Handbook of Face recognition 理解

Face recognition 如下图

图a,说明face 和nonface 空间关系是非线性的，非凸问题。
什么叫凸问题，凸问题的求解，直接可以求最大值，和最小值。
而非凸问题是像图a一样，他的局部极值很多，求最值不能直接求。
所以face recognition 有很大挑战。这也说明face detection 的挑战性。即发现人脸与非人脸。

图b,是face manifolds of different individuals .manifolds英文意思是流形。就像图b中person2的区域，看起来就像流形。
这图指不同个体的人脸在人脸区域的形状也是非线性，非凸问题。
这说明了人脸识别 的挑战性，即验证不同人脸，并分类。

人脸识别的技术挑战：technology challenges .
1.Large Variablility in Facial Appearance
人脸变化很多，分为不同身份人脸变化，change in face identity ,即不同人的脸的变化。
同一个人的人脸变化，这是由于光照，观看的角度，人脸姿态，人脸的表情，人脸的遮挡，还有就是人脸戴accessories(眼镜，帽子)

2Complex Nonlinear manifolds
Linear methods as PCA ,ICA,LDA用他们把数据从高维投影到低维，即使这样做了，这些线性方法效果不是很好，不管是face detection ,face recognition.

3High Dimensionality and Small Sample Size
第一个问题:不同人之间的脸的距离，可能比同一张人脸的距离小。
第二个问题：小样本，训练出来的classifier and manifold泛化能力差。泛化：指能成功测试没有训练的样本。

Solution Strategies
有两种策略处理挑战：
1.抽取不变的和区别特征
2.构建一个鲁邦的人脸识别分类器。construct a robust face classifier

这上两种方法都要学习训练。并在抽取特征之前，要对图片进行统一的归一化，比如计划形状warp,光照的修正。特征抽取使用 Gabor wavelets and LBP 对于光照变化和几何形状变化是稳定的。

为什么要构建强大的分类器引擎？因为规范化，特征抽取不能解决这非线性和非凸问题。