PCA算法核心思想是通过寻找一组最优的单位正交子空间，而用来表征此单位正交子空间的单位正交向量则称之为PCA的主成分，让原样本空间的向量通过主成分的线性组合转换到此正交空间中来，使得新的样本和原样本之间满足PCA模型定义的优化标准，比如最小化重构误差、距离保持和最大化方差保留等，而最常用的优化标准是最小化重构误差。
PCA方法最大的优势就是可以将图像的特征进行降维，降维后进行识别，可以大大的加快人脸识别的速度。
PCA方法的缺点也很明显，它要求人脸图像都是正面人脸，不这样的话，PCA算法的人脸识别效果就会大不如人意，这也是该算法的最大不足之处。
（2）独立分量分析（ICA）
独立主元分析法（IndependentComponentAnalysis，ICA）主要应用于信号分离技术中，采用ICA方法可以得到信号中的二阶和高阶的统计信息，而对于人脸图像来讲，许多重要局部纹理信息包含在高阶统计信息中，所以ICA被尝试着用来描述人脸图像中的高阶局部纹理信息。
独立分量分析计算量比较大且计算复杂，因此该算法实时性不足；同时对于独立分量的选择，由于目前还没有一个较好的算法来对其进行选择，一般都是依据经验来选取，这也一定程度上限制了ICA算法在人脸识别领域的应用。
（3）线性鉴别分析方法（LDA）
基于线性鉴别分析的人脸识别方法的基本思想是寻找一个适当的Fisher函数，使得原样本空间在该Fisher函数的方向上的投影后的样本空间达到最优，即在投影后达到使得样本的类间离散度最大和类内离散度最小的目的。
LDA方法的目标是通过在高维特征空间中去寻找最优的低维特征，所选择最优的低维特征需满足样本类间离散度和样本类内离散度的比值达到最大。
LDA算法应用于人脸识别领域时，仍然存在图像列向量维数过高的问题，这使得很难甚至是无法求解LDA的特征方程。
2.3基于机器学习的人脸识别方法
基于机器学习的人脸识别算法中，用于分类和识别的人脸的特征是通过机器学习算法从预先建立好的人脸样本特征库中学习而来，当然这些训练学习得到的人脸特征的分布规律和特征的判别函数会随着所选择的学习算法的不同会有所不同。
下面将主要介绍基于人工神经网络的人脸识别学习算法和基于支持向量机的人脸识别学习算法。
（1）基于人工神经网络的人脸识别学习算法
人工神经网络（artificialneuralnetwork，ANN）的人脸识别方法首先将人脸灰度化处理得到人脸的灰度图，然后充分利用了神经网络在表现人脸图像中细微的形状信息方面的优势来描述人脸特征，同这样避免了一般人脸识别方法中需要采取复杂的特征提取工作。
ANN方法很少用在人脸特征提取方面，同时如果样本的类别过大还会出现过拟合和过学习等问题。
但是其在人脸图像中细微的形状信息方面的优势，使得ANN算法对于特征分类和识别方面有着自己得天独厚的优势。
（2）基于支持向量机的人脸识别学习算法
支持向量机（supportvectormachine，SVM）的人脸识别学习算法，是目前最热门的机器学习算法之一，基本的算法的思想是基于结构风险最小化原理寻找最优分类面，该分类面是能够将不同类的样本在样本空间分隔的超平面。
SVM是由线性可分的两类分类问题的最优分类面发展而来，对于多类的分类问题，也可以转化为多个二类问题，它的基本思想可以用下图2-1的二维情况所示。
图2-1最大间隔分类超平面
在二维线性空间中，线性判别函数的一般形式为：
，其中，最优
分类线的方程的规范化形式为：
。
上图2-1中黑空心圆和白空心圆分别代表着不同的两类样本，L是用来划分两类样本的直线，称其为分类线，L1和L2分别为过黑白两类样本的同时离分类线L最近且平行与L的直线，L1和L2两直线间的距离称之为两类样本的分类间隔。
而最大间隔分类线是，不但能正确分开不同类的样本，同时分类间隔达到最大值。
由直线间的数学定理可证得：
L1和L2之间的距离为：
，即分类间隔为
。
SVM具有非常好的分类效果，但是如果直接使用SVM进行人脸识别，会遇到很大的计算困难，首先遇到的问题便是在训练SVM的时候，需要去求解二次规划的问题，该二次规划的问题的求解计算复杂度极高，就目前而言对于二次规划的求解并没有什么很好的方法；其次是当训练样本个数较大时，会得到的大量的支持向量，使分类器计算量过高。
2.4基于局部模式的人脸识别方法
