面部檢測哪種方法好用

⑴ 目前為止人臉識別准確率最高的是哪一種人臉識別技術

應該是3D結構光吧，畢竟現在比較高端的面部設備用的都是這種，能根據臉部細節特徵進行識別並建構模塊，精準度應該是商用最高的了。

⑵ 人臉識別有多少種類型

人臉識別的類型，可以根據採用的識別技術及演算法技術來進行分類：

1. 技術上可以分為2D的可見光平面演算法人臉識別及3D的結構光人臉識別。這2者的區別是，2D的可見光識別可採用照片即可完成人臉的注冊登記；3D的結構光人臉識別則需要在對應的識別設備前面進行3D人臉數據採集建模完成注冊登記。

2. 按是否能區分活體可分為普通人臉識別及活體人臉識別。這2者的區別是，普通人臉識別不具備活體判斷，照片及視頻均可能被拿來識別；而活體人臉識別則多了通過人臉識別演算法等對識別對象進行活體檢測判斷，可有效避免各種欺騙識別。

⑶ 想問一下有沒有比較方便的人臉識別演算法，求推薦

特徵臉方法

步驟一：獲取包含M張人臉圖像的集合S。在我們的例子里有25張人臉圖像（雖然是25個不同人的人臉的圖像，但是看著怎麼不像呢，難道我有臉盲症么），如下圖所示哦。每張圖像可以轉換成一個N維的向量（是的，沒錯，一個像素一個像素的排成一行就好了，至於是橫著還是豎著獲取原圖像的像素，隨你自己，只要前後統一就可以），然後把這M個向量放到一個集合S里，如下式所示。

其中Ω代表要判別的人臉，Ωk代表訓練集內的某個人臉，兩者都是通過特徵臉的權重來表示的。式子是對兩者求歐式距離，當距離小於閾值時說明要判別的臉和訓練集內的第k個臉是同一個人的。當遍歷所有訓練集都大於閾值時，根據距離值的大小又可分為是新的人臉或者不是人臉的兩種情況。根據訓練集的不同，閾值設定並不是固定的。

後續會有對PCA理論的補充^_^.已補充理論：特徵臉(Eigenface)理論基礎-PCA(主成分分析法)

⑷ 人臉識別方法

【什麼是人臉識別】

是人工智慧范疇里，生物識別中的一個類別，人體的生物特徵具有唯一性和不易被復制的良好特性，人臉與人體的其它生物特徵（指紋、虹膜等）一樣與生俱來，為身份鑒別提供了必要的前提。

【與其它類型的生物識別比較人臉識別具有的特點】

人臉是人們熟悉的識別方式，傳統的人臉識別技術主要是基於可見光圖像的人臉識別，已有30多年的研發歷史。但在環境光照發生變化時，這種方式有著難以克服的缺陷，無法滿足實際系統的需要，識別效果會急劇下降。

