人脸识别技术的几个主要研究方向
人脸识别技术的几个主要研究方向
1 引言
计算机人脸识别是指基于已知的人脸样本库,利用计算机分析图像和模式识别技术从静态或动态场景中,识别或验证一个或多个人脸。通常识别处理后可得到的基本信息包括人脸的位置、尺度和姿态信息。利用特征提取技术还可进一步抽取出更多的生物特征(如:种族、性别、年龄..) 。计算机人脸识别是目前一个非常活跃的研究课题，它可以广泛应用于保安系统、罪犯识别以及身份证明等重要场合。虽然人类对于人脸的识别能力很强，能够记住并辨识上千个不同的人脸，可是对于计算机则困难多了，其表现在：人脸表情丰富；人脸随年龄的增长而变化；发型、胡须、眼镜等装饰对人脸造成的影响；人脸所成图像受光照、成像角度以及成像距离等影响。
计算机人脸识别技术是近20年发展起来的，90年代更成为科研热点，仅从1990 年到1999年之间,EI 可检索到的相关文献多达数千篇，关于人脸识别的综述也屡屡可见[1] 。自动人脸识别系统包括两个主要技术环节首先是人脸检测和定位，然后是对人脸进行特征提取和识别（匹配）。本文着重介绍人脸识别技术的各类方法，通过对比指出各类方法的优缺点及今后的发展方向。
2 人脸检测和定位
人脸检测和定位即对于给定的一幅图像检测图像中是否有人脸,若有则确定其在图像中的位置,并从背景中分割出来。这是个极富挑战性的问题，因为人脸是非刚体，且人脸在图像中的大小和方向以及人的肤色和纹理等方面有很大的可变形。人脸检测问题主要有四种：（1）对于给定的一幅人脸图像，将其中的人脸定位并给出其位置；（2）在一幅混乱的单色场景图中检测出所有的人脸；（3）在彩色图像中检测（定位）所有人脸；（4）在某一视频序列中，检测和定位出所有人脸。文献[2]对人脸检测进行了较为详细的综述，指出常用的人脸检测方法有四种：（1）基于知识的方法；（2）基于人脸固定特征的方法；（3）基于模板匹配的方法；（4）基于外貌的方法（Appearance-based methods），在基于模板匹配的方法中所采用的是预先确定的模板，而在基于外貌的方法中其模板的选择是通过对一系列图像的学习而确定的。一般来说，基于外貌的方法依靠统计和学习技术来找出人脸和非人脸图像的相关特征。在该方法中有特征脸法、基于聚类的方法、神经网络方法和支持向量机的方法。CMU库是常用的人脸检测库，主要的算法评定指标为错误接受率（FAR）和错误拒绝率（ARR）。
3 人脸特征提取和识别
目前大部分研究主要是针对二维正面人脸图像，也有基于三维人脸模型的方法，还有一种所谓的混合系统的身份鉴定系统。
3.1 二维正面人脸识别
在对人脸图像进行特征提取和分类之前一般需要做几何归一化和灰度归一化。几何归一化是指根据人脸定位结果将图像中人脸变换到同一位置和同样大
小，灰度归一化是指对图像进行光照补偿等处理，光照补偿能够一定程度地克服光照变化的影响而提高识别率。下面将介绍几种常见的人脸识别方法：
3.1.1 基于特征脸方法
人脸识别是一个高维的模式识别问题，1987年Sirovich 和Kirby为减少人脸图像的表示采用了PCA方法（主分量分析方法），1991年Matthew Turk 和Alex Pentland最早将PCA应用于人脸识别[3]，将原始图像投影到特征空间中，得到一系列降维图像，取其主元表示人脸，由于主元具有脸的形状故称为“特征脸”。
特征脸方法是目前较为成功的正面人脸识别方法，但是只考虑了人脸的整体特征且对光照的变化敏感，所以有学者提出了FLD方法，即Fisher脸。通过在Harvard和Yale人脸库上做的测试表明Fisherfaces比Eigenfaces有更低的错误率且对于光照和表情变化有更好的鲁棒性。实验中部分特征脸见图1。
图1 部分特征脸
如前所述，特征脸方法忽略了人脸的局部特征（如：眉毛、眼睛、鼻子、口等）在识别中的作用，因此有学者在特征提取时采用基于多特征（eigenfaces，eigenUpper，eigenTzone，edge distribution）的方法，取得了较好的效果。另外，对人脸图像预处理后，进行特征脸分析也会明显降低错误率。
3.1.2 基于神经网络的方法
神经网络是受动物神经系统启发,利用大量简单处理单元互联而构成的复杂系统,以解决复杂模式识别与行为控制问题。神经网络方法已被应用于人脸检测和正面人脸识别并取得了较好的效果。神经网络方法主要有BP网络、自组织网络、卷积网络、径向基函数网络和模糊神经网络等。BP网络采用反向传播学习算法，由于其运算量相对较小，消耗时间短，而被广泛采用。
由于采用单一神经网络很难解决人脸图像的偏转问题，文献[4]则采用一种新的神经网络集成的方法解决多视角人脸识别问题。目前，神经网络集成的方法主要有投票、简单平均和平均加权。其优点在于不需要预先进行人脸偏转角度的估计，且在给出识别结果的同时而给出角度估计信息（允许采集的人脸左右偏转+30?~ +30?）。
神经网络方法虽然取得了一定的成功，但是其运算量大、训练时间长、收敛速度以及容易陷入局部最小等方面的问题成为制约其在人脸识别中更加广泛应用的主要因素。
3.1.3 基于支持向量机的方法
支持向量机是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(Generalization Ability)。具有以下几个优点：
