1 基于圖像

大約有十四種算法目前被廣泛運(yùn)用于人臉識別，譬如PCA、ICA、LDA和EP。

1.1 PCA

從卡洛的變換所獲得。鑒于在訓(xùn)練圖像集的每個(gè)面的S維向量表示，主成分分析（PCA）趨向于找到的T維的子空間，其基本向量對應(yīng)于原圖象空間的最大方差的方向。這種新的子空間通常是低維（T << S）。如果圖像元素被視為隨機(jī)變量，則PCA基向量被定義為散布矩陣的特征向量。

1.2 ICA

從卡洛的變換所獲得。鑒于在訓(xùn)練圖像集的每個(gè)面的S維向量表示，主成分分析（PCA）趨向于找到的T維的子空間，其基本向量對應(yīng)于原圖象空間的最大方差的方向。這種新的子空間通常是低維（T << S）。如果圖像元素被視為隨機(jī)變量，則PCA基向量被定義為散布矩陣的特征向量。

1.3 LDA

線性判別分析（LDA）發(fā)現(xiàn)在類之間最鑒別底層空間向量。對于所有類的類間散布矩陣的所有樣本小號乙 與類內(nèi)散布矩陣小號Wˉˉ 定義。的目標(biāo)是最大化小號乙 同時(shí)最小化小號w ^，換句話說，最大化的比率DET | 小號乙 | / DET | 小號w ^ | 。當(dāng)投影矩陣的列矢量是（的特征向量該比率被最大化小號Wˉˉ ^ -1×S 乙）。

1.4 EP

用于搜索投影的最佳組AA基于本征空間的自適應(yīng)方法軸，以便最大限度地適應(yīng)度函數(shù)，在相同的時(shí)間測量系統(tǒng)的分類精度和泛化能力。由于此問題的解空間的尺寸太大，它使用的是特定種類的遺傳算法稱為演化追求（EP）解決。

1.5 EBGM

彈性束圖匹配（EBGM）。所有的人臉有著相似的拓?fù)浣Y(jié)構(gòu)。面被表示為曲線圖，與位于基準(zhǔn)點(diǎn)的節(jié)點(diǎn)。（EXE文件，鼻子......）和標(biāo)記有2-d的距離向量邊緣。每個(gè)節(jié)點(diǎn)包含在不同尺度和方向（相位，振幅）的一組40個(gè)復(fù)Gabor小波系數(shù)。他們被稱為“噴氣機(jī)”。識別是基于標(biāo)記的圖。將標(biāo)記圖是一組由邊緣連接的節(jié)點(diǎn)，節(jié)點(diǎn)被標(biāo)記有射流，邊緣標(biāo)記有距離。

1.6 Kernel方法

子空間中面對歧管不必是線性的。Kernel方法是線性方法的概括。直接非線性流方案探討學(xué)習(xí)這種非線性多方面的。

1.7 跡變換

跡變換，拉東的一般化變換，對于能夠被用于下變換識別對象的圖像處理，例如旋轉(zhuǎn)，平移和縮放的新工具。以產(chǎn)生軌跡變換一個(gè)計(jì)算沿跟蹤一個(gè)圖像的行的功能。不同的跟蹤轉(zhuǎn)換可以從一個(gè)圖像使用不同的跡泛函來制造。

1.8 AAM

一個(gè)主動外觀模型（AAM）是結(jié)合了形狀變化的模型的形狀歸一化的幀的外觀變化的模型的集成統(tǒng)計(jì)模型。的AAM中包含的統(tǒng)計(jì)模型如果其可以推廣到幾乎任何有效的例子感興趣對象的形狀和灰度外觀。匹配的圖像包括尋找其最小化圖像并投影到圖像合成模型實(shí)例之間的差異的模型參數(shù)。

1.9 3-d形變模型

人臉是臥在3-d空間內(nèi)在的表面。因此，3-d模式應(yīng)該是用于表示面更好，尤其是處理的面部變化，例如姿態(tài)，照明等Blantz等。提出了一種基于一個(gè)3-d形變臉部模型編碼形狀和紋理中的模型參數(shù)而言，從一個(gè)面的單個(gè)圖像恢復(fù)這些參數(shù)的方法和算法。

1.10 3-d人臉識別

這種方法的主要新穎之處在于，比較表面獨(dú)立于面部表情造成的自然變形的能力。首先，范圍圖像和面部的紋理獲取。接著，距離圖像是通過去除某些部分，例如頭發(fā)，它可以識別過程復(fù)雜化預(yù)處理。最后，面部表面的規(guī)范形式進(jìn)行計(jì)算。這樣的表示是不敏感的頭部方向和面部表情，從而顯著簡化了識別過程。識別本身是規(guī)范的表面上進(jìn)行。

1.11 貝葉斯框架

一種概率相似性度量基于貝葉斯信念，即圖像強(qiáng)度差異是在個(gè)體的外觀的典型變化的特性。兩個(gè)類面部圖像的變化被定義：內(nèi)省變化和extrapersonal變化。面之間的相似是利用貝葉斯法則措施。

1.12 SVM

給定一組屬于兩類點(diǎn)，支持向量機(jī)（SVM）發(fā)現(xiàn)，分隔在同一側(cè)同一類的點(diǎn)的最大可能的分?jǐn)?shù)，同時(shí)最大限度地從任一類超平面的距離的超平面。PCA首先用于每對圖像的支持向量機(jī)通過被學(xué)習(xí)之間提取的面部圖像的特征，然后鑒別功能。

1.13 HMM

隱馬爾可夫模型（HMM）是一組用于表征信號的統(tǒng)計(jì)屬性的統(tǒng)計(jì)模型。HMM由兩個(gè)相互關(guān)聯(lián)的過程：（1）底層，不可觀測馬爾科夫鏈具有有限數(shù)量的狀態(tài)，狀態(tài)轉(zhuǎn)變概率矩陣和的初始狀態(tài)的概率分布和（2）一組與每個(gè)狀態(tài)相關(guān)聯(lián)的概率密度函數(shù)。

1.14 推進(jìn)＆合奏解決方案

推進(jìn)背后的想法是使用順序設(shè)定來概括一組同類型的分類給定的訓(xùn)練樣本的加權(quán)變?nèi)鯇W(xué)習(xí)。盡管任何個(gè)人分類器可以執(zhí)行比隨機(jī)猜測略好，形成的合奏可以提供非常精確的（強(qiáng)）分類器。Viola和Jones使用的AdaBoost，這被認(rèn)為是人臉檢測研究的一個(gè)顯著的突破，打造的第一個(gè)實(shí)時(shí)人臉檢測系統(tǒng)。在另一方面，郭等人的論文。使用的是AdaBoost的方法在臉上recogntion第一途徑。

2 基于視頻

在過去的幾年中越來越多的研究已經(jīng)在人臉識別，從圖像序列的區(qū)域已經(jīng)完成。從真正的監(jiān)控錄像承認(rèn)人類是因?yàn)閳D像的低質(zhì)量，因?yàn)槿四槇D像都是小困難。盡管如此，很多改進(jìn)已經(jīng)完成了。

申明：本文全部經(jīng)作者總結(jié)摘自face-rec