現代的人臉識別技術主要靠三維圖像人臉識別，和熱成像人臉識別這兩種方案解決光照問題，但這兩種技術還遠不成熟，識別效果不盡人意。

人臉識別技術

第三：非強制性

幾乎可以在無意識的狀態下就可獲取人臉圖像，用戶不需要專門配合人臉採集設備，幾乎可以在無意識的狀態下就可獲取人臉圖像。

第四：操作簡單

操作簡單、結果直觀、符合視覺「以貌識人」的特性。並且隱蔽性極好。

【人臉識別技術缺點】

第一：在用戶不配合、採集條件不理想的情況下，現有系統的識別率將陡然下降。

第二：用戶剃了鬍子、換了發型、多了眼鏡、變了表情會與系統中存儲的人臉有出入，可能引起比對失敗。

希望本篇回答可以幫助到你~

望採納~

⑸ 人臉識別最准確的方式有哪些

人臉識別的方法很多，以下介紹一些主要的人臉識別方法。

(1)幾何特徵的人臉識別方法

(2)基於特徵臉(PCA)的人臉識別方法

(3)神經網路的人臉識別方法

(4)彈性圖匹配的人臉識別方法

(5)線段Hausdorff 距離(LHD) 的人臉識別方法

(6)支持向量機(SVM) 的人臉識別方法

⑹ 人臉識別技術小知識有哪些

人臉識別技術是指利用分析比較的計算機技術識別人臉。人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。

人臉識別技術屬於生物特徵識別技術，是對生物體（一般特指人）本身的生物特徵來區分生物體個體。

(1)人臉檢測

面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法：

①參考模板法

首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；

②人臉規則法

由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉；

③樣品學習法

這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；

④膚色模型法

這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。

⑤特徵子臉法

這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子空間的投影之間的距離判斷是否存在面像。

值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。

(2)人臉跟蹤

面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。

(3)人臉比對

面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。主要採用特徵向量與面紋模板兩種描述方法：

①特徵向量法

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。

②面紋模板法

該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。

人臉識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。

識別過程

一般分三步：

(1)首先建立人臉的面像檔案。即用攝像機採集單位人員的人臉的面像文件或取他們的照片形成面像文件，並將這些面像文件生成面紋(Faceprint)編碼貯存起來。

(2)獲取當前的人體面像。即用攝像機捕捉的當前出入人員的面像，或取照片輸入，並將當前的面像文件生成面紋編碼。

(3)用當前的面紋編碼與檔案庫存的比對。即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的「面紋編碼」方式是根據人臉臉部的本質特徵和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辨認出某個人。人臉的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

技術流程

人臉識別系統主要包括四個組成部分，分別為：人臉圖像採集及檢測、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。

人臉圖像採集及檢測

人臉圖像採集：不同的人臉圖像都能通過攝像鏡頭採集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的採集。當用戶在採集設備的拍攝范圍內時，採集設備會自動搜索並拍攝用戶的人臉圖像。

人臉檢測：人臉檢測在實際中主要用於人臉識別的預處理，即在圖像中准確標定出人臉的位置和大小。人臉圖像中包含的模式特徵十分豐富，如直方圖特徵、顏色特徵、模板特徵、結構特徵及Haar特徵等。人臉檢測就是把這其中有用的信息挑出來，並利用這些特徵實現人臉檢測。

主流的人臉檢測方法基於以上特徵採用Adaboost學習演算法，Adaboost演算法是一種用來分類的方法，它把一些比較弱的分類方法合在一起，組合出新的很強的分類方法。

人臉檢測過程中使用Adaboost演算法挑選出一些最能代表人臉的矩形特徵(弱分類器)，按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

人臉圖像預處理

人臉圖像預處理：對於人臉的圖像預處理是基於人臉檢測結果，對圖像進行處理並最終服務於特徵提取的過程。系統獲取的原始圖像由於受到各種條件的限制和隨機 干擾，往往不能直接使用，必須在圖像處理的早期階段對它進行灰度校正、雜訊過濾等圖像預處理。對於人臉圖像而言，其預處理過程主要包括人臉圖像的光線補 償、灰度變換、直方圖均衡化、歸一化、幾何校正、濾波以及銳化等。

人臉圖像特徵提取

人臉圖像特徵提取：人臉識別系統可使用的特徵通常分為視覺特徵、像素統計特徵、人臉圖像變換系數特徵、人臉圖像代數 特徵等。人臉特徵提取就是針對人臉的某些特徵進行的。人臉特徵提取，也稱人臉表徵，它是對人臉進行特徵建模的過程。人臉特徵提取的方法歸納起來分為兩大 類：一種是基於知識的表徵方法；另外一種是基於代數特徵或統計學習的表徵方法。

基於知識的表徵方法主要是根據人臉器官的形狀描述以及他們之間的距離特性來獲得有助於人臉分類的特徵數據，其特徵分 量通常包括特徵點間的歐氏距離、曲率和角度等。人臉由眼睛、鼻子、嘴、下巴等局部構成，對這些局部和它們之間結構關系的幾何描述，可作為識別人臉的重要特 征，這些特徵被稱為幾何特徵。基於知識的人臉表徵主要包括基於幾何特徵的方法和模板匹配法。

人臉圖像匹配與識別

人臉圖像匹配與識別：提取的人臉圖像的特徵數據與資料庫中存儲的特徵模板進行搜索匹配，通過設定一個閾值，當相似度超過這一閾值，則把匹配得到的結果輸 出。人臉識別就是將待識別的人臉特徵與已得到的人臉特徵模板進行比較，根據相似程度對人臉的身份信息進行判斷。這一過程又分為兩類：一類是確認，是一對一 進行圖像比較的過程，另一類是辨認，是一對多進行圖像匹配對比的過程。