（1）它专门针对小样本情况，其目标是得到现有信息的最优解而不是当样本数目趋于无穷时的最优解；
（2）算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局
最优点，解决了在神经网络方法中无法避免的局部极值问题；
（3）算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space)，在高维空间中构造线性判别函数来实现原空间中的非线性判
别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决
了维数问题，其算法复杂度与样本维数无关；
概括说，支持向量机就是首先通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求广义最优分类面。SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，示意图见图2。
在SVM 方法中，只要定义不同的内积函数，就可以实现多项式逼近、贝叶斯分类器、径向基函数(Radial Basic Function 或RBF)方法、多层感知器网络等许多现有学习算法。
图2 支持向量机示意图
利用SVM方法解决模式识别问题基本原理以及常用的内积函数等文献[5]已有详述，笔者将不再细说。SVM是求取两类问题的最优分类面的方法，而人脸识别问题是个复杂的多类问题，目前常用的解决多类问题的方法主要有两种，即一对多方法和一对一方法。对于C类问题，第一种方法只需要训练C个SVM，而后者需要训练C（C－1）/2个SVM，；有学者认为前者将导致不明分类问题而采用后者，提出了一种自底向上的二叉树方法；也有学者采用第二种方法给出了一种基于支持向量机组的淘汰法；还有人给出了一种基于决策树的方法来解决多类SVM问题。
3.2 其它人脸识别方法
正面人脸识别中还有其他一些方法，如：模板匹配、隐马尔科夫模型等。人脸识别本质上为三维塑性物体的识别，因此也很多研究人员从事于三维模型的研究。由于目前生物认证技术的迅速发展以及社会对安全问题的要求，也有部分学者致力于混合系统的研究。目前混合系统有人脸和虹膜、人脸和手势、人脸和掌纹等。
4 结束语
人脸识别是一个跨学科富挑战性的前沿课题，其难点在于人脸都是有各种变
化的相似三维刚体，而目前的研究多侧重于二维正面人脸识别，从二维重建三维物体本身就是一个病态过程，并且从上述算法可以看出即使在正面识别中有些问题仍然是难点，如人脸表情、姿势、光照等的变化；实用化领域难度更大。但是其非接触式获取样本等优点和目前社会安全（如网上缉逃）的要求使得人脸识别问题非常值得研究。
人脸识别技术概述
计算机光盘软件与应用 2012年第5期 Computer CD Software and Applications 工程技术 — 49 — 人脸识别技术概述 杨万振 （东北大学，沈阳 110819） 摘要：作为多学科领域的具有挑战性的难题，人脸识别技术覆盖了模式识别、神经网络、生理学、计算机视觉、 心理学、数字图像处理、数学等诸多学科的内容。 关键词：人脸识别；算法 中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599(2012)05-0049-01 一、引言 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。国内外的人脸识别的方法多种多样，并且不断有新的研究成果出现。但是，由于人脸识别问题巨大的复杂性，要建立一个能够完全自动完成人脸识别任务的计算机系统难度是相当大的，这不仅涉及到数字图像处理，而且还涉及到计算机视觉，人工智能和计算机网络及通讯等的多个学科领域的广泛知识。目前生物识别技术已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域等[1,2]。随着技术的进一步成熟和社会认同度的提高，人脸识别技术将应用在更多的领域：1.公安、司法和刑侦。2.自助服务。3、.企业、住宅安全和管理。4.电子护照及身份证。5.信息安全。综上所述，人脸识别技术对于打击各类犯罪活动、维护国家安全和社会稳定等具有十分重大的意义。随着各种技术手段的综合应用和科学技术的发展， 相信人脸识别技术会不断向前发展，应用更加广泛。 二、人脸识别系统的基本框架 人脸识别过程包括两个主要环节：一是人脸的检测和定位，即从输入图像中找到人脸及其位置，并将人脸从中分割出来；二是对标准化的人脸图像进行特征提取与识别。 人脸识别系统基本框架图 如图所示，人脸识别系统各部分的功能和作用： （一）图像获取：用图像获取设备（数码相机、扫描仪、摄像机）获取图像，也可以在人脸图像库中获取图像，然后使用相应程序将图像转换成可处理的格式。 （二）检测定位：人脸检测是指在输入图像中确定所有人脸的大小、姿态和位置的过程。近年来，由于生物特征识别的发展和人际交互方式的发展，人脸检测定位的发展很迅速，但是其难点是容易受到亮度变化、人的头部姿势及图像背景等因素的影响。 （三）人脸图像预处理：对获取的图像进行适当的处理，使其具有的特征能在图像中表现的明显。该模块主要由灰度变化、光线补偿、对比度增强、高斯平滑处理、直方图均衡和图像二值化处理等子模块构成。 （四）特征提取部分：将预处理后得到的正规人脸图像按照相应的算法提取出用来识别的特征向量，将原始的人脸空间中的数据映射到特征空间中去。通常把原始人脸空间叫测量空间，把用以进行分类识别的空间叫特征空间，较高维数的测量空间的模 式表示可以经过变换变为在较低维数的特征空间中模式的表示。 （五）分类器设计：部分分类器的设计是在后台完成的，就是所谓训练过程，该过程结束后可生成分类器用于分类识别。模式识别问题事实上可以看做是一个分类问题，即把待识别的对象归于某一类之中。在人脸识别问题上就是把不同输入的人脸图像归于某个人这一类。其基本的做法就是在样本训练集的基础上确定某种判决规则，然后使按这种判决规则对待识别的对象进行分 类所引起的损失最小或造成的错误识别率最小。 （六）分类决策：就是运用已经设计好的分类器进行分类识别，得出最后的识别结果，并给出相应的判断。 三、人脸识别的常用方法 1.主分量分析法 2.线性判别分析法 3.独立分量分析法 4.隐马尔可夫模型法 5.弹性束图匹配法 四、人脸识别的技术优势 虽然目前人脸识别系统不是很成熟，但与虹膜识别、指纹 识别等其它生物特征识别技术相比，人脸识别的技术优势主要有以下几点： （一）非接触式操作，适用于隐蔽监控。由于人脸识别系统不需要接触，可以秘密开展，因此特别适用于网上抓逃、隐蔽监控等应用。这是虹膜、指纹等其他生物特征识别技术所不具备。 （二）无侵犯性，容易被接受。人脸识别系统一般为远距离 采集数据，减小了对用户造成生理上伤害几率，用户容易接受。 （三）图像采集设备成本低。目前，USBCCD/CMOS 摄像头非常低廉的价格，已成为计算机的标准配置，极大地扩展了人脸识别实用范围；此外，数码摄像机、数码相机和照片扫描仪等图像 采集设备在普通家庭的日益普及进一步增加了其可用性。 （四）更符合人类的识别习惯，可交互性强。人脸识别更 符合人识别人的习惯，故若与用户交互配合可以大大提高系统 的可靠性和可用性；但是指纹、虹膜识别却不具备如此优点。 （五）识别精确度较高、速度快。与其它生物识别技术相比，人脸识别的精度处于较高的水平，拒识率、误识率较低。 五、人脸识别研究的难点 人脸识别通常是通过对采集得到的人脸图像的分析计算来确定其身份的。人脸是具有复杂结构的三位可变形生物体，影响人脸识别效果的因素主要有以下几个： 姿态：人脸图像的变化，例如在三维人脸到二维人脸的成像过程中，由于相关的照相机-脸姿（正面的、45度、侧面、颠倒的）导致的不同，而一些脸部特征如眼睛或鼻子可能部分地或全部被遮挡。 组件的影响：面部的特征如胡须和眼镜等可能存在也可能不存在，这些组件包括形状、颜色和大小。 面部表情：人脸为可变形物体，人脸表情的变化直接影响人脸图像的模式。 图像的方向：照相机光轴的旋转不同可直接引起人脸图像的变化。 图像的条件：当图像产生时，一些因素如光(光谱、光源分布和强度)和照相机的特性(传感器的响应、透镜)影响人脸的外观。 参考文献： [1]Yin L.Basu A.Generating realistic facial expressions with wrinkles for model-based coding [J]．Computer Vision and Image Understanding,2001,84(2):201-240 [2]李云峰,杨益,田俊香.人脸识别的研究进展与发展方向[J].科技资讯,2008(5):23-32
(完整版)人脸识别技术的弊端
三个方面的缺点： 1.识别精度低 2.自然性、不易察觉以及非接触性也致使人脸识别技术在一些特定领域面临环境复杂性。 便于收集的好处也带来了图像清晰度不高，角度不好等问题 3.人脸识别不只是隐私问题信息泄露面临更大安全隐患 人脸识别的一个缺点也在于信息的可靠性及稳定性较弱。 人脸所蕴含的信息量较指纹、虹膜等生物特征相比是比较少的，其变化的复杂性不够。例如，若要两个人的指纹或者虹膜基本相同，大概需要好几十乃至上百个比特(信息量的度量单位)达到完全重合才可以。但如果是人脸的话，十几个比特达到重合就可以了。在全世界，可以找到很多具有相似性的面孔。所以说，人脸的辨别性不是很高，它并没有那么独一无二。 另外，人自身内在的变化以及外在环境的变化都会影响采集时人脸的信息稳定度。相较于之前的人脸识别技术，目前的人脸识别技术有所提高，但是具体应用时还是不能达到完美状态，如今，保守估计，人脸识别技术准确率能达到99%，但没有达到100%。同时，对于双胞胎，由于相似特征太多，人脸识别基本不可能完成。比如在ATM机上使用人脸识别技术，是在使用密码信息的基础上辅助的认证功能。如果脱离了密码输入，完全使用人脸识别技术进行存取款操作，是不太可能的。 例如，2018年7月，美国公民自由联盟（ACLU）对美国国会议员的照片应用了亚马逊算法，该算法确定其中28人是因犯罪而被捕的人。 如果说双胞胎根本不应该用此技术来进行分辨的情况下，如何解决整容带来的无法辨别的问题？在如今整容手段如此先进的情况下？ 其一，应用“人脸识别”技术的视频采集机器设备愈来愈普及化，会否对大家的人身自由权与隐私权产生威协，这个问题如何解决？其二，人工智能的市场应用，会否产生新的岐视与不公平，并对人们具有的社会道德纪律产生挑战？ 例如：一些商业算法在识别肤色较深的人员和女性方面不如识别肤色较浅的男人准确。
人脸识别技术的应用背景及研究现状
