人臉識別的基本思想是比較類似的，都是要將圖像中的特征提取出來，轉換到一個合適的子空間里，然后在這個子空間里衡量類似性或分類學習。但問題在于，對客觀世界采用怎樣協調統一且有成效的表示法？我們要找到怎樣合適的子空間，怎樣去分類，才能區分不同類，聚集相似的類別？為解決這些問題，衍生出了很多種方法和解決方案。

所以說，我們所說的人臉識別技術是籠統的，事實上，這是一個很多技術和方法的集合。我們不妨依據上面的邏輯結構圖來逐步說明。

預處理

人臉圖像的預處理，這一步沒有太多可說的，主要包括消除噪聲、灰度歸一化、幾何校正等，這些操作一般有現成的算法可以實現，屬于比較基本的操作。不過要說明的是，這里主要說的是靜態人臉圖像的預處理，如果是動態人臉圖像的預處理，就比較復雜了，一般是要先將動態人臉圖像分割成一組靜態人臉圖像，然后對人臉進行邊緣檢測和定位，在做一系列的處理，這里就不展開了。

特征提取

圖像特征的提取是比較關鍵的一步（上文所說的模式空間向特征空間的跨越），但對于圖像處理來說也是比較初級的一步。目前關于圖像特征提取的方法有很多，但其實我們想一想，通常而言圖像的特征還是可以歸類的，例如顏色特征、紋理特征、空間關系特征、形狀特征等，每一種特征都有匹配的方法，其中有一些比較經典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，這里就不一一講解，所以選取了其中一種——HOG特征法。

HOG特征也叫方向梯度直方圖，它是由Navneet Dalal和Bill Triggs在2005年的一篇博士論文中提出的。我們簡單來看它是怎么進行的。

我們以這張照片為例，第一步是要將它變成黑白的照片，因為色彩信息在這里對識別并沒有幫助。

在這張黑白照片中，我們從單個像素看起，觀察它周圍的像素，看它是往哪個方向逐漸變暗的，然后用箭頭表示這個像素變暗的方向。

如果對每個像素執行這樣的操作，這樣所有像素都會被這樣的箭頭取代，它們表示了像素明暗變化的方向。每一個這樣的箭頭表示明暗梯度。

事實上，對于每一個像素，給定坐標系，我們能夠求出它的梯度方向值。計算的方法比較復雜，我們不需要了解，只需要知道這一步是為了捕獲目標的輪廓信息，同時進一步弱化光照的干擾。

如果是以這樣的方式做提取的話，計算量會很大。所以我們會把圖像分割成8x8像素的小方塊，叫做一個Cell，然后對每個Cell計算梯度信息，包括梯度的大小和方向。得到的是這個Cell的9維特征向量。

相信到這里大家有些不懂了。在這里再為小伙伴們稍微解釋一下，其實這一步的目的是為每個Cell構建梯度方向直方圖，直方圖就是我們大家熟知的條形統計圖，這個直方圖中，X軸是將方向劃分的區間，Navneet Dalal等人研究表示劃分9個區間效果是最好的，如果是180°的方向，每個區間就代表20°。y軸表示某個方向區間內的梯度大小。這樣就等于是每個Cell的特征描述符。

圖片來源：加州大學舊金山分校圖像處理論文

大致就是這個意思。

這里還有一步，就是如果你的圖像受到光照的影響比較大，那么還可以將一定的Cell組成一個block，例如2x2個Cell，這樣每個block上就是36維的特征向量，然后對這36維特征向量做規范化（具體怎樣規范，涉及到高等數學的知識，大家也不需要知道）。

如果我們輸入的圖像大小是256x512像素，那么就有32x64=2048個Cell，有31x63=1953個block，每個block有36維向量，那么這個圖像就有1953x36=70308維向量。這70308維向量就是這個圖像的HOG特征向量了。

當然，上面這些步驟你也可都不了解，你只需要知道，最后原始的圖像被表示成了HOG的形式，如下圖：

然后根據這個HOG形式，在我們的庫中找到與已知的一些HOG樣式中，看起來最相似的部分。

圖像識別

人臉識別技術經過科學家多年的研究和發展，已經形成了多種研究方向和更多種的研究方法，如果我們梳理一下，主要包括基于幾何特征的方法、基于模板的方法、基于模型的方法以及其他方法。

基于幾何特征的方法是比較早期、傳統的方法了，它主要是研究人臉眼睛、鼻子等器官的形狀和結構關系的幾何描述，以此作為人臉識別的重要特征。

基于模板的方法基本思想是拿已有的模板和圖像中同樣大小的區域去比對，包括基于相關匹配的方法、特征臉方法、線性判別分析方法、神經網絡方法等。

基于模型的方法的方向是對人臉的顯著特征進行特征點定位，然后進行人臉的編碼，再利用相應的模型進行處理實現人臉識別，例如隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。