人脸识别综述.docx
《人脸识别综述.docx》由会员分享，可在线阅读，更多相关《人脸识别综述.docx（16页珍藏版）》请在冰点文库上搜索。
人脸识别综述
人脸识别综述
摘 要:
首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。
最后介绍了人脸识别的应用及发展现状，总结了人脸识别所面临的困难。
关键词:
人脸识别
1引言
人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份，性别，种族，年龄，表情等等。
随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。
其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。
对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。
但是，对于人脸性别和种族识别的研究却比较少，但研究这个问题的意义和实际价值却是不可忽视的。
在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。
对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。
从理论意义上来说，也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而提高人脸识别的准确率和图像检索效率。
所谓人脸识别,就是利用计算机分析人脸视频或者图像,并从中提取出有效的识别信息,最终判别人脸对象的身份。
人脸与人体的其他生物特征（指纹、虹膜等）一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。
因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。
2人脸识别的发展历程及方法分类
关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。
最早的研究者是Bledsoe,他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数为特征。
早期的人脸识别方法有两大特点:
①大多数识别方法是基于部件的,它们利用人脸的几何特征进行识别,提取的信息是人脸主要器官特征信息及其之间的几何关系。
这类方法比较简单,但是很容易丢失人脸的有用信息,从而在视角、表情等变化的情况下识别能力差。
鉴于这种情况,后来出现了性能较优的模板匹配方法,即根据图像库中的人脸模板与待识别人脸模板在灰度上的相似程度来实现人脸识别,这类方法在一定时期内占据主流。
②人脸识别研究主要是在较强约束条件下的人脸图像识别。
假设图像背景单一或无背景,人脸位置已知或很容易获得,因此对现实场景产生的图像处理效果不佳。
90年代中期以来,人脸识别方法向着整体识别和部件分析相结合的趋势发展。
研究人员开始逐渐认识到人脸识别算法必须能够充分地利用人脸的各种特征信息,融合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布特征等多种特征。
因此,出现了很多新的算法,这些算法是将原先单一的算法结合起来,共同完成人脸的识别。
灰度和形状分离的可变形模型方法[8]就是其中之一。
90年代后期,一些商业性的人脸识别系统开始逐渐进入市场,人脸识别技术成为当今国际安全防范最重要的手段之一。
但是,这些技术和系统离实用化还有一定的距离,性能和准确率有待提高。
1991年Turk和Pentland首次提出著名的“特征脸”（Eigenface）方法，利用主成分分析（PrincipalComponentAnalysis,PCA）取得了不错的识别效果；Belhumer在他的论文中，成功地将Fisher判别准则应用到了人脸分类当中，提出了Fisherface方法；从此基于子空间和统计特征的人脸识别技术成了一种主流的技术，这种基于线性子空间的技术主要包括主成分分析、线形判别分析（LinearDiscriminantAnalysis,LDA）等方法。
