人脸特征

---恢复内容开始---

人脸识别中最核心的部分就是特征表示，人脸识别的发展史更多是人脸特征的发展。

优秀的人脸特征必须满足以下条件：

1. 对类间变化十分敏感，如在人脸检测时，能非常有效地区分出背景区域和人脸区域，在识别时，能对不同人的细微区别十分敏感；
2. 对类间变化具有一定的不变性，要求特征对人脸角度、光照变化、表情变化等具有一定的不变性。

人脸特征分类：

• 像素灰度值特征：最简单的人脸特征，包含全部人脸信息。
• 有监督特征：Haar, LBP, SIFT, HOG, Gabor, TPLBP, FPLBP ...
• 无监督特征：Learning Descriptors, LE ...

像素灰度值特征：

人脸识别算法中的像素灰度值特征使用情况：

• Eigen Faces： 使用PCA从像素灰度值特征中提取人脸信息。
  局限性：PCA各个分量主要是表示角度、光照的变化，这些与区分不同个体无关。
• Fisher Faces：使用LDA从像素灰度值特征中提取人脸信息。
  局限性：LDA只是一个线性模型，无法对复杂的非线性变换进行建模，但结合非线性特征如LBP则可以取得不错的识别精度。
• 基于深度学习(DeepFace, DeepID, FaceNet)：使用像素灰度值（或RGB）特征，随后送深度神经网络进行特征学习，是目前最有效的人脸识别算法。
  局限性：计算代价太大，难以用在计算资源不足的嵌入式系统或移动设备上。

Haar特征：

---恢复内容结束---