在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫(kù)存的已知人臉進(jìn)行比對(duì)，完成最終的分類。我們?cè)谶@方面的主要工作包括：
· 基于LGBP的人臉識(shí)別方法
問題：
統(tǒng)計(jì)學(xué)習(xí)目前已經(jīng)成為人臉識(shí)別領(lǐng)域的主流方法，但實(shí)踐表明，基于統(tǒng)計(jì)學(xué)習(xí)的方法往往會(huì)存在“推廣能力弱”的問題，尤其在待識(shí)別圖像“屬性”未知的情況下，更難以確定采用什么樣的訓(xùn)練圖像來訓(xùn)練人臉模型。鑒于此，在對(duì)統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行研究的同時(shí)，我們還考慮了非統(tǒng)計(jì)模式識(shí)別的一類方法。
思路：
對(duì)于給定的人臉圖像，LGBP方法首先將其與多個(gè)不同尺度和方向的Gabor濾波器卷積(卷積結(jié)果稱為Gabor特征圖譜)獲得多分辨率的變換圖像。然后將每個(gè)Gabor特征圖譜劃分成若干互不相交的局部空間區(qū)域，對(duì)每個(gè)區(qū)域提取局部鄰域像素的亮度變化模式，并在每個(gè)局部空間區(qū)域內(nèi)提取這些變化模式的空間區(qū)域直方圖，所有Gabor特征圖譜的、所有區(qū)域的直方圖串接為一高維特征直方圖來編碼人臉圖像。并通過直方圖之間的相似度匹配技術(shù)(如直方圖交運(yùn)算)來實(shí)現(xiàn)最終的人臉識(shí)別。在FERET四個(gè)人臉圖像測(cè)試集合上與FERET97的結(jié)果對(duì)比情況見下表。由此可見，該方法具有良好的識(shí)別性能。而且LGBP方法具有計(jì)算速度快、無需大樣本學(xué)習(xí)、推廣能力強(qiáng)的優(yōu)點(diǎn)。
表.LGBP方法與FERET'97最佳結(jié)果的對(duì)比情況
· 基于AdaBoost的Gabor特征選擇及判別分析方法
問題：
人臉描述是人臉識(shí)別的核心問題之一，人臉識(shí)別的研究實(shí)踐表明：在人臉三維形狀信息難以準(zhǔn)確獲取的條件下，從圖像數(shù)據(jù)中提取多方向、多尺度的Gabor特征是一種合適的選擇。使用Gabor特征進(jìn)行人臉識(shí)別的典型方法包括彈性圖匹配方法(EGM)和Gabor特征判別分類法(GFC)。EGM在實(shí)用中需要解決關(guān)鍵特征點(diǎn)的定位問題，而且其速度也很難提高;而GFC則直接對(duì)下采樣的Gabor特征用PCA降維并進(jìn)行判別分析，盡管這避免了精確定位關(guān)鍵特征點(diǎn)的難題，但下采樣的特征維數(shù)仍然偏高，而且簡(jiǎn)單的下采樣策略很可能遺漏了非常多的有用特征。
摘要：
針對(duì)上述問題，我們考慮如何對(duì)Gabor特征進(jìn)行有效降維，將目前受到極大關(guān)注的AdaBoost算法創(chuàng)新性的應(yīng)用于Gabor特征的選擇上來，用于提取對(duì)識(shí)別最有利的特征(我們稱這些選擇出來的Gabor特征為AdaGabor特征)，并最終通過對(duì)AdaGabor特征的判別分析實(shí)現(xiàn)識(shí)別(稱該方法為AGFC識(shí)別方法)。在CAS-PEAL和FERET人臉圖像庫(kù)上的對(duì)比實(shí)驗(yàn)表明：AGFC方法不但可以大大降低Gabor特征的維數(shù)從而可以更加有效地避免“維數(shù)災(zāi)難問題”，降低了計(jì)算復(fù)雜度，同時(shí)識(shí)別精度也有了較大的提高。將AGFC與EGM，GFC進(jìn)一步比較可以看出：無論是EGM還是GFC，均是主觀的選擇若干面部關(guān)鍵特征點(diǎn)提取人臉的特征表示，而我們提出的AGFC方法則是通過機(jī)器學(xué)習(xí)的方法自動(dòng)的選擇那些對(duì)區(qū)分不同人臉具有關(guān)鍵作用的Gabor特征。參見下圖所示三者之間的區(qū)別與聯(lián)系。
三種不同的人臉建模方法比較示意圖
· 基于SV的Kernel判別分析方法sv-KFD
摘要：
支持向量機(jī)(SVM)和Kernel Fisher分析是利用kernel方法解決線性不可分問題的兩種不同途徑，我們將二者進(jìn)行了有機(jī)結(jié)合。我們首先證明了SVM最優(yōu)分類面的法向量在基于支持向量的類內(nèi)散度矩陣的前提下具有零空間性質(zhì)，基于此定義了核化的決策邊界特征矩陣(Kernelized Decision Boundary Feature Matrix，簡(jiǎn)寫為KDBFM)，最后利用基于零空間的Kernel Fisher方法計(jì)算投影空間。我們還進(jìn)一步提出了融合類均值向量差及KDBFM來構(gòu)建擴(kuò)展的決策邊界特征矩陣(EKDBFM)的方法，并把這兩種方法成功地應(yīng)用到了人臉識(shí)別領(lǐng)域，在FERET和CAS-PEAL數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明該方法比傳統(tǒng)人臉識(shí)別算法具有更好的識(shí)別性能。