衡量人臉識別的演算法能力：拒識率、誤識率、通過率，准確率。

⑺ 人臉識別有什麼優化演算法還請各位大神賜教，簡單一點的。謝謝

人臉識別技術概述
廣義的人臉識別主要分為人臉檢測(face detection)、特徵提取(feature extraction)和人臉識別(face recognition)三個過程，如圖1所示。
人臉,人臉識別,人臉識別技術
圖1 典型的人臉識別過程
其中，第三步提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特徵與資料庫中人臉的特徵進行對比，根據相似度判別分類。而人臉識別又可以分為兩個大類：一類是確認(verification)，這是人臉圖像與資料庫中已存的該人圖像比對的過程，回答你是不是你的問題;另一類是辨認(identification)，這是人臉圖像與資料庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。在辨認過程中，海量數據的處理、特徵提取和分類演算法的選擇變得非常重要。識別率和識別速度是人臉識別技術中主要的衡量演算法性能的指標。本文後面提到的人臉識別，主要指的是人臉辨認。
人臉識別技術原理
人臉識別演算法發展到今天，大致上可以分為兩類：基於特徵的人臉識別演算法和基於外觀的人臉識別演算法。其中，多數基於特徵的人臉識別演算法屬於早期的人臉識別演算法，現在已經不再使用。不過近些年出現了一些新的基於特徵的演算法，並取得不錯的效果。而基於外觀的人臉識別演算法是由於實現簡單，受到廣泛關注。接下來將分別介紹兩類人臉識別演算法。
基於特徵的人臉識別演算法：早期的人臉識別演算法主要是基於特徵模板和幾何約束來實現的。這一類演算法首先對輸入圖像進行處理，提取出如眼睛、鼻子和嘴等面部特徵和外觀輪廓。然後計算這些面部特徵之間的幾何關系，如距離、面積和角度等。這樣將輸入圖像轉換為幾何特徵向量後，使用標準的統計模式識別技術進行匹配分類。由於演算法利用了一些直觀的特徵，計算量小。不過，由於其所需的特徵點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特徵變化較大。所以說，這類演算法只適合於人臉圖像的粗略識別，無法在實際中應用。
人臉,人臉識別,人臉識別技術
圖2 一些典型的面部幾何特徵示意圖
以上這些方法都是通過一些特徵模板和幾何約束來檢測特定的面部特徵，並計算特徵之間的關系。還有一些方法使用了圖像的局部表示來提取特徵。其中最受關注的方法是局部二值模式(LBP)演算法。LBP方法首先將圖像分成若干區域，在每個區域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP運算元。LBP運算元的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然後將所有的直方圖連起來組成一個大的直方圖並進行直方圖匹配計算進行分類。
人臉,人臉識別,人臉識別技術
圖3 LBP運算元
基於特徵的人臉識別演算法主要的優勢在於對姿態、尺度和光照等變化魯棒。由於多數特徵是基於手動選擇和先驗知識，受圖像本身的成像質量影響較少。另外，提取出的面部特徵往往維數較低，匹配速度快。這些方法的缺點是自動特徵提取的難度較大。如果特徵集的鑒別能力弱，再多的後續處理也無法補償本身的不足。
基於外觀的人臉識別演算法：基於外觀的人臉識別演算法也稱為整體方法。它們使用圖像的全局信息來辨識人臉。最簡單的整體方法是用二維數組來存放圖像的灰度值，然後直接對輸入圖像和資料庫中的所有圖像進行相關性比較。這種方法的缺點非常多，如易受環境影響、計算耗時等。其中一個重要的問題是這樣的分類是在一個非常高維的空間中進行的。為了克服維數問題，一些演算法使用統計降維方法來獲取和保留更有用的信息，最典型的演算法就是主成分分析(PCA)演算法和線性鑒別分析(LDA)演算法。
PCA演算法指出任何特定的人臉可以由一個低維的特徵子空間表示，並可以用這個特徵子空間近似地重建。將輸入人臉圖像投影到特徵子空間上得到的特徵與已知的資料庫進行比對來確定身份。PCA演算法選取的特徵最大化了人臉樣本間的差異，但也保留了一些由於光照和面部表情產生的不必要的變化。而同一個人由於光照產生的變化可能會大於不同人之間的變化，如圖4所示。LDA演算法在最大化不同個體之間的樣本差異的同時，最小化同一個體內部的樣本差異。這樣達到了人臉特徵子空間的劃分。圖5是PCA和LDA演算法的示例。其中，PCA的特徵臉是由組成PCA特徵子空間的特徵向量按二維圖像來排列得到的類似人臉的圖像。LDA的Fisher臉也是同樣道理。經過特徵臉和Fisher臉重構得到的人臉圖像在第四行。可以看到，PCA重構臉與輸入人臉差異較小，但LDA的Fisher臉很難辨認，但突出了該個體的顯著特徵。PCA和LDA方法都假設存在一個最優的投影子空間。這個子空間的每個區域對應唯一的一個人。然而，事實上在人臉空間中許多人經常會映射到相同的區域中，因此這種假設並不成立。