总体来说，这一阶段的基于机器学习方法的人脸识别技术得到了迅速的发展，在一些识别系统里面获得了不错的识别效果。
最近几年，人脸识别的研究有了新的发展，基于机器学习的理论，研究者提出了许多新颖的方法，其中包括遗传算法（GeneticAlgorithm，GA）、AdaBoost、贝叶斯分类器、支持向量机（SupportVectorMachine,SVM）等方法。
2000年以后,人脸识别方法的性能虽然有了一定的提高,但仍与人们的要求还有一定的差距,现有方法对光照、年龄、表情、姿态、距离等条件的变化比较敏感,当某些条件发生变化时,识别效果很不理想。
目前,人脸识别技术仍只能用于某些对识别准确率要求不高的场合。
人脸识别从不同的角度有不同的分类方法，本文基于人脸识别的发展过程将其分为基于几何特征、基于代数特征和基于机器学习[1]三类人脸识别方法。
3人脸识别的几种主要方法
3.1基于几何特征的人脸识别方法
基于几何特征的方法是最早、最传统的方法。
它是基于部件的方法,通常需要与其他算法结合才能有比较好的效果。
这种方法首先将人脸用一个几何特征矢量表示,进而用模式识别中的层次聚类思想设计分类器达到识别目的。
识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，本质上是特征矢量之间的匹配，其分量通常包括人脸指定两点间的欧式距离、曲率、角度等。
Brunelli等用改进的积分投影法提取出欧几里德距离表征的35维人脸特征矢量用于模式分类。
人脸器官的关键点非别对应于不同的图像灰度积分用于模式分类。
基于几何特征的识别方法具有的优点:
①符合人类识别人脸的机理,易于理解;②对每幅图像只需存储一个特征矢量,存储量小;③对光照变化不太敏感。
但同时存在如下问题:
①没有形成统一的特征提取标准，从图像中抽取稳定的特征比较困难,特别是当特征受到遮挡时；②对较大的表情变化和姿态变化的鲁棒性较差;③一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息丢失。
其典型的算法主要有活动轮廓模型和可变形模板模型等。
3.2基于代数特征的方法
基于代数特征的方法通常是将图像空间的像素点变换到一个投影空间。
用一定数量的基本图像对人脸进行线性编码。
此方法的目地就是寻找一种空间域到变换域之间的最优表示[1]。
基于代数特征的方法主要有奇异值分解方法、特征脸方法、独立分量分析和线性判别法。
3.3基于机器学习的方法
在基于几何特征的方法中，人脸的特征是预先定义好的；而在基于机器学习的方法中，人脸的特征和类别利用统计分析和机器学习的技术从样本中学习来的。
学习所得的人脸特征和类别存在于由各种算法所保证的分布规律、模型和判别函数中，并被用于人脸的检测和识别。
基于学习的分类器是现今比较流行的技术，有很多研究者在从事该研究，主要包括人工神经网络，支持向量机，隐马尔可夫模型（HiddenMarkowModel,HMM），贝叶斯决策和AdaBoost算法等技术；
4人脸识别的主要方法
4.1基于奇异值分解（SVD）的人脸识别方法
奇异值特征是一种反映图像本质属性的代数特征。
在某种程度上,奇异值特征具有代数和几何上的双重稳定性,还具有比例不变性、旋转不变性等重要性质,因此将人脸图像矩阵进行奇异值分解可以很好地提取出图像的代数特征,然后进行匹配识别。
奇异值分解方法是在奇异值分解的基础上,产生多种人脸识别的方法。
例如基于图像集似然度的人脸识别[30],首先用图像集中每个图像的奇异值向量构造出一个新的矩阵———图像集特征矩阵,计算待检测人脸集的特征矩阵与已知的各类人脸集的特征矩阵的似然度,最终判断待检测人脸属于哪一类。
洪子泉和杨静宇[16]提出的基于奇异值分解（SVD）的人脸识别方法,建立了基于Sammon最佳判别平面的Bayes分类模型。