1．人脸识别技术的应用 随着社会的不断进步以及各方面对于快速有效的自动身份验证的迫切要求，生物特征识别技术在近几十年中得到了飞速的发展。作为人的一种内在属性，并且具有很强的自身稳定性及个体差异性，生物特征成为了自动身份验证的最理想依据。当前的生物特征识别技术主要包括有：指纹识别，视网膜识别，虹膜识别，步态识别，静脉识别，人脸识别等。与其他识别方法相比，人脸识别由于具有直接，友好，方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。除此之外，我们还能够对人脸识别的结果作进一步的分析，得到有关人的性别，表情，年龄等诸多额外的丰富信息，扩展了人脸识别的应用前景。当前的人脸识别技术主要被应用到了以下几个方面：（1）刑侦破案公安部门在档案系统里存储有嫌疑犯的照片，当作案现场或通过其他途径获得某一嫌疑犯的照片或其面部特征的描述之后，可以从数据库中迅速查找确认，大大提高了刑侦破案的准确性和效率。 （2）证件验证在许多场合（如海口，机场，机密部门等）证件验证是检验某人身份的一种常用手段，而身份证，驾驶证等很多其他证件上都有照片，使用人脸识别技术，就可以由机器完成验证识别工作，从而实现自动化智能管理。 （3）视频监控在许多银行，公司，公共场所等处都设有24小时的视频监控。当有异常情况或有陌生人闯入时，需要实时跟踪，监控，识别和报警等。这需要对采集到的图像进行具体分析，且要用到人脸的检测，跟踪和识别技术。 （4）入口控制入口控制的范围很广，既包括了在楼宇，住宅等入口处的安全检查，也包括了在进入计算机系统或情报系统前的身份验证。 （5）表情分析根据人脸图像中的面部变化特征，识别和分析人的情感状态，如高兴，生气等。此外，人脸识别技术还在医学，档案管理，人脸动画，人脸建模，视频会议等方面也有着巨大的应用前景。 2．人脸识别技术在国外的研究现状 当前很多国家展开了有关人脸识别的研究，主要有美国，欧洲国家，日本等，著名的研究机构有美国MIT的Media lab,AI lab,CMU的Human-Computer I nterface Institute，Microsoft Research,英国的Department of Engineerin g in University of Cambridge等。综合有关文献，目前的方法主要集中在以下几个方面： （1）模板匹配 主要有两种方法，固定模板和变形模板。固定模板的方法是首先设计一个或几个参考模板，然后计算测试样本与参考模板之间的某种度量，以是否大于阈值来判断测试样本是否人脸。这种方法比较简单，在早期的系统中采用得比较
人脸识别技术综述 论文
本科生毕业论文（设计） 题目人脸识别技术综述 学院计算机学院 专业计算机科学与技术 学生姓名陶健 学号 0643041077 年级 2006 指导教师周欣 教务处制表 二Ο年月日
人脸识别技术综述 计算机科学与技术 学生陶健老师周欣 [摘要]随着社会信息化，网络化得不断发展，个人身份趋于数字化，隐性化，如何准确的鉴定，确保信息安全得到越来越多的重视。人脸识别，一种应用比较广泛的生物识别方法，在基于人脸固有的生物特征信息，利用模式识别和图行图像处理技术来对个人身份进行鉴定，在国家安全，计算机交互，家庭娱乐等其他很多领域发挥着举足轻重的作用，能提高办事效率，防止社会犯罪等，有着重大的经济和社会意义。 本文主要研究了人脸识别在图像检测识别方面的一些常用的方法。由于图像处理的好坏直接影响着定位和识别的准确率，因此本文对图像的一些识别算法做了着重的介绍，例如基于二维Gabor小波矩阵表征人脸的识别算法，基于模型匹配人脸识别算法等。此外，本文还提及了一般人脸识别系统的设计，并着重介绍了图像预处理环节的光线补偿，图像灰度化等技术，使图像预处理模块在图像处理过程中能取到良好的作用，提高图像识别和定位的准确率。 [主题词]：人脸识别；特征提取；图像预处理；光线补偿
Face Recognition Overview Computer Science Student：TAO Jian Adviser: ZHOU Xin [Abstract] With the information society, network was growing, personal identity tends to digital, hidden, how to accurately identify, to ensure that information security is more and more attention. Face recognition, an application of biometric identification methods more widely, based on biometric facial information inherent in the use of pattern recognition and image processing techniques to map line of personal identity ,play a great role in the national security, computer interaction, family entertainment and