分(fēn)析算法
人脸识别技术中被广泛采用(yòng)的區(qū)域特征分(fēn)析算法，它融合了计算机图
人脸识别
像处理(lǐ)技术与生物(wù)统计學(xué)原理(lǐ)于一體(tǐ)，利用(yòng)计算机图像处理(lǐ)技术从视频中提取人像特征点，利用(yòng)生物(wù)统计學(xué)的原理(lǐ)进行分(fēn)析建立数學(xué)模型,即人脸特征模板。利用(yòng)已建成的人脸特征模板与被测者的人的面像进行特征分(fēn)析，根据分(fēn)析的结果来给出一个相似值。通过这个值即可(kě)确定是否為(wèi)同一人。
人脸识别的方法很(hěn)多(duō)，主要的人脸识别方法有(yǒu)：
（1）几何特征的人脸识别方法：几何特征可(kě)以是眼、
慧眼人脸识别考勤机
鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。这些算法识别速度快，需要的内存小(xiǎo)，但识别率较低。
（2）基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高纬的图像空间经过KL变换后得到一组新(xīn)的正交基，保留其中重要的正交基，由这些基可(kě)以张成低维線(xiàn)性空间。如果假设人脸在这些低维線(xiàn)性空间的投影具有(yǒu)可(kě)分(fēn)性，就可(kě)以将这些投影用(yòng)作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多(duō)的训练样本，而且完全是基于图像灰度的统计特性的。目前有(yǒu)一些改进型的特征脸方法。
（3）神经网络的人脸识别方法：神经网络的输入可(kě)以是降低分(fēn)辨率的人脸图像、局部區(qū)域的自相关函数、局部纹理(lǐ)的二阶矩等。这类方法同样需要较多(duō)的样本进行训练，而在许多(duō)应用(yòng)中，样本数量是很(hěn)有(yǒu)限的。
（4）弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有(yǒu)一定的不变性的距离，并采用(yòng)属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用(yòng)来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可(kě)以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多(duō)个样本进行训练。
（5）線(xiàn)段Hausdorff 距离(LHD) 的人脸识别方法：心理(lǐ)學(xué)的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不
慧眼人脸识别考勤机
比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的線(xiàn)段图的，它定义的是两个線(xiàn)段集之间的距离，与众不同的是，LHD并不建立不同線(xiàn)段集之间線(xiàn)段的一一对应关系，因此它更能(néng)适应線(xiàn)段图之间的微小(xiǎo)变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有(yǒu)非常出色的表现，但是它在大表情的情况下识别效果不好。
（6）支持向量机(SVM) 的人脸识别方法：支持向量机是统计模式识别领域的一个新(xīn)的热点，它试图使得學(xué)习机在经验风险和泛化能(néng)力上达到一种妥协，从而提高學(xué)习机的性能(néng)。支持向量机主要解决的是一个2分(fēn)类问题，它的基本思想是试图把一个低维的線(xiàn)性不可(kě)分(fēn)的问题转化成一个高维的線(xiàn)性可(kě)分(fēn)的问题。通常的实验结果表明SVM有(yǒu)较好的识别率，但是它需要大量的训练样本（每类300个），这在实际应用(yòng)中往往是不现实的。而且支持向量机训练时间長(cháng)，方法实现复杂，该函数的取法没有(yǒu)统一的理(lǐ)论。