杜干等人[17]认为传统的基于SVD的方法只是利用全局信息,若将人脸分成不同区域,利用人脸的局部信息能够更好地描述人脸特征,从而提高识别率。
高全学等人[18]通过深入分析奇异值指出,图像奇异值是图像在特定基空间分解得到的,这个基空间是由图像本身决定的。
他们的研究还指出不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向量与人脸图像之间并不存在一一对应关系以及奇异值向量具有不可分割性,此三者导致了基于SVD人脸识别算法识别率低;最后他们提出了类估计基空间识别算法。
王宏勇[31]等利用奇异值提取人脸的全局特征和6个关键部分的局部特征进行加权融合得出特征融合矩阵有效解决了SVD识别率不高和LDA小样本空间问题。
由于奇异值向量包含的人脸图像的有效信息少,不足以进行有效的人脸识别，孙静静等[32]基于奇异值向量的人脸识别方法,提出了一种新的基于奇异值分解的“秩一矩阵”的人脸识别方法，该方法在识别率、稳健性等方面的性能好,取得了很好的识别效果。
4.2特征脸方法
特征脸方法，也即主元分析法（PCA）。
它实质上是K-L展开的递推实现,K-L变换是数字图像压缩中的一种最优正交变换,通过K-L变换,可以把图像在高维空间表示转换到低维空间表示,而由低维空间恢复的图像和原图像具有最小的均方误差,从而可以以图像在低维空间的变换系数作为人脸图像的描述特征。
K-L变换用于人脸识别的前提是人脸图像处于低维空间,并且不同人脸是线性可分的。
通常情况下,K-L变换的变换矩阵由训练样本类间散布矩阵的特征矢量生成,由类间散布矩阵得到的特征矢量类似于人脸,故将其称为特征脸。
将变换矩阵的特征矢量按特征值的大小进行排列,人脸图像排在前面的特征矢量上的投影具有较大的能量,称为主分量;在排在后面的特征矢量上的投影具有较小的能量,称为次分量。
当舍弃部分次分量时,称为主元素分析法（PCA）。
K-L变换从压缩角度看是最优的,但从分类角度来看却不是最优的。
虽然它考虑了人脸图像的所有差异（从压缩角度）,但没有考虑这些差异是类内差异（如光照变化,表情变化或几何变化）还是类间差异（从分类角度）。
PCA方法最早由Sirovitch和Kirby[4、5]引入人脸识别领域。
20世纪90年代初,由Turk和Pentland[6、7]提出的特征脸（Eigenfaces）方法是该类别中最具代表性的方法,并成为应用于人脸识别问题的最流行的算法之一。
特征脸方法与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法。
Belhumeur等人[8]提出了Fisherfaces方法。
Fisherfaces由Fisher线性判别式（Fisher’slineardiscriminant,FLD）思想派生而来,同时考虑类间离散度和类内离散度,使这两者的比率达到最大。
Belhumeur的实验证明,Fisherfaces的性能优于Eigen-faces。
但即便如此,Fisherfaces还是存在两个明显的问题,即小样本问题（样本数目小于样本维数）,以及多数实际问题属于非线性可分,传统的Fisher线性分析在这些问题上不能取得良好的结果。
因此,一系列Fisherfaces的改进方法被提出。
Mika等人[9]提出了KFDA方法,将核技术引入Fisher判别分析中;Baudat等人[10]提出了利用核的广义的判别分析法;Lu等人[11]提出了KDDA方法。
近期,厉小润等人[12]提出了一种改进的核直接Fisher描述分析方法;Yu等人[13]的直接LDA方法也是为了解决这两个问题而提出的;周大可等人[14]基于此法并引入加权函数提出了一种改进的线性判别分析方法。
4.3独立分量分析法
张贤达在其1996年出版的《时间序列分析-高阶统计量方法》一书中,介绍了有关ICA的理论基础,并且给出了相关的算法,其后关于ICA的研究才逐渐多起来。
张立明和斯华龄[32]详细介绍了多种ICA算法,并将ICA和图像处理结合起来。
