掃碼關注
在人們日常生活中，最常見的生物識別方式一定是人臉識別，身份驗證、門禁、監控等都需要用上人臉識別。對于數據結構工程師和算法工程師來說，人臉識別算法是需要接觸的常見算法之一。那么今天將帶大家盤點下七種最常見也是最需要了解的人臉識別算法，感興趣的小伙伴們別忘給我點贊。
玩轉數據結構，提升算法能力
選擇凡億教育的《數據結構與算法實戰課程》
1、卷積神經網絡（CNN）
卷積神經網絡（CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡，也是人工神經網絡和人工智能的常見算法之一，隸屬于機器學習中的深度學習。它的原理是：模型學習直接對圖像、視頻、文本或聲音執行分類結果。它常用于計算機視覺、自然語言處理和最大的圖像分類數據集。
2、特征臉（Eigenface）
特征臉（Eigenface）是指用于機器視覺領域中的人臉識別問題的一組特征向量，用于確定圖像數據集中的人臉方差，被認為是第一種有效的人臉識別方法。原理是通過機器學習對人臉進行編碼解碼。一組特征臉是通過對大量人臉圖像的統計分析確定的“標準化人臉成分”的集合，注意這種算法不使用數字圖片，而是通過統計數據庫，面部特征被分配數字值，人臉是這些值以不同百分比的組合。
3、Fisherfaces
Fisherfaces是最流行的人臉識別算法之一，是特征臉（Eigenface）算法的延伸品，在訓練過程中的類別區分方面比特征臉更加優秀。Fisherfaces的優點在于它能夠對光照和面部表情變化進行內插和外推。若在與處理階段與PCA方法結合，算法準確度高達93%。
4、內核方法：PCA和SVM
主成分分析（PCA）是一種有用的通用統計方法，在人臉識別過程中，PCA能減少源數據同時保留最相關的信息，原理是：生成一組加權特征向量，這些特征向量依次構建特征臉（大量不同的人臉圖像），而這些人臉圖像的線性組合代表訓練集中的每個圖像，PCA作用是從訓練圖像集的協方差矩陣中接收這些特征向量。
支持向量機（SVM）屬于機器學習算法，它使用兩組分類原則來區分人臉和非人臉，對于每個類別，SVM模型將接收一個標記的訓練數據集來對新的測試數據進行分類。
5、Haar Cascade
Haar Cascade是一種用于在圖像上定位對象的對象檢測方法，他將從大量正樣本和負樣本中學習，前者包括感興趣的對象，后者包括除你要查找對象之外的任何內容。訓練后，分類器可在新圖像上找到感興趣的對象。Haar Cascade常與局部二值模式算法結合用于刑事鑒定的人臉識別。
6、三維識別
3D人臉識別的基本原理是人類頭骨的獨特結構，人的頭骨結構具有獨特性，可用幾十個參數來描述，它的原理是將3D面部掃描與數據庫模式進行比較，它最大的優勢是不會因為化妝、面部毛發等外界因素影響到檢測識別。
7、皮膚紋理分析
皮膚紋理識別通常使用高分辨率圖像。皮膚紋理分析的特殊情況使用不同的獨特參數，如痣、膚色、膚色等，常用于人臉檢測、不良圖像過濾、手勢分析等。
欲了解更多的人臉識別知識，來關注凡億課堂。