來源：海鑫科金
http://www.hisign.com.cn/news/instry/2699.html

⑻ 幾種常見的皮膚分析的檢測方法

常用的皮膚測試方法有：肉眼觀察法、紙巾擦拭法、美容放大鏡觀察法、美容透視燈觀察法、電腦皮膚測試法。

肉眼觀察法
用洗面奶徹底清潔面部後，用毛巾將水擦乾，皮膚會出現緊綳感。

不用任何護膚品，靜靜觀察皮膚情況，計算膚緊綳感消失的時間。若緊綳感在洗臉後 30 分鍾左右消失，為中性皮膚；若緊綳感在洗臉後 20 分鍾之內消失，為油性皮膚；若緊綳感在洗臉後 40 分鍾左右才消失，為乾性皮膚。

紙巾擦拭法
晚上將臉洗凈後，不塗任何護膚品，第二天起床後用干凈的面巾紙分別輕按額部、面頰、鼻翼、下頜等處，觀察紙巾上油污的多少。

紙巾上油污面積不大，呈微透明狀，為中性皮膚；紙巾上見大片油跡，呈透明狀，為油性皮膚；紙巾上基本不沾油跡，為乾性皮膚。

美容放大鏡觀察法
洗凈面部，待皮膚緊綳感消失後，用放大鏡仔細觀察皮膚紋理及毛孔狀況。操作時用棉片將顧客雙眼遮蓋，防止放大鏡折光損傷眼睛。皮膚紋理不粗不細，為中性皮膚；皮膚紋理較粗，毛孔較大，為油性皮膚；皮膚紋理細致，毛孔細小不明顯，常見細小皮屑，為乾性皮膚。

美容透視燈觀察法
美容透視燈內裝有紫外線燈管，紫外線對皮膚有較強的穿透力，可以幫助美容師了解皮膚表面和深層的組織情況。使用透視燈之前，應先清洗面部，並用濕棉塊遮住雙眼，以防紫外線刺傷眼睛。待皮膚緊綳感消失後再進行測試。不同類型的皮膚在透視燈下呈現不同的顏色：中性皮膚，大部分為淡灰色，小面積橙黃色熒光塊；油性皮膚可見大片橙黃色熒光塊；乾性皮膚有少許或沒有橙黃色熒光塊、白色小塊，大部分呈淡紫藍色熒光塊。

電腦皮膚測試法
電腦通過皮膚探測器，收集面部皮膚各方面的材料，進行綜合分析判斷，得出准確結論。此方法簡便、准確，被廣泛應用。

⑼ 人臉識別和指紋識別哪個更好

人臉識別更安全。
1、人臉識別技術是基於人的臉部特徵，對輸入的人臉圖象或者視頻流進行識別處理。
2、識別過程首先是判斷其是否存在人臉，識別到有人臉後，掃描每張臉的位置、大小和各個主
要面部器官的位置信息，然後依據這些信息，進一步提取每個人臉中所蘊涵的身份特徵，並將
其與已知的人臉進行對比，從而識別每個人臉的身份。
3、與指紋識別是相比，其主要優點是人臉識別鎖可主動獲取用戶信息，無須用戶接觸。人臉識別技術已經應用在多個領域，而人臉識別智能鎖早在2013年前後就已出現，大有與指紋鎖一爭高下之意。
人臉識別技術是基於人的臉部特徵，對輸入的人臉圖象或者視頻流進行識別處理。識別過程首先是判斷其是否存在人臉，識別到有人臉後，掃描每張臉的位置、大小和各個主要面部器官的位置信息，然後依據這些信息，進一步提取每個人臉中所蘊涵的身份特徵，並將其與已知的人臉進行對比，從而識別每個人臉的身份。與指紋識別是相比，其主要優點是人臉識別鎖可主動獲取用戶信息，無須用戶接觸。

雖然人臉識別技術已經應用在安防等多個領域，但大部分普通消費者對其印象仍停留在影視畫面中。指紋識別技術已經發展20多 年，人們對指紋識別技術已經信任和認可，且進來隨著手機領域採用指紋解鎖功能，人們對甚至對指紋識別技術產品表現出更多的興趣。而對於陌生的人臉識別技 術，人們只得其表，這項技術也未曾向大眾展示出更多的魅力，所以人們對人臉識別鎖的態度更多是好奇、質疑和觀望。而事實上，人臉識別也存在不少隱患。
在技術角度，人臉狀態不穩定，容易受到外界影響的因素多。人臉識別的主體是人臉，而人臉不如指紋是一層不變的，睫毛、眼鏡、口罩、發型以及外部光線都容 易影響人臉特徵，從而影響人臉的識別。如在使用人臉識別鎖過程中，人們進門還需先摘下口罩、圍脖、帽子、眼鏡然後打理一下發型，智能鎖的便利性就顯得滑稽 了。