独立分量分析是一种基于高阶统计量的信号分析方法,它可以找到隐含在数据中的独立分量,近年来作为信号处理和图像处理领域的强有力的分析处理工具得到广泛的关注和研究。
从数学角度讲，独立分量分析（independentcomponentanalysis，ICA）是一种对多变量数据进行非正交线性坐标变换的方法，坐标轴的方向由可观测到的混合数据的二阶或高阶统计信息确定，变换的目的是使变换后的变量空间相互独立。
Bartlett等人[15]提出,传统的PCA方法只依靠像素间的二阶关系来寻找人脸基础图像,而重要的信息却可能包含在像素间的高阶关系中,人们自然就希望可以利用这些高阶统计信息寻找到更好的基础图像,因此他们提出了一种广义的PCA方法,即独立成分分析法（independentcomponentanalysis,ICA）用于人脸特征提取。
ICA不仅考虑了模式的二阶统计量，而且还分析了模式的高阶统计量。
人脸的许多重要信息隐含在图像像素的高阶统计关系中，ICA方法可以更好的表示人脸视图的局部特征。
Draper等使用了两种ICA人脸识别的模式,并和主成分分析进行比较,结果均表明PCA识别效果不如ICA；安高云等提出了通用鲁棒主分量分析（GRP）模型,并在此基础上提出了一种集成小波分解鲁棒估计及独立分量分析的WR-ICA人脸识别算法。
WR-ICA对人脸识别中的多种外部干扰（残缺人脸图像、化妆及遮挡等）都表现出很好的鲁棒性；Kwak对基于ICA的人脸识别方法进行了改进；Choi采用ICA方法从视频序列中检测人脸图像[33]。
之后的发展中,学者们一般将PCA与ICA结合来进行人脸图像的特征提取进而实现人脸识别。
4.4线性判别分析（LDA）法
线性判别分析（linear/fisherdiscriminationanalysis,LDA）思想是将多维空间上的样本投影到一条直线上，形成一维特征空间。
在该直线上样本的投影具有最佳可分性，即同类模式尽可能的密集，不同类模式尽可能分开[1]。
该方法实质上就是多维模式空间到一维特征空间的映射，利用类的成员信息形成一组特征向量，特征向量体现了不同的人脸变化，称此特征空间为fisherface。
该方法以训练样本的类内散布矩阵与类间散布矩阵为基础构造最优投影空间。
与PCA相比，LDA更好地反映了不同人脸之间的差异性，即增加家了类间差异；但却忽略了同一个体由于光照、姿态等因素的不同而产生的类内差异。
与基于K-L变换的人脸识别方法相比,基于Fisher的人脸识别方法能够抑制图像之间的与识别信息无关的差异,同时能够提取出异类之间有益于识别的特征,因此具有更加优越的识别性能。
也有人将PCA与LDA相结合，王晓慧[35]用两个参数把LDA和PCA同时结合起来进行判别分类，它不仅能更有效处理小样本问题,同时还提高了子空间的有效维数,有利于高维问题的解决。
白晓明等[34]提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征，使得人脸图像在鉴别子空间上投影后的数据集满足类内距最小、类间距最大的准则。
传统LDA算法一个不足的地方是当类别数多于两类时，它定义的类间散布矩阵过分地强调了类间距离大的类别，而忽视了类间距离小的类别，导致了该算法得到的投影方向可以很好地分开类间距离较大的类别，却造成了其它类别的大量重叠。
针对这一不足，覃志祥等[36]提出了一种新的基于LDA的人脸识别算法。
该方法重新定义了样本的类间散布矩阵，在原始的定义基础上增加了一种径向基函数（RBF）调节类间距离，使得在选择投影方向时能更好地分开各类样本；同时该方法在类间散布矩阵与类内散布矩阵的特征分解的基础上，通过变换求出符合Fisher准则的最优投影方向，可以证明这样得到的投影方向同时具有正交性与统计不相关性。
通过实验，表明了该算法比传统算法有更好的性能。
4.5人工神经网络
神经网络在人脸识别应用中有很长的历史。
早期用于人脸识别的神经网络主要是Kohonen自联想映射神经网络,用于人脸的“回忆”。
