1 基于圖像
大約有十四種算法目前被廣泛運(yùn)用于人臉識(shí)別勇皇，譬如PCA归薛、ICA谍憔、LDA和EP。
1.1 PCA
從卡洛的變換所獲得主籍。鑒于在訓(xùn)練圖像集的每個(gè)面的S維向量表示习贫，主成分分析（PCA）趨向于找到的T維的子空間，其基本向量對(duì)應(yīng)于原圖象空間的最大方差的方向千元。這種新的子空間通常是低維（T << S）苫昌。如果圖像元素被視為隨機(jī)變量，則PCA基向量被定義為散布矩陣的特征向量幸海。
1.2 ICA
從卡洛的變換所獲得祟身。鑒于在訓(xùn)練圖像集的每個(gè)面的S維向量表示，主成分分析（PCA）趨向于找到的T維的子空間涕烧，其基本向量對(duì)應(yīng)于原圖象空間的最大方差的方向月而。這種新的子空間通常是低維（T << S）汗洒。如果圖像元素被視為隨機(jī)變量议纯，則PCA基向量被定義為散布矩陣的特征向量。
1.3 LDA
線性判別分析（LDA）發(fā)現(xiàn)在類之間最鑒別底層空間向量溢谤。對(duì)于所有類的類間散布矩陣的所有樣本小號(hào)乙 與類內(nèi)散布矩陣小號(hào)Wˉˉ 定義瞻凤。的目標(biāo)是最大化小號(hào)乙 同時(shí)最小化小號(hào)w ^，換句話說世杀，最大化的比率DET | 小號(hào)乙 | / DET | 小號(hào)w ^ | 阀参。當(dāng)投影矩陣的列矢量是（的特征向量該比率被最大化小號(hào)Wˉˉ ^ -1×S 乙）。
1.4 EP
用于搜索投影的最佳組AA基于本征空間的自適應(yīng)方法軸瞻坝，以便最大限度地適應(yīng)度函數(shù)蛛壳，在相同的時(shí)間測(cè)量系統(tǒng)的分類精度和泛化能力。由于此問題的解空間的尺寸太大所刀，它使用的是特定種類的遺傳算法稱為演化追求（EP）解決衙荐。
1.5 EBGM
彈性束圖匹配（EBGM）。所有的人臉有著相似的拓?fù)浣Y(jié)構(gòu)浮创。面被表示為曲線圖忧吟，與位于基準(zhǔn)點(diǎn)的節(jié)點(diǎn)。（EXE文件斩披，鼻子......）和標(biāo)記有2-d的距離向量邊緣溜族。每個(gè)節(jié)點(diǎn)包含在不同尺度和方向（相位讹俊，振幅）的一組40個(gè)復(fù)Gabor小波系數(shù)。他們被稱為“噴氣機(jī)”煌抒。識(shí)別是基于標(biāo)記的圖仍劈。將標(biāo)記圖是一組由邊緣連接的節(jié)點(diǎn)，節(jié)點(diǎn)被標(biāo)記有射流寡壮，邊緣標(biāo)記有距離耳奕。
1.6 Kernel方法
子空間中面對(duì)歧管不必是線性的。Kernel方法是線性方法的概括诬像。直接非線性流方案探討學(xué)習(xí)這種非線性多方面的屋群。
1.7 跡變換
跡變換，拉東的一般化變換坏挠，對(duì)于能夠被用于下變換識(shí)別對(duì)象的圖像處理芍躏，例如旋轉(zhuǎn)，平移和縮放的新工具降狠。以產(chǎn)生軌跡變換一個(gè)計(jì)算沿跟蹤一個(gè)圖像的行的功能对竣。不同的跟蹤轉(zhuǎn)換可以從一個(gè)圖像使用不同的跡泛函來制造。
1.8 AAM
一個(gè)主動(dòng)外觀模型（AAM）是結(jié)合了形狀變化的模型的形狀歸一化的幀的外觀變化的模型的集成統(tǒng)計(jì)模型榜配。的AAM中包含的統(tǒng)計(jì)模型如果其可以推廣到幾乎任何有效的例子感興趣對(duì)象的形狀和灰度外觀否纬。匹配的圖像包括尋找其最小化圖像并投影到圖像合成模型實(shí)例之間的差異的模型參數(shù)。