many other areas. Face recognition can improve efficiency, prevent social crime, of course it has significant economic and social significance. This paper studies aspects of face recognition in image detection and some common methods of identification. As the image processing directly impact on the accuracy of location and identification, so some of image recognition algorithm will be focused presentation, such as Gabor wavelet-based two-dimensional matrix representation of face recognition algorithms, model-based matching face recognition algorithm. In addition, the article also mentioned a general recognition system design, and highlights the image preprocessing part of the light compensation, gray image techniques, the image preprocessing module in the image processing to get to the good , and improve image recognition and positioning accuracy. [Key Words] Face recognition; feature extraction; image preprocessing; light compensation
人脸识别技术的主要研究方法
1、绪论 人脸识别是通过分析脸部器官的唯一形状和位置来进行身份鉴别。人脸识别是一种重要的生物特征识别技术，应用非常广泛。与其它身份识别方法相比，人脸识别具有直接、友好和方便等特点，因而，人脸识别问题的研究不仅有重要的应用价值，而且在模式识别中具有重要的理论意义，目前人脸识别已成为当前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。 关键词：人脸识别 2、人脸识别技术的主要研究方法 目前在国内和国外研究人脸识别的方法有很多，常用的方法有：基于几何特征的人脸识别方法、基于代数特征的人脸识别方法、基于连接机制的人脸识别方法以及基于三维数据的人脸识别方法。人脸识别流程图如图2．1所示： 图2．1人脸识别流程图 3、基于几何特征的人脸识别方法 基于特征的方法是一种自下而上的人脸检测方法，由于人眼可以将人脸在不此研究人员认为有一个潜在的假设：人脸或人脸的部件可能具有在各种条件下都不会改变的特征或属性，如形状、肤色、纹理、边缘信息等。基于特征的方法的目标就是寻找上述这些不变特征，并利用这些特征来定位入脸。这类方法在特定的环境下非常有效且检测速度较高，对人脸姿态、表情、旋转都不敏感。但是由于人脸部件的提取通常都借助于边缘算子，因此，这类方法对图像质量要求较高，对光照和背景等有较高的要求，因为光照、噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。 模板匹配算法首先需要人TN作标准模板(固定模板)或将模板先行参数化(可变模板)，然后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值通常都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的匹配程度后得出的综合描述，最后再根据相关值和预先设定的阈值来确定图像中是否存在人脸。基于可变模板的人脸检测算法比固定模板算法检测效果要好很多，但是它仍不能有效地处理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法并不对输入图像进行复杂的预处理，也不需要人工的对人脸特征进行分析或是抽取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j 种自下而上的方法。这种方法的优点是利用强大的机器学习算法快速稳定地实现了很好的检测结果，并且
智能人脸识别系统技术设计方案
智能人脸识别系统技术方案
