人脸识别算法有哪些分类

　　人脸识别算法有哪些分类
　　导语：人脸识别算法有哪些分类？小编你已经将相关的内容教程分享给大家了，希望文章大家能够喜欢！
　　用三维的方法：
　　三维人脸识别方法有：
　　1。基于图像特征的方法：
　　采取了从3D结构中分离出姿态的算法。首先匹配人脸整体的尺寸轮廓和三维空间方向；然后，在保持姿态固定的情况下，去作脸部不同特征点（这些特征点是人工的鉴别出来）的局部匹配。
　　2。基于模型可变参数的方法：
　　使用将通用人脸模型的3D变形和基于距离映射的矩阵迭代最小相结合，去恢复头部姿态和3D人脸。随着模型形变的关联关系的改变不断更新姿态参数，重复此过程直到最小化尺度达到要求。基于模型可变参数的方法与基于图像特征的方法的最大区别在于：后者在人脸姿态每变化一次后，需要重新搜索特征点的坐标，而前者只需调整3D变形模型的参数。
　　用二维的方法：
　　人脸识别算法主要有：
　　1。基于模板匹配的方法：
　　模板分为二维模板和三维模板，核心思想：利用人的脸部特征规律建立一个立体可调的模型框架，在定位出人的脸部位置后用模型框架定位和调整人的脸部特征部位，解决人脸识别过程中的观察角度、遮挡和表情变化等因素影响。
　　2。基于奇异值特征方法：
　　人脸图像矩阵的奇异值特征反映了图像的本质属性，可以利用它来进行分类识别。
　　3。子空间分析法：
　　因其具有描述性强、计算代价小、易实现及可分性好等特点，被广泛地应用于人脸特征提取，成为了当前人脸识别的主流方法之一。
　　4。局部保持投影（LocalityPreservingProjections，LPP）是一种新的子空间分析方法：
　　它是非线性方法LaplacianEigenmap的线性近似，既解决了PCA等传统线性方法难以保持原始数据非线性流形的缺点，又解决了非线性方法难以获得新样本点低维投影的缺点。
　　5。主成分分析（PCA）PCA模式识别领域一种重要的方法：
　　已被广泛地应用于人脸识别算法中，基于PCA人脸识别系统在应用中面临着一个重要障碍：增量学习问题。增量PCA算法由新增样本重构最为重要PCS，但该方法随着样本的增加，需要不断舍弃一些不重要PC，以维持子空间维数不变，因而该方法精度稍差。
　　6。其他方法：
　　弹性匹配方法、特征脸法（基于KL变换）、人工神经网络法、支持向量机法、基于积分图像特征法（adaboost学习）、基于概率模型法。