1.9 3-d形變模型
人臉是臥在3-d空間內(nèi)在的表面蛋褥。因此临燃，3-d模式應(yīng)該是用于表示面更好，尤其是處理的面部變化烙心，例如姿態(tài)膜廊，照明等Blantz等。提出了一種基于一個(gè)3-d形變臉部模型編碼形狀和紋理中的模型參數(shù)而言淫茵，從一個(gè)面的單個(gè)圖像恢復(fù)這些參數(shù)的方法和算法爪瓜。
1.10 3-d人臉識(shí)別
這種方法的主要新穎之處在于，比較表面獨(dú)立于面部表情造成的自然變形的能力匙瘪。首先铆铆，范圍圖像和面部的紋理獲取。接著丹喻，距離圖像是通過去除某些部分薄货，例如頭發(fā)，它可以識(shí)別過程復(fù)雜化預(yù)處理驻啤。最后菲驴，面部表面的規(guī)范形式進(jìn)行計(jì)算。這樣的表示是不敏感的頭部方向和面部表情骑冗，從而顯著簡(jiǎn)化了識(shí)別過程赊瞬。識(shí)別本身是規(guī)范的表面上進(jìn)行先煎。
1.11 貝葉斯框架
一種概率相似性度量基于貝葉斯信念，即圖像強(qiáng)度差異是在個(gè)體的外觀的典型變化的特性巧涧。兩個(gè)類面部圖像的變化被定義：內(nèi)省變化和extrapersonal變化薯蝎。面之間的相似是利用貝葉斯法則措施。
1.12 SVM
給定一組屬于兩類點(diǎn)谤绳，支持向量機(jī)（SVM）發(fā)現(xiàn)占锯，分隔在同一側(cè)同一類的點(diǎn)的最大可能的分?jǐn)?shù)，同時(shí)最大限度地從任一類超平面的距離的超平面缩筛。PCA首先用于每對(duì)圖像的支持向量機(jī)通過被學(xué)習(xí)之間提取的面部圖像的特征消略，然后鑒別功能。
1.13 HMM
隱馬爾可夫模型（HMM）是一組用于表征信號(hào)的統(tǒng)計(jì)屬性的統(tǒng)計(jì)模型瞎抛。HMM由兩個(gè)相互關(guān)聯(lián)的過程：（1）底層艺演，不可觀測(cè)馬爾科夫鏈具有有限數(shù)量的狀態(tài)，狀態(tài)轉(zhuǎn)變概率矩陣和的初始狀態(tài)的概率分布和（2）一組與每個(gè)狀態(tài)相關(guān)聯(lián)的概率密度函數(shù)桐臊。
1.14 推進(jìn)＆合奏解決方案
推進(jìn)背后的想法是使用順序設(shè)定來概括一組同類型的分類給定的訓(xùn)練樣本的加權(quán)變?nèi)鯇W(xué)習(xí)胎撤。盡管任何個(gè)人分類器可以執(zhí)行比隨機(jī)猜測(cè)略好，形成的合奏可以提供非常精確的（強(qiáng)）分類器断凶。Viola和Jones使用的AdaBoost伤提，這被認(rèn)為是人臉檢測(cè)研究的一個(gè)顯著的突破，打造的第一個(gè)實(shí)時(shí)人臉檢測(cè)系統(tǒng)认烁。在另一方面肿男，郭等人的論文。使用的是AdaBoost的方法在臉上recogntion第一途徑砚著。
2 基于視頻
在過去的幾年中越來越多的研究已經(jīng)在人臉識(shí)別假残，從圖像序列的區(qū)域已經(jīng)完成迅皇。從真正的監(jiān)控錄像承認(rèn)人類是因?yàn)閳D像的低質(zhì)量，因?yàn)槿四槇D像都是小困難米丘。盡管如此赶撰，很多改進(jìn)已經(jīng)完成了舌镶。
申明：本文全部經(jīng)作者總結(jié)摘自face-rec
