18、面部识别技术：多种方法的综合解析

面部识别技术：多种方法的综合解析

一、特征脸（Eigenfaces）方法

特征脸（也称为 Karhunen–Loeve 展开）是一种重要的面部识别技术。它通过主成分分析来表示面部图像，利用一组权重和标准面部图像（特征图像）可以重建面部图像。具体来说，将面部图像投影到边缘图像上以获取每个面部的结果。从数学角度，特征脸可定义为面部分布的主成分或面部图像协方差矩阵的特征向量，这些特征向量代表不同外观的各种变化。通过具有最高特征值的特征向量可以估算特征脸，最佳的“M”个特征向量构成 M 维空间（也称为面部空间）。

实验结果

• 对 16 个不同人在不同背景下的 2500 张图像进行实验，在不同光照条件下准确率达 96%，不同方向下准确率为 85%，不同尺寸下准确率为 64%。
• 在 FERET 数据库上对 3000 个不同人的 7562 张图像进行实验，识别准确率达到 95%。

存在问题及改进

该方法在处理图像与可变光照的相关性方面表现出色，但图像与运行说明的相关性不能满足面部识别结果，因此利用光照（光照效果）是必要步骤。有新方法提出考虑三张不同光照的图像来计算协方差矩阵。Gu, Wenfei 等人进一步将特征脸改进为特征特征，将面部器官（如嘴唇、鼻子、眼睛等）作为特征，这种模块化特征空间方法比其他标准特征脸方法受外观变化的影响更小。

多模态识别应用

Koc, Mehmet 和 AtalayBarkana 提出耳朵在生物识别方面可能比面部更好。早期使用主成分分析（PCA）处理耳朵和面部图像时，耳朵图像识别率较低。而在新的研究中，使用特征脸和线性方法进行