文档介绍：人脸识别发展历史介绍
1 引言
在我们生存的这个地球上，居住着近 65亿人。每个人的面孔都由额头、眉毛、眼睛、鼻子、嘴巴、双颊
等少数几个区域组合而成，它们之间的大体位置关系也是运作的人脸识别
系统，比如最为著名的 Visionics(现为 Identix)的 FaceIt系统。
美国麻省理工学院(MIT)媒体实验室的特克(Turk)和潘特兰德(Pentland)提出的“特征脸”方法无疑是
这一时期内最负盛名的人脸识别方法。其后的很多人脸识别技术都或多或少与特征脸有关系，现在特征脸
已经与归一化的协相关量(Normalized Correlation)方法一道成为人脸识别的性能测试基准算法。这一时期的另一个重要工作是麻省理工学院人工智能实验室的布鲁内里(Brunelli)和波基奥(Poggio)于
1992年左右做的一个对比实验，他们对比了基于结构特征的方法与基于模板匹配的方法的识别性能，并给
出了一个比较确定的结论：模板匹配的方法优于基于特征的方法。这一导向性的结论与特征脸共同作用，
基本中止了纯粹的基于结构特征的人脸识别方法研究，并在很大程度上促进了基于表观(Appearance-based)
的线性子空间建模和基于统计模式识别技术的人脸识别方法的发展，使其逐渐成为主流的人脸识别技术。
贝尔胡米尔(Belhumeur)等提出的 Fisherface人脸识别方法是这一时期的另一重要成果。该方法首先采
用主成分分析(PrincipalComponentAnalysis ， PCA，亦即特征脸)对图像表观特征进行降。维 在此基础上，
采用线性判别分析(Linear Discriminant的方法 变换Analysis,降维后的主成分以期 获得“尽量LDA) 大的
类间散度和尽量小的类内散度”。该方法目前仍然是主流的人脸识别方法之一，产生了很多不同的变种，
比如零空间法、子空间判别模型、增强判别模型、直接的 LDA判别方法以及近期的一些基于核学****的改进
策略。
麻省理工学院的马哈丹(Moghaddam)则在特征脸的基础上，提出了基于双子空间进行贝叶斯概率估计的人
脸识别方法。该方法通过“作差法”，将两幅人脸图像对的相似度计算问题转换为一个两类(类内差和类间
差)分类问题，类内差和类间差数据都要首先通过主成分分析(PCA)技术进行降，计维 算两个类别的类条件
概率密度，最后通过贝叶斯决策(最大似然或者最大后验概率)的方法来进行人脸识别。
人脸识别中的另一种重要方法——弹性图匹配技术(Elastic Graph，EGM) 也Matching是在这一 阶段提
出的。其基本思想是用一个属性图来描述人脸：属性图的顶点代表面部关键特征点，其属性为相应特征点
处的多分辨率、多方向局部特征——Gabor变