4、面部特征的局部表示：人脸识别技术的核心

面部特征的局部表示：人脸识别技术的核心

1. 引言

在人脸识别系统中，面部特征的表示和分类器设计是核心问题。理想情况下，面部特征应当能够很好地辨别不同个体，同时对同类变化具有一定的容忍度，易于从原始人脸图像中提取，并且位于低维空间中以减少计算成本。随着技术的进步，基于局部特征的方法逐渐取代了整体方法，尤其是在应对姿态或光照变化方面表现出色。本文将深入探讨面部特征的局部表示，重点介绍局部二值模式（LBP）和Gabor滤波器这两种广泛应用的方法。

2. 面部表示的目标

面部表示的目标是提取一组特征，以最小化同类变化（即同一人的人脸实例之间的变化），并最大化异类变化（即不同人的人脸图像之间的变化）。这可以通过以下两个方面来实现：

1. 区分能力 ：特征应当能够区分不同的个体，即使在光照、姿态等条件下发生变化。
2. 鲁棒性 ：特征应当对同类变化（如表情、光照、姿态等）具有一定的容忍度。

3. 面临的挑战

面部外观受多种成像因素的影响，如尺度、方向、姿态、表情、光照条件、老化、佩戴眼镜等。这些因素使得找到满足上述标准的特征变得非常困难。因此，开发鲁棒的面部特征表示方法是人脸识别技术中的一个重要挑战。

4. 历史方法

早期的面部表示方法主要基于几何关系，如Kanade的工作，通过测量面部标志点（眼睛、嘴巴等）之间的距离和角度来表示面部。然而，这些方法在实际应用中遇到了许多局限性，尤其是在光照和姿态变化较大的情况下。

4.1 基于几何特征的方法