目录 1智能人像比对平台 1.1系统结构 建立标准统一的共享人像库，并在此基础上，部署完整的人像比对判定平台。该系统由人像标准化采集系统，人像数据库子系统、基础比对服务平台、人脸识别应用平台4大部分组成，支持前端人像采集、静态人脸查询、移动警务通人脸识别一体化服务。 该平台支持统一人像数据交换接口，兼容大多数人像数据交换标准。统一的安全标准接口，兼容PKI密钥，网络加密狗等常见的安全标准接口。系统总体结构如下： 系统采用B/S架构，以浏览器方式进行人像预处理、人像比对、结果查询、用户管理、系统运行状态查询等管理操作，减少了系统后台管理、人口治安及其他警种成百上千终端安装和维护难度，方便未来多警种共享应用。系统可提供标准的WebService接口，将业务系统获取的人像照片与相关人像库进行比对。 1.2设计原则 本着统一标准、分级管理、资源共享、无缝对接的设计原则，以人像比对算法为核心，整合多区域现有资源，实现准确识别、快速反映，覆盖全面的智能人像识别应用平台。 1.2.1先进性 该平台算法由中国科学院自动化研究所研究员、国际知名人脸识别专家、IEEE院士李子青教授领衔研发，是基于中国自主知识产权，针对公安各警种业务特点专门研发的综合智能人像识别应用系统平台。
1.2.2开放性 人像采集与比对平台具有统一的服务接口，兼容公安部拟指定的统一人像数据交换标准草案。统一的安全验证，兼容PKI密钥，身份认证等常见的安全验证机制。 1.2.3扩展性 整个平台系统接口分为系统级别之间的接口与单个系统开放出来的服务接口组成。系统可“随需而变，以不变应万变”提供多种可靠服务功能。 1、系统级接口 系统级接口指的是不同地区部署的人像辅助识别平台之间的接口，主要有两种访问方式第一种采用页面查询的方式，以只查询方式进行访问，通过系统提供的Guest权限进行页面访问。适用于不同平台之间快速的调阅查询。第二种通过请求服务与直接调阅的形式进行数据库的查询，系统预留标准数据库查询接口，以市，县二层结构进行数据库间的查询调用，采用本系统建立的数据中心，纵向上进行直接的调用，高层中心保留下级中心的数据库信息索引。即市级中心直接查询市级与县级中心，市级中心直接查询县级中心。横向上以请求服务形式进行调用，横向系统间不保留对方的数据库信息索引，而是通过请求服务方式进行。 2、服务接口 服务接口适用于该系统与其他业务应用系统做二次开发或者集成用接口，包括所有系统级接口与平台应用接口。 人像基础比对服务平台通过WebService进行与其他系统的交换机制，通过标准的XML或者Jason格式文件进行数据交换，兼容《GA/T 922.2-2011标准第二部分人像数据采集标准》中的数据格式交换。 服务接口主要以WebService与ActiveX等方式提供。满足各业务系统二次开发，集成使用。 服务接口说明
人脸识别系统的原理与发展
人脸识别系统的原理与发展 一、引言 人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大； 二、概述 人脸识别系统概述 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。 人脸识别系统功能模块 人脸捕获与跟踪功能：人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。 人脸识别比对：人脸识别分核实式和搜索式二种比对模式。核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。 人脸的建模与检索：可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。
人脸识别技术的新发展 阅读答案(2014呼和浩特中考试题)
人脸识别技术的新发展阅读答案（2014呼和浩特中考试题） 人脸识别技术的新发展 刘露 ①《谍中谍4》中有一些令人炫目的场景：身在茫茫人海中，一眨眼的功夫已被潜藏着的对手认出，随即被盯梢；对手迎面来时，你的手机立刻发出嘀嘀的报警声，上面已经显示他的姓名和信息……我们不禁要问：这是真的吗？事实上，这些情景不仅仅是电影特技，人脸识别技术已经让科幻成为现实。 ②人脸识别的过程其实并不复杂。首先是人脸检测，即判断输入图像中是否存在人脸，如果有，便给出每个人脸的位置、大小；其次是面部特征定位，即对找到的每个人脸，检测其主要器官的位置和形状等信息；最后进行人脸比对，根据面部特征定位的结果，与数据库中人脸对比，判断该人脸的身份信息。这种生物识别技术与传统的身份鉴定方式相比，有着自身的特点。人脸识别技术的最大特点就是识别过程精度高、速度快，运用起来就更具保密性和方便性。 ③硬件设备方面，苹果正在研究一些方法让用户使用人脸识别技术方便地开关和控制电子设备。这种技术最终会让iPhone和iPad具备人脸解锁功能。联想在新款的笔记本电脑上也配备了人脸识别技术，凭借这种技术，笔记本电脑的主人在登录系统时，就可以免去输入密码的麻烦而直接进入系统。 ④网络应用方面，尤其是社交网络应用，很多社交产品开始利用人脸识别使影像信息和用户的社交网络个人资料连接起来。使用人脸识别技术，让普通用户的面孔直接与网站上的背景资料、好友关系匹配。 ⑤腾讯推出了“搜搜慧眼”，这是一个基于人脸识别的社交产品。用户将手机切换到人脸识别模式，启动“明星脸识别”功能，“慧眼”会自动识别照相镜头中的人脸，并将之拍下来；随后，它会在网上寻找与这张脸最相似的明星的脸显示出来，并对服饰、妆扮等细节进行点评。 ⑥在计算机技术、网络技术和人工智能技术日新月异的今天，高速发展的人脸识别技术将会有更广阔的舞台来展现其价值。也许就在明天，人脸将成为我们电子生活中的重要名片和标签。人脸识别技术将体现在我们生活的方方面面，改变我们的生活方式。 （选自《百科知识》，有删改） 1．文章的说明顺序是（1分） 2．根据文章内容，请你说说什么是“人脸识别技术”。（3分） 3．文章第①段《谍中谍4》中令人炫目的场景，侧重表现了人脸识别技术的特点。（2分） 4．“之前，人脸识别大多用于门禁识别或公安机关追踪等大型应用。现在，人脸识别技术已经逐渐进入人们的日常生活。比如登录电脑、方便网络社交等都可以用到这项技术。”这是从文中抽出的一段话，将其还原，正确的位置应是（2分） A．①和②之间B．②和③之间 C．③和④之间D．⑤和⑥之间