在比较理想的外界环境中，上述所提出的倾向于整体的人脸图像识别算法可以达到不错
的效果，但是真实的环境中，人脸图像需要受到环境的干扰，比如图像曝光问题、光照问题、
人脸表情多变问题以及遮挡问题等，这些都严重的影响着人脸识别算法的识别准确率和识别
效率。
而人脸局部特征信息如人脸局部的纹理特征、人脸局部灰度特征、人脸局部轮廓特征
等对光照、人脸表情变化以及遮挡具有着良好鲁棒性。
LBP特征是描述一个局部区域的纹理特征非常好的方法，本质上来讲，LBP也是一种统计特征，所以稳定行好，通用性强。
它能很好的描述一个局部区域的纹理特征，由于它采用的是统计的方式，所以，有一定的抗旋转能力，能承受一定的光照影响。
该特征提取方法，
有着良好的效果且它具有旋转不变性和灰度不变性等显著的优点，所以很适合用于人脸识别
领域。
基于LBP算法的人脸识别，可以非常好的对人脸的局部区域的纹理特征进行描述，但是对人脸的整体特征的描述力不足。
三、人脸识别算法设计方案
3.1算法总体设计
此算法的核心是采用LBP算法对人脸区域对纹理特征进行提取然后进行特征分类识别，不过因为人脸区域有显著特征和非显著特征之分，比如人眼、鼻子、嘴唇和眉毛这四大
区域所产生的特征占有着整个人脸图像中有利于人脸分类识别的特征的80%以上，但是这四大区域在人脸图像中所占有的面积却不到50%，而LBP算法本身并无法做到对不同特征区域采用不同的LBP算子进行编码。
算法首先对人脸区域进行分块，区分出重要特征区域和非重要特征区域然后采用不同模式的LBP算子进行特征提取的策略，最后对特征进行降维和分类识别。
主要步骤为：
第一步：
人脸区域划分，从人脸图像中划分出重要区域矩形包括人眼、鼻子、嘴唇和眉毛四大区域矩形，其他的区域归为非重要区域；
第二步：
分类LBP特征提取，对重要区域采用对纹理信息描述力更强的LBP算子进行纹理特征提取，而对非重要区域采用对纹理信息描述力一般的LBP算子进行纹理特征提取；
第三步：
PCA特征降维，对上一步中提取的LBP纹理特征进行降维；
第四步：
SVM分类识别，对降维后的特征进行纹理分类。
3.2算法实现
3.2.1人脸区域划分
主要是训练采用不同的正负样本库和Adaboost算法训练出人眼、鼻子、嘴唇和眉毛四个最优分类器，然后对输入的人脸图像就行检测，检测出对应的区域矩形，然后将这四类特征矩形的坐标输入到第二模块进行LBP特征提取。
3.2.2分类LBP特征提取
分类LBP特征提取模块除了根据上步中提供的人脸重要区域和非重要区域矩形分别采
用不同的LBP算子外，对于LBP特征提取本身ALPS算法拟采用基于uniform（统一）模式的LBP的空间增强直方图算法。
图像局部的纹理特征由局部像素灰度值之间的关系来表现，首先，计算图像中每个像素与其局部邻域点在灰度上的二值关系；其次，对二值关系按一定规则加权形成局部二值模式；最后，采用多区域直方图序列作为图像的特征。
这种局部纹理特征可由下面T算子进行描述：
将二进制
乘以相应的权值2p，然后累加求和就可以得到以点
为中心，R为半径邻域的纹理特征T描述：
接下来将求解该特征描述的直方图。
将人脸图像设为，将其分解成不同的若干
个区域，则该图像的直方图定义如下：
其中
表示从图像划分的区域
中属于第i个bin的个数，n为LBP的统计模式特征个数，D为图像划分的区域的个数。
图4-1人脸经统一模式LBP编码图
LBP直方图描述的整体统计纹理信息，可以用直方图去分别统计每个局部区域或重要特征区域的直方图信息，然后利用原先人脸图像的位置信息，拼接各个直方图信息，最后描述整幅人脸图像的纹理信息。
整个分块uniform模式的LBP的空间增强直方图算法的效果如图4-1所示。
人脸图像经uniform模式的LBP的空间增强直方图编码后人脸的眼镜、眉毛、鼻子、嘴巴等特征比较明显，而其他地方则大部分信息被滤除。
3.2.3PCA特征降维
假设此时共有n幅样本人脸图片参与特征提取工作，将图像的LBP模式直方图
看做一向量，并把所有
合并为一矩阵H，那么H就是D×n的矩阵。
现在就是要采用PCA算法对D×n的矩阵H进行降维，降维后的矩阵称之为
，使得
的矩阵规模远小于矩阵H的规模。
令
，其中称之为投影变换矩阵。
根据PCA降维理论，求解投影变换矩阵W需要以下步骤（样本从D维降到d维）：
步骤1：
