14、生物特征面部检测与识别技术解析

生物特征面部检测与识别技术解析

1. 相关工作概述

早期，基于各种机器学习或深度学习方法的人脸识别技术得到了广泛探索，这些方法会对特征向量进行分析。例如支持向量机、线性判别分析、拉普拉斯算法、进化追踪等技术，都在人脸识别方面取得了一定的成功。然而，这些技术存在一些局限性，对于模糊或高质量图像，它们的计算复杂度较高且耗时较长，并且无法保证在图像存在多种变化时的识别准确性。

另外，Hallinan 等人提出了基于特征脸特征的人脸识别技术，该技术考虑了光照条件的变化，但对于包含最少面部信息的模糊图像，无法保证识别效果。Belhumeur 等人讨论的基于 3D 线性子空间技术的人脸识别方法，在可变光照和方向条件下表现良好，但由于在 3D 子空间上工作，计算复杂度较高且耗时较长。基于 SPD 和 Grassmann 流形的模型将所有图像视为具有相同质量，对低质量图像有一定的增强效果，但无法处理包含多个人脸的帧。Caicedo 等人讨论的使用强化学习进行人脸定位的有效方法，由于基于决策树工作，复杂度较高且定位人脸主体耗时较长。

以往依赖流形、稀疏或线性子空间的人脸识别技术，也存在无法容忍误拒和误受错误率的问题。与之相比，本文提出的技术使用 Haar 级联分类器从捕获的图像中定位人脸部分，该技术更为简单，它利用 Haar 特征对人脸主体的矩形块进行掩蔽。

2. 主要贡献

本技术的贡献不仅体现在静态图像上，还适用于动态实时视频帧。能够以最小的错误率捕获、检测和分类视频中的数据。通过 Haar 级联算法提取面部图像，该算法会在整个图像的面部主体上定位 Haar 特征。

本技术引入了 ILBP 和 SVM 的全新组合。ILBP 算法为