Question

我很想知道，面部识别是如何正常工作的？因为每个人都有不同的面孔，你无法发现一些“普通”的面孔或其他东西。

Answer 1

张军等人。（1997）研究了适用于计算机视觉的三种不同的人脸识别方法，每种方法本身都是一个值得注意的统计分析领域：

1）特征脸算法
2）弹性匹配
3）自动关联和分类网

特征脸方法使用某种形式的降维方法（如PCA）对人脸图像之间的统计变化进行编码，其中特征空间中产生的特征差异不一定对应于孤立的面部特征，如眼睛，耳朵和鼻子（换句话说，特征向量的必不可少的成分不是预先确定的）。

弹性匹配生成对应于面部特定轮廓点的节点图（即线框模型），例如眼睛，下巴，鼻尖等，并且识别基于图像图与已知图像的比较数据库。由于图像图形可以在匹配过程中旋转，因此该系统对于图像中的大变化趋向于更加稳健。

分类网络识别利用与弹性匹配相同的几何特征，但从根本上说是一种监督机器学习技术（通常涉及使用支持向量机）。

虽然当照明或面部对齐的变化很大时，特征脸检测可能会落后于其他方法，但它具有易于实现，计算效率高，并且能够以无人监督的方式识别面部的优点，因此往往是一个de事实标准。许多最先进的检测技术在识别之前也依赖于某种形式的降维，即使特征向量提取的处理方式不同。

Answer 2

在这里你可以找到答案：Face recognition

每张脸都有许多可区分的地标，不同的山峰和山谷构成了面部特征。 FaceIt将这些地标定义为节点。每个人脸都有大约80个节点。其中一些由软件测量：

* Distance between the eyes
* Width of the nose
* Depth of the eye sockets
* The shape of the cheekbones
* The length of the jaw line

测量这些节点是否会创建一个数字代码，称为面部代码，代表数据库中的面部。

Answer 3

一个好的开始方式是阅读主成分分析（PCA也称为特征脸），Fisher线性判别分析（LDA）和支持向量机（SVM）。这些分类方法对于面部分类非常有用。

OpenCV已经包含了PCA和SVM的出色实现。在C ++中，OpenCV的面部识别和分类代码的优秀资源是this website。

一个网站提供资源和相关论文链接，用于最相关的面部分类方法this one。

PCA Eigenfaces和LDA的一个很好的解释示例，其中包含Matlab中的示例代码，这对我的第一个面部分类程序is here非常有用。

Answer 4

这是一门需要大量学习的复杂课程。我建议你先看一下OpenCV - http://opencv.willowgarage.com/wiki/ - 一个带有教程等的计算机视觉库。部分原因不是“普通面孔”，而是关于选择功能，然后运行一个指标 - 如这些特征的相隔多远或相对方向。