人臉識別鎖的功耗應該是消費者的擔心的問題之一，普通的指紋鎖自帶4節干電池，電量消耗基本僅用於指紋識別，所以更換一次電池用一年左右是正常；而人臉識別鎖在獲取人臉時的耗能遠比指紋鎖獲取指紋的功耗大，同時在陰暗的場合還需要啟用燈光補光，或需常換電池和充電，不經意的電量不足導致無法開門影響生活。
如不能解決上述兩個方面的問題，人臉識別鎖不可能獲取消費者的信任，除了「人臉識別」這一方式能讓人們暫時感覺到新潮，其實用性、便利性、穩定性和安全性遠遜於指紋鎖。買指紋鎖建議選擇普羅巴克品牌，可以到河南冠豪智能體檢館去看看。

⑽ 在人臉識別軟體系統識別的過程中，對於人臉檢測，現在主流的方法都基本有啥可以的話詳細介紹一下吧。

基於知識的方法

基於知識的方法（Knowledge-Based Methods）一是基於規則的人臉檢測方法。規則來源於研究者關於人臉的先驗知識。一般比較容易提出簡單的規則來描述人臉特徵和它們的相互關系。

Yang和Huang使用分層的基於知識的人臉檢測方法[11]。他們的系統由3級規則組成。在最高級，通過掃描輸入圖像的窗口和應用每個位置的規則集找到所有可能的人臉候選區。較高級的規則通常描述人臉看起來象什麼，而較低級的規則依賴於面部特徵的細節。多解析度的分層圖像通過平均和二次采樣生成，如圖2所示。

編碼規則通常在較低的解析度下確定人臉的候選區，包括人臉的中心部分圖中較淺的陰影部分，其中有個基本上相同的灰度單元。

基於特徵的方法

基於特徵的方法（Feature-Based Methods）不僅可以從已有的面部特徵而且可以從它們的幾何關系進行人臉檢測。和基於知識的方法相反，它是尋找人臉的不變特徵用於人臉檢測。人們已經提出了許多先檢測人臉面部特徵，後推斷人臉是否存在的方法。面部特徵如眉毛、眼睛、鼻子、嘴和發際等，一般利用邊緣檢測器提取。根據提取的特徵，建立統計模型描述特徵之間的關系並確定存在的人臉。基於特徵的演算法存在的問題是，由於光照、雜訊和遮擋等使圖像特徵被嚴重地破壞，人臉的特徵邊界被弱化，陰影可能引起很強的邊緣，而這些邊緣可能使得演算法難以使用。

模板匹配的方法

Sakai等人用眼睛、鼻子、嘴和人臉輪廓等子模板建模，檢測照片中的正面人臉。每一個子模板按照線分割定義。基於最大梯度變化提取輸入圖像的線，然後與子模板匹配。計運算元圖像和輪廓模板之間的相互關系檢測人臉的候選區域，完成用其他子模板在候選區域的匹配。

Craw等人提出了一種基於正面人臉的形狀模板即人臉的外形定位方法。用Sobel運算元提取邊緣，將邊緣組織在一起，根據幾個約束條件去搜索人臉模板。在頭輪廓定位。

Govindaraju等人提出兩個階段的人臉檢測方法。人臉模型根據邊緣定義的特徵構成。這些特徵描述了正面人臉的左邊、發際和右邊的曲線。人臉必須是垂直、無遮擋和正面的。

基於外觀的方法

基於外觀的方法首先通過學習，在大量訓練樣本集的基礎上建立一個能對人臉和非人臉樣本進行正確識別的分類器，然後對被檢測圖像進行全局掃描，用分類器檢測掃描到的圖像窗口中是否包含人臉，若有則給出人臉所在的位置。

Moghaddam和Pentland提出在高維空間利用特徵空間分解密度估計的概率視覺學習方法[12]。用主成分(PCA)分析來定義子空間從而最好地表示人臉模式集。主成分保存數據中主分量而丟棄了那些次分量。這種方法把向量空間分解為互相排斥和互為補充的2個子空間主子空間或特徵空間和它的正交子空間。因此對象密度被分解為個2成分在主子空間由主分量張成的密度，和它的垂直成分(在標準的PCA中被丟棄的次分量)如圖3所示。用多變數Gaussians和混合Gaussians密度分布進行學習人臉局部特徵的統計。然後將這些概率密度用於基於最大

似然估計的對象檢測。這種方法已經被用於人臉定位、編碼和識別。和傳統的特徵臉方法相比，此方法在人臉識別方面表現出更好的性能。

可以的話去Ph一下colorreco，技術過硬，值得我們大家學習。