基于人脸识别的安防系统解决方案
基于人脸识别的安防系统解决方案 1、应用背景 随着中国社会国际化程度的不断深化，奥运会、世博会、亚运会等大型活动在中国的举办，中国已经成为全球瞩目的焦点，世界各地包括国内数以百万乃至千万计的游客、官员、新闻记者、运动员、裁判员、工作人员、志愿者等各类人士将集聚中国的场馆。与会人士中不乏企图制造事端、普通民众为之色变的恐怖分子，如何确保各种级别、各类型的运动会、会议或展会的安全、有序进行，已经成为摆在各组委会等机构面前的头等大事。 长期以来，与会人员凭门票、代表证、参展证等各类证件（凭证）在经过工作人员人工查验后即可进入会场。这种模式以低廉的代价为会场的管理提供了一些基本的保障，但也存在着严重的管理漏洞和安全隐患。在相关人士意识到了问题的存在之后，条码、IC/ID卡、RFID等技术便逐步引入了大型会场的管理，原有的证件人工查验模式变为计算机系统的自动查验为主、人工为辅的查验模式，这一模式的改变减少了人为错误的发生。同时，在应用上述技术后，证件伪造的难度也有了显著增加。应该说，上述技术的应用在一定程度上提升了会场的管理和安全保障水平，但单凭证件的与会人员身份认证模式仍然存在证件存在被伪造的可能、证件可能被他人借用或冒用、证件遗失会给持证人带来极大的不便等问题。 人体生物特征具有唯一性、稳定性、不可复制、不可假冒等显著特点，用于身份认证具有更高的安全性。在指纹、掌纹、虹膜等人体生物特征识别技术中，人脸识别技术的优势非常明显。首先，作为识别特征，人脸具有稳定、可靠、安全、便利等特点。在一般情况下，人的面部特征是非常稳定可靠的，“携带”便利。面像也是用于区分人的首要特征。其次，人脸图像的采集非常方便，尤其是基于标准视频的图像采集方式。目前，绝大多数系统采用的都是可见光范围内的标准摄像头，完全满足人脸图像的采集要求，不需要进行任何改造或升级。人脸图像的采集是非接触式的，也不需要人主动配合，最大限度地提高了系统的响应速度。第三，与系统结合人脸识别系统能够最大效能的发挥现有监控系统的优势，真正
基于深度学习的人脸识别技术综述
基于深度学习的人脸识别技术综述 简介：人脸识别是计算机视觉研究领域的一个热点，同时人脸识别的研究领域非常广泛。因此，本技术综述限定于：一，在LFW数据集上（Labeled Faces in the Wild）获得优秀结果的方法; 二，是采用深度学习的方法。 前言 LFW数据集（Labeled Faces in the Wild）是目前用得最多的人脸图像数据库。该数据库共13，233幅图像，其中5749个人，其中1680人有两幅及以上的图像，4069人只有一幅图像。图像为250*250大小的JPEG格式。绝大多数为彩色图，少数为灰度图。该数据库采集的是自然条件下人脸图片，目的是提高自然条件下人脸识别的精度。该数据集有6中评价标准： 一，Unsupervised； 二，Image-restricted with no outside data； 三，Unrestricted with no outside data； 四，Image-restricted with label-free outside data； 五，Unrestricted with label-free outside data； 六，Unrestricted with labeled outside data。 目前，人工在该数据集上的准确率在0.9427~0.9920。在该数据集的第六种评价标准下（无限制，可以使用外部标注的数据），许多方法已经赶上（超过）人工识别精度，比
如face++,DeepID3，FaceNet等。 图一/表一：人类在LFW数据集上的识别精度
表二：第六种标准下，部分模型的识别准确率（详情参见lfw结果） 续上表
人脸识别技术分析
人脸识别技术分析 近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。在安防行业中，生物识别一直是市场中备受关注的焦点之一，近年来保持着较高的增长率，其中人脸识别是一个活跃的研究领域，也是人类视觉最杰出的能力之一。虽然人脸识别的准确性要低于虹膜、指纹的识别，但由于它的无侵害性和对用户最自然、最直观的方式，使人脸识别成为最容易被接受的生物特征识别方式。目前人脸识别技术不断得到发展，该技术广泛应用到电子护照、生物特征身份证、体育场馆、银行、公安等系统中，对安检、奥运反恐、刑侦追逃等有重要意义。当前由于其应用日渐增多该市场份额比重在不断增加，前景普遍被看好。 对于人脸识别的应用，依照摄像机到用户的距离可将其分为近距离人脸识别（普遍必要用户合作）、中距离人脸识别和远距离人脸识别系统（FaceRecognitionataDistance（FRAD）），其中远距离人脸识别技术关注的是在一个广阔区域内进行非合作的人脸自动识别，这种远距离生物特征的提取和识别可以通过采用主动视觉系统解决。