计算散布矩阵S
步骤2：
计算散布矩阵S的本征值和本征向量
步骤3：
按本征值的大小，从大到小对其对应的本征向量进行排序。
步骤4：
选择其中最大的d个本征值对应的本征向量，并将其作为投影向量，构成D×d投影矩阵W。
经过上面的四个步骤LBP提取的特征矩阵H的D维向量，降维d维的特征矩阵为
，其中d<图
（1）原始人脸图
（2）经分块uniform模式LBP的空图（3）PCA特征
间增强直方图算法提取后的特征图像
图4-2基于PCA降维和分块LBP特征提取人脸效果图
实验结果如上图所示，图
（1）是原始人脸图像，图
（2）是采用分块uniform模式的LBP图像的空间增强直方图算法就行特征提取的人脸图像，图（3）是经过PCA降维的特征图像。
可以看出经过PCA降维的人脸的眼、鼻和嘴等重要部位特征依然被保留在图像中，而图像中的总体的信息量已明显减少，说明经PCA降维的特征提取取得了良好的效果。
3.2.4SVM分类识别模块
由PCA特征降维可知，人脸图像特征矩阵H的D维向量，降维d维的特征矩阵为
。
对于特征矩阵
的n类样本分类求解问题，可以把这n类分类划分为多个两类分类问题，每类分类问题可以构建一个最小支持向量机，那么对于n类分类问题需要构建N=n（n-1）/2个最小支持向量机。
在构造任意两类样本的最小支持向量机分类器时如p和q类，可以选取将属于第p类的训练样本数据标记记为+1，将属于第q类的训练样本数据标记为-1，这样就可以训练出这两类样本数据的最小支持向量机用于人脸分类。
当人脸待测样本经过N=n（n-1）/2个这样的两类最小支持向量机分类之后，便可确定其所属人脸样本库的最终类别，即达到人脸分类识别的目的。
四、实验结果及分析
为了从整体角度去考察上述人脸识别算法所实现的人脸识别的性能和准确率，依次完成人脸特征库的建立、特征训练和特征分类识别，输出识别结果和统计结果（通常包括每幅人脸图片识别的结果、识别用时等）。
本文还将是否采用PCA算法进行降维，进行了对比测试。
此处我们选用ORL人脸库提供的40×10幅图片，分别从这40个人的人脸库中选出6张作为训练人脸样本，剩下的4张作为待识别人脸样本，如下图4-1所示。
图4-1人脸样本图
采用如上方法对该算法进行测试，并对测试的结果进行统计，结果如下表4-2所示。
表4-2人脸识别系统的性能测试结果
从表4-2可以看到该智能人脸识别算法的平均识别速度大概在0.332s左右，识别率为
93.13%。
1）如果不采用PCA算法进行降维，由于此时人脸特征信息冗余度比较大，当然包含的人脸信息业较丰富，虽然人脸识别率可以较采用PCA算法进行降维的方法提高了1.5个百分点，但是每幅图片所用的识别时间提高了将近一倍；2）如果不采用Adaboost算法进行人脸重要特征区域的提取，而是直接采用
对人脸进行提取纹理信息之后再进行PCA降维，虽然每幅图片的评价检测速度有所提升，但是识别的准确率下降了7个百分点，因此本识别算法既拥有着良好的识别率同时识别速度也较快。
五、改进
人脸识别技术发展至今，已有几十年的历史，取得了很多卓越的成绩，已经成功运用于
多个领域和行业。
本文虽通过虽然通过对现有技术进行了研究，提出和实现了一种基于
adaboost人脸检测、LBP特征提取、PCA特征降维和SVM特征分类等人脸识别方案，并达到了一定的准确率、执行速度以及对人脸姿态的鲁棒性，但是经过长期的对人脸识别技术的研究，发现仍然可以从以下几个方面有所突破和改进：
（1）Adaboost人脸检测：
在训练分类器的时候，基本上都是采用现有的MIT或者CMU公布的人脸检测训练样本集，如果想要提高分类器的分类性能，可以从训练样本集上进行考虑；
（2）特征提取：
由于LBP算法更主要的是关注图像的局部纹理信息，虽然引入了LBP直方图，使其具有了一定的总体的特性，但是应该是有一定的缺陷的，后期可以尝试和图像的整体信息的特征提取技术相结合进行特征提取；
（3）数据降维：
本文主要采用的是PCA方法，然而PCA方法只能对线性数据进行降维，非线性数据是无法达到降维的目的，而我们知道一幅图像中既包含线性数据也包含非线性数据，所以可以考虑采用线性降维和非线性降维相结合的技术，比如PCA算法和拉普拉斯特征映射方法（LE算法）相结合进行数据降维，应该可以得到更加准确的人脸描述特征。
升级会员 