際應用取得了很好的效果，它構成了FaceIt人臉識別軟件的基礎。

人臉識別算法分析3. 特征臉方法（Eigenface或PCA）

　　特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點， 也稱為基于主成分分析（principal component analysis，簡稱PCA）的人臉識別方法。

　　特征子臉技術的基本思想是：從統計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉（Eigenface）。

　　實際上，特征臉反映了隱含在人臉樣本集合內部的信息和人臉的結構關系。將眼睛、面頰、下頜的樣本集協方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統稱特征子臉。特征子臉在相應的圖像空間中生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。

　　基于特征分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特征的形狀參數或類別參數等一起構成識別特征向量，這種基于整體臉的識別不僅保留了人臉部件之間的拓撲關系，而且也保留了各部件本身的信息，而基于部件的識別則是通過提取出局部輪廓信息及灰度信息來設計具體識別算法。現在Eigenface（PCA）算法已經與經典的模板匹配算法一起成為測試人臉識別系統性能的基準算法；而自1991年特征臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分析，FERET‘96測試結果也表明，改進的特征臉算法是主流的人臉識別技術，也是具有最好性能的識別方法之一。

　　該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術的核心實際為“局部人體特征分析”和“圖形/神經識別算法。”這種算法是利用人體面部各器官及特征部位的方法。如對應幾何關系多數據形成識別參數與數據庫中所有的原始參數進行比較、判斷與確認。Turk和Pentland提出特征臉的方法，它根據一組人臉訓練圖像構造主元子空間，由于主元具有臉的形狀，也稱為特征臉 ，識別時將測試 圖像投影到主元子空間上，得到一組投影系數，和各個已知人的人臉圖像比較進行識別。Pentland等報告了相當好的結果，在 200個人的 3000幅圖像中得到 95%的正確識別率，在ＦＥＲＥＴ數據庫上對 150幅正面人臉象只有一個誤識別。但系統在進行特征臉方法之前需要作大量預處理工作如歸一化等。

　　在傳統特征臉的基礎上，研究者注意到特征值大的特征向量 （即特征臉 ）并不一定是分類性能好的方向，據此發展了多種特征 （子空間 ）選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實上，特征臉方法是一種顯式主元分析人臉建模，一些線性自聯想、線性壓縮型ＢＰ網則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權和，這些向量是訓練集叉積陣的主特征向量，Valentin對此作了詳細討論。總之，特征臉方法是一種簡單、快速、實用的基于變換系數特征的算法，但由于它在本質上依賴于訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。

　　基于KL變換的特征人臉識別方法

　　KL變換是圖象壓縮中的一種最優正交變換，人們將它用于統計特征提取，從而形成了子空間法模式識別的基礎，若將KL變換用于人臉識別，則需假設人臉處于低維線性空間，且不同人臉具有可分性，由于高維圖象空間KL變換后可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓練樣本集的統計特性來獲得，KL變換的生成矩陣可以是訓練樣本集的總體散布矩陣，也可以是訓練樣本集的類間散布矩陣，即可采用同一人的數張圖象的平均來進行訓練，這樣可在一定程度上消除光線等的干擾，且計算量也得到減少，而識別率不會下降。

人臉識別算法分析4. 基于彈性模型的方法

　　Ｌａｄｅｓ等人針對畸變不變性的物體識別提出了動態鏈接模型 （ＤＬＡ），將物體用稀疏圖形來描述 （見下圖），其頂點用局部能量譜的多尺度描述來標記，邊則表示拓撲連接關系并用幾何距離來標記，然后應用塑性圖形匹配技術來尋找最近的已知圖形。Ｗｉｓｃｏｔｔ等人在此基礎上作了改進，用ＦＥＲＥＴ圖像庫做實驗，用 300幅人臉圖像和另外 300幅圖像作比較，準確率達到 97.3%。此方法的缺點是計算量非常巨大 。

　　Nastar將人臉圖像 （Ⅰ ） （ｘ，ｙ）建模為可變形的 3Ｄ網格表面 （ｘ，ｙ，Ｉ（ｘ，ｙ） ） （如下圖所示 ），從而將人臉匹配問題轉化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形，并根據變形的情況判斷兩張圖片是否為同一個人。這種方法的特點在于將空間 （ｘ，ｙ）和灰度Ｉ（ｘ，ｙ）放在了一個 3Ｄ空間中同時考慮，實驗表明識別結果明顯優于特征臉方法。

　　Lanitis等提出靈活表現模型方法，通過自動定位人臉的顯著特征點將人臉編碼為 83個模型參數，并利用辨別分析的方法進行基于形狀信息的人臉識別。彈性圖匹配技術是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結合的識別算法，由于該算法較好的利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特征點的功能，因而具有良好的識別效果，適應性強識別率較高，該技術在FERET測試中若干指標名列前茅，其缺點是時間復雜度高，速度較慢，實現復雜。

人臉識別算法分析5. 神經網絡方法（Neural Networks）

　　人工神經網絡是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網絡方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個主元，然后用自相關神經網絡將它映射到 5維空間中，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好；Intrator等提出了一種混合型神經網絡來進行人臉識別，其中非監督神經網絡用于特征提取，而監督神經網絡用于分類。Lee等將人臉的特點用六條規則描述，然后根據這六條規則進行五官的定位，將五官之間的幾何距離輸入模糊神經網絡進行識別，效果較一般的基于歐氏距離的方法有較大改善，Laurence等采用卷積神經網絡方法進行人臉識別，由于卷積神經網絡中集成了相鄰像素之間的相關性知識，從而在一定程度上獲得了對圖像平移、旋轉和局部變形的不變性，因此得到非常理想的識別結果，Lin等提出了基于概率決策的神經網絡方法 （PDBNN），其主要思想是采用虛擬 （正反例 ）樣本進行強化和反強化學習，從而得到較為理想的概率估計結果，并采用模塊化的網絡結構 （OCON）加快網絡的學習。這種方法在人臉檢測、人臉定位和人臉識別的各個步驟上都得到了較好的應用，其它研究還有 ：Dai等提出用Hopfield網絡進行低分辨率人臉聯想與識別，Gutta等提出將RBF與樹型分類器結合起來進行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用于人臉識別，國內則采用統計學習理論中的支撐向量機進行人臉分類。

　　神經網絡方法在人臉識別上的應用比起前述幾類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網絡方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。因此人工神經網絡識別速度快，但識別率低 。而神經網絡方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。

　　PCA的算法描述：利用主元分析法 （即 Principle Component Analysis，簡稱 PCA）進行識別是由 Anderson和 Kohonen提出的。由于 PCA在將高維向量向低維向量轉化時，使低維向量各分量的方差最大，且各分量互不相關，因此可以達到最優的特征抽取。