所谓“回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时,能用Kohonen网络恢复出原来完整的人脸。
神经网络方法在人脸识别上比其他类型的方法有其独到的优势,它避免了复杂的特征提取工作,可以通过学习的过程获得其他方法难以实现的关于人脸识别的规律和规则的隐性表达。
此外,神经网络以并行方式处理信息,如果能用硬件实现,就能显著提高速度。
神经网络方法是把模型的统计特征隐含于神经网络的结构和参数中,对于人脸这类复杂的,难以显式描述的模型,基于神经网络的方法具有独特的优势。
神经网络的方法便于建模,鲁棒性好,但是运算时间较长,并可能陷入局部最优。
如今,人工神经网络因其重要的实用价值而渗透在各个学科领域,近年来也被广泛应用于人脸识别当中。
将PCA理论与神经网络结合的方法也成为人脸识别领域中的热门方法。
其中,BP神经网络和RBF神经网络是两种应用最为广泛的人工神经网络。
4.6支持向量机
支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力。
我们通常希望分类的过程是一个的过程。
这些数据点是n维实空间中的点。
我们希望能够把这些点通过一个n-1维的超平面分开。
通常这个被称为线性。
有很多分类器都符合这个要求。
但是我们还希望找到分类最佳的平面，即使得属于两个不同类的数据点间隔最大的那个面，该面亦称为最大间隔超平面。
如果我们能够找到这个面，那么这个分类器就称为最大间隔分类器。
支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。
在分开数据的超平面的两边建有两个互相平行的超平面。
建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。
其假定为，平行超平面间的距离或差距越大，分类器的总误差越小。
SVM的关键在于核函数。
低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。
但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。
也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。
在SVM理论中，采用不同的核函数将导致不同的SVM算法。
Lee提出了用遗传算法提取人脸特征，然后再用支持向量机人脸特征惊醒分类的方法。
Osuna等首先将SVM方法用于人脸检测的问题，在训练中使用了大量的人脸样本，采用“自举”的方法收集“非人脸”样本，并结合逼近优化的方法减少支持矢量的数量。
Kwong等利用SVM学习多视点人脸图像模型，用于人脸检测和姿态估计。
Heiselet等采用2级SVM的方法检测人脸，根据一些预定义的特征点，从训练集中提取人脸和非人脸图像最有区别的多个局部区域。
检测时，根据多个简单的线性SVM分别检测各个人脸部分的几何组合是否符合人脸结构，与将整个人脸作为特征相比，该方法获得了更高的检测率[1]。
4.7频谱分析
通过对人脸图像进行频谱分析发现：
人脸的低频带和高频带起着不同的作用。
低频成分主要对人脸进行全局描述，高频成分对应于人脸的局部细节的描述。
如果将人脸频谱划分成两部分，只用低频的一半频谱就可很好地重构原人脸图像。
由此可见，取出人脸频谱中的高频成分可减小脸部表情变化所产生的影响，并且人脸频谱中的低频成分足以胜任识别任务[1]。
小波变换已被证明是图像分析和特征提取最有效的工具之一，图像可通过小波变换很好地表征在空间与频域中。
小波变换是一种新的分析方法,是继Fourier分析之后纯粹数学和应用数学殊途同归的又一典范。
它的产生、发展和应用始终依赖于计算机科学、信号处理、图像处理、应用数学、地球科学等众多科学领域和工程技术应用方面专家、学者与工程师们的共同努力。
数字图像处理与小波变换的结合可以出色地完成如图像对比度增强、图像融合等功能,而这些正是其他处理方法的共有缺陷。
