人臉辨識三大經典演算法是什麼？

人臉辨識三大經典演算法，分別為：特徵臉法（Eigenface）、局部二值模式（Local Binary Patterns，LBP）、Fisherface演算法。

人臉辨識三大經典演算法

##特徵臉法（ Eigenface）

特徵臉技術是近期發展起來的用於人臉或者一般性剛體識別以及其它涉及到人臉處理的一種方法。使用特徵臉進行人臉辨識的方法首先由Sirovich和Kirby（1987）提出（《Low-dimensional procedure forthe characterization of human faces》），並由Matthew Turk和Alex Pentland用於人臉分類（《Eigenfaces for recognition》 ）。首先把一批人臉圖像轉換成一個特徵向量集，稱為“Eigenfaces”，即“特徵臉”，它們是最初訓練圖像集的基本組件。辨識的過程是把一副新的影像投影到特徵臉子空間，並透過它的投影點在子空間的位置以及投影線的長度來判定和辨識。

將影像變換到另一個空間後，同一個類別的影像會聚在一起，不同類別的影像會聚力較遠，在原始像素空間中不同類別的影像在分佈上很難用簡單的線或面切分，變換到另一個空間，就可以很好的把他們分開了。

Eigenfaces選擇的空間變換方法是PCA（主成分分析），利用PCA得到人臉分佈的主要成分，具體實現是對訓練集中所有人臉圖像的協方差矩陣進行本徵值分解，得到對應的本徵向量，這些本徵向量就是「特徵臉」。每個特徵向量或特徵臉相當於捕捉或描述人臉之間的一種變化或特性。這就意味著每個人臉都可以表示為這些特徵臉的線性組合。

局部二值模式（Local Binary Patterns，LBP）

局部二值模式（Local binary patterns LBP）是電腦視覺領域裡用於分類的視覺算子。 LBP，一種用來描述影像紋理特徵的算子，該算子由芬蘭奧盧大學的T.Ojala等人在1996年提出（《A comparative study of texturemeasures with classification based on featured distributions》）。 2002年，T.Ojala等人在PAMI上又發表了一篇關於LBP的文章（《Multiresolution gray-scale androtation invariant texture classification with local binary patterns》）。這一文章非常清楚的闡述了多解析度、灰階尺度不變和旋轉不變、等價模式的改進的LBP特徵。 LBP的核心思想是：以中心像素的灰階值作為閾值，與他的領域相比較得到相對應的二進位碼來表示局部紋理特徵。

LBP是提取局部特徵作為判別依據的。 LBP方法顯著的優點是對光線不敏感，但仍沒有解決姿態和表情的問題。不過相較於特徵臉方法，L​​BP的辨識率已經有了很大的提升。

Fisherface演算法

線性鑑別分析在降維的同時考慮類別信息，由統計學家Sir R. A.Fisher1936年發明（《The useof multiple measurements in taxonomic problems 》）。為了找到一種特徵組合方式，達到最大的類間離散度和最小的類內離散度。這個想法很簡單：在低維表示下，相同的類別應該是緊緊的聚在一起，而不同的類別盡量距離越遠。 1997年，Belhumer成功將Fisher判別準則應用於人臉分類，提出了基於線性判別分析的Fisherface方法（《Eigenfaces vs. fisherfaces:Recognition using class specific linear projection》）。

更多相關知識，請造訪：

PHP中文網！

以上是人臉辨識三大經典演算法是什麼？的詳細內容。更多資訊請關注PHP中文網其他相關文章！