主流的人臉識別系統基本上可以歸結為三類，即：基于幾何特征的方法、基于模板的方法和基于模型的方法。
1. 基于幾何特征的方法是早、傳統的方法，通常需要和其他算法結合才能有比較好的效果；
2. 基于模板的方法可以分為基于相關匹配的方法、特征臉方法、線性判別分析方法、奇異值分解方法、神經網絡方法、動態連接匹配方法等。
3. 基于模型的方法則有基于隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。
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。
幾何特征早是用于人臉側面輪廓的描述與識別，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系統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。
特征臉方法
特征臉方法是90年代初期由Turk和Pentland提出的目前流行的算法之一，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。
|
|
|||||||