小波变换能较好的保持图像细节和各频带的边缘信息,并且小波变换的多分辨率特性,使其在数字图像的处理中得到广泛应用。
目前在研究中使用的比较多的是将小波变换与人脸图像处理中的其它方法相结合。
如程勇等将小波变换与PCA相结合提取人脸特征，再与BP神经网络相结合，充分利用小波变换和神经网络的自适应性，得到了较好的识别效果。
聂会星等将小波变换与支持向量机相结合，利用支持向量机分类模型对人脸图像在特征脸坐标轴上的投影向量进行人脸识别，取得了比较好的效果。
4.8隐马尔科夫模型
基于隐马尔可夫模型的人脸识别方法是基于模型的人脸识别方法的典型代表。
关于隐马尔可夫随机场的研究开始于20世纪60年代末和70年代初。
Samaria等人[24]最早建立了关于人脸的隐马尔可夫模型,他将图像用一个矩形窗从上到下分成额头、眼睛、鼻子、嘴巴和下巴五个显著特征区域,将窗口内的像素点排成列向量,用每个区块的像素值作为观察序列来进行人脸识别。
该方法需要占用较大的存储空间并且有较高的计算复杂性。
利用像素值作为观察序列有两个弊端[25]:
a）像素值作为特征不够健壮,同时其对图像噪声、光照强度改变等非常敏感;b）高维的观察序列导致了训练和识别系统的高计算复杂性,增加了识别时间。
Nefian等人[25]发展了Samaria的方法，提出了一种基于二维离散余弦变换（2-di-mensionaldispersecosinetransform,2D-DCT）特征向量提取的新方法。
该方法将人脸图像分成若干个有交叠的模块,从每个模块中提取一组2D-DCT系数作为HMM的观察序列。
与Samaria的方法相比,他的方法在一定程度上降低了计算的复杂性并占用较小的存储空间。
刘小军等人[26]吸收了Samaria和Nefian的思想,借鉴Nefian的模块分区方法,采用奇异值分解抽取观察序列的方法。
因为奇异值向量的一些良好特性,使得该方法取得了较高的识别率。
5人脸识别在国内外的应用及发展状况
人脸识别技术发展很快,并取得了丰硕的研究成果,但是仍然还有许多问题,如图像背景复杂,存在很多类似人脸的部分。
人脸是非刚性物体,并且随着年龄的变化而变化,特征难以完全描述;人脸可能有很多遮挡物,如胡须、眼镜、帽檐等;环境的光照强度和观察人脸的角度发生变化;全自动人脸识别技术发展缓慢等,都成了人脸识别技术中亟待解决的问题。
（1）适应于各种复杂背景的人脸分割技术研究。
目前在复杂背景条件下的人脸分割研究取得了一定的进展,诸如弹性匹配等方法的应用有一定效果,但其检测速度和效果还不能令人满意,如何在复杂背景图像中快速有效地检测和分割出人脸将成为研究的重点。
（2）动态人脸识别研究。
现有的静态人脸识别技术无法满足某些特殊场合的需要,诸如海关监测等需要对视频中的人脸进行动态跟踪和识别,而满足这种场合需求的动态人脸识别技术相对比较欠缺。
因此,开展动态人脸识别研究将有着特殊的应用价值和应用前景。
（3）多数据融合的人脸识别研究。
经过近四十年的研究,人脸识别领域的研究成果已经硕果累累,为深入研究提供了丰富的方法和经验。
然而,到目前为止,任何一种方法都有其特定的应用条件和局限性,不能完全适应于各种情形。
因此,将各种技术和方法进行有效的融合将是未来人脸识别技术发展的途径之一。
（4）三维人脸识别研究。
人脸识别技术发展到今天,许多成果仍然是在二维人脸信息基础上取得的,而真实世界中的人脸是三维的,三维信息特别是三维图像较二维图像更能提供完整而真实的内容,如何有效地利用人脸的三维信息进行识别,将是一个具有挑战性的研究课题。
（5）全自动人脸识别技术。
全自动的人脸识别技术仍然处于初级研究阶段,识别速度和效果距离人们的要求也相差甚远,其主要原因在于人脸是非刚性体,人脸特征无法得到准确完整的描述。
所以,深入研究人脸特征的有效表达将是全自动人脸识别的关键,也是人脸识别技术的核心。
6结束语
结论：
综合比较目前常用的几种人脸识别方法，通过分析可以看出，每种方法都有各自优缺点，应根据具体的识别任务和条件选择合适的识别方法。
由于人脸识别的复杂性，仅单独使用任何一种现
升级会员 