文档介绍：目前,国内外人脸识别的方法很多,并且不断有新的研究成果出现。人脸识别的方法根据研究角度的不同,有不同的分类方法。根据输入图像中人脸的角度不同,可以分为正面,侧面,倾斜的人脸图像的识别;根据图像来源的不同,可分为静态和动态的人脸识别;根据输入图像的特点,又可分为灰度图像和彩色图像的人脸识别等等。本文重点研究基于正面的、静态的灰度图像的识别方法。对于静态的人脸识别方法从总体上看可以分为三大类:一是基于统计的识别方法,主要包括特征脸(Eigenface)方法和隐马尔科夫模型(HiddenMarkovModel简称HMM)方法等;二是基于连接机制的识别方法,包括人工神经网路(work简称ANN)方法和弹性图匹配(ElasticBunchGraphMatching简称EBGM)方法等;三是一些其他的综合方法及处理非二维灰度图像的方法。下面分别进行介绍。[5],又称为主成份分析法(ponentAnalysis简称PCA),它是20世纪90年代初期由Turk和Pentland提出的,是一种经典的算法。它根据图像的统计特征进行正交变换(即K-L变换),以消除原有向量各个分量之间的相关性。变换得到对应特征值依次递减的特征向量,即特征脸。特征脸方法的基本思想是将图像经过K-L变换后由高维向量转换为低维向量,并形成低维线性向量空间,利用人脸投影到这个低维空间所得到的投影系数作为识别的特征矢量。这样,就产生了一个由“特征脸”矢量张成的子空间,称为“人脸子空间”或“特征子空间”,每一幅人脸图像向其投影都可以获得一组坐标系数,这组坐标系数表明了人脸在子空间中的位置,因此利用特征脸方法可以重建和识别人脸。通过人脸向量向特征子空间作投影得到的向量称之为主分量或特征主分量。主分量特征具有如下性质:(1)主分量特征具有很强的信息压缩能力。(2)对于任何属于样本空间的人脸模式都有唯一的主分量特征与之相对应。(3)主分量特征具有稳定性。即当输入的人脸模式向量有微小变化时,其对应的主分量特征变化将小于输入模式的变化。这一点对于模式的分类是非常有利的。(4)经过变换矩阵的映射,随着空间维数的降低,模式之间的距离也得以缩小,从而避免了在高维空间中进行分类的复杂性由于PCA方法主要是利用了K-L变换,因此它具有良好的稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性,且K-L变换是统计最优的、具有速度快,实现方便、对正面图像识别率高等特点,但是特征脸的不足之处是容易受人脸姿态和表情,光照改变及位移改变等因素的影响。为了克服这些缺点,研究人员提出了许多改进方案,如Bartlett等采用独立分量分析(ICA,ponentAnalysis)的方法识别人脸;将特征脸与线性判别函数相结合的Fisher脸方法等。现在还出现了很多其他子空间的人脸识别方法,如借鉴SVM的Kernel方法,PCA,IDA等都被扩展到KernelPCA和KernelICA等等。从以上介绍不难发现,利用特征脸方法进行人脸识别有其他人脸识别方法无法取代的优势,因此在人脸识别领域,特征子空间的方法仍是人们研究的一个热门方向。,有时也称为结构匹配方法,是早期的人脸识别方法[6,7],该方法常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的