目前，在很多商业、安防和国防应用中都需要在开阔区域内进行远距离（10～20米或更远）非合作的人员识别。比如用于安防目的的人员识别和监督、入侵检测，以及在广阔的区域内通过智能摄像机网络进行人员跟踪等。人脸识别与视频监控的无缝对接可极大地提升传统视频监控的预警功能和智能化程度，并极大地拓展人脸识别技术的应用空间。 在近距离人脸识别中，摄像机可以轻松捕捉高辨别率和相对稳定的人脸图像。而可在FRAD应用中，人脸图像质量却是个大难题，可以说，远距离人脸识别是视频人脸识别应用中最具挑战性的形式之一。近年来国内外针对远距离人脸识别的研究很多，从目前的发展情况来看，对于广阔的覆盖区域已经有一些有效的解决办法，如可通过多摄像机主动视觉系统完成FRAD，即系统通过广视场摄像机（
人脸识别技术发展及应用分析解读
人脸识别技术发展及应用分析 人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机采集人脸图像，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术处理，包括人脸图像采集、人脸定位、人脸识别预处理、记忆存储和比对辨识，达到识别不同人身份的目的。 市场现状 人脸识别技术的研究始于20世纪60年代末期。 20世纪90年代后期以来，一些商业性的人脸识 别系统逐渐进入市场，但是，这些技术和系统离 实用化都有一定距离，性能和准确率也有待提高。 美国遭遇恐怖袭击后，这一技术引起了广泛关 注。作为非常容易隐蔽使用的识别技术，人脸识 别逐渐成为国际反恐和安全防范重要的手段之一。 近年来，人脸识别在中国市场，也经历着迅速的 发展，而且发展的脚步也越来越快。主要原因有以下两方面。 科技的进步 国际上，美国标准与技术研究院（NIST）举办的Face Recognition Vendor Test 2006，通过大规模的人脸数据测试表明，当今世界上人脸识别方法的识别 精度比2002年的FRVT2002至少提高了一个数量级（10倍），而对于高清晰，高质量人脸图像识别，机器的识别精度几乎达到100%。在我国，近年来科技界和社会各个方面都认识到人脸识别技术的重要性，国家政策对人脸识别技术研究给予了很大支持，使得我国人脸识别技术也得到了迅速的发展。 应用需求的增加 越来越趋向于高科技的犯罪手段使得人们对各种场合的安全机制要求也近乎 苛刻，各种应用需求不断涌现。人脸识别市场的快速发展一方面归功于生物识别需求的多元化，另一方面则是由于人脸识别技术的进步。从需求上来说，除了传统的考勤、门禁等应用外，视频监控环境下的身份识别正成为一种迫切的需求，
浅谈基于深度学习的人脸识别技术
信息通信 INFORMATION & COMMUNICATIONS 2019年第6期（总第198期） 2019 (Sum. No 198) 浅谈基于深度学习的人脸识别技术 刘晓波 （中国联合网络通信有限公司湖北省分公司，湖北武汉430040） 摘要:互联网科技和大数据技术飞速发展的时代，日新月异的各种前沿技术，一再刷新人们的认知,人工智能（AI ）成为了 一 门最热门的行业应用能力。AI 技术不仅仅要够炫够酷，更要有足够的“温度"，让机器更加人性化。人脸识别技术（Face Recognition Technology, FRT ）是近年来模式识别、图像处理以及人工智能等领域的重要研究课题之文章重点对现有 的人脸检测识别方法以及应用领域关键技术进行总结，分析和比较当前主流识别方法优缺点，分享其中关键技术及发展 前景。 关键词:人脸识别;人工智能;深度学习；人脸检测；面部特征中图分类号:TP391.41 文献标识码:A 文章编号：1673-1131（2019）06-0018-03 0引言 随着社会对个人身份的自动验证需求的加深，一些技术 成熟且传统上被认为更加稳健的身份验证方案如指纹识别、 虹膜识别、语音识别等，都具有侵入性的特征，即需要参与者 的一定程度的合作（指纹识别需要用户将手指按在传感器上, 虹膜识别需要用户与相机靠得很近，语音识别则需要用户大 声说话），因此寻找一种更优且非侵入式的自动身份验证方案 成为了大势所趋。 人脸识别技术（Face Recognition Technology, FRT ）是基于 人的面部特征信息能够识别或验证图像或视频中主体身份的 技术生物识别技术。用图像釆集工具（如摄像机或摄像头）釆 集含有充分且足够的人面部特征的图像或视频流，并自动在 图像中检测和跟踪人脸，进而对检测到的人脸进行识别和验 证的一系列相关技术总成。 相比传统的身份验证方法，人脸识别技术具有非接触性 （不用肢体接触）、非强制性（路过即可，甚至无察觉）、可并发 性（可同时进行多个人脸的分拣、判断及识别）等优势。 直观的人脸识别如下图所示： * 2 z 5 n e s i e 图1人脸识别示例 简单来说就是通过输入一个自然人的面部特征，和自然 人面部特征库中的注册在库身份进行面部特征逐项比对，找 出一个与输入的面部特征相似度最高（需预设阀值，必须大于 阀值）的个体，以确定输入面部特征对应的身份。如没有找到 大于阀值的个体,则返回“unknown ”。 1传统的人脸识别 传统的人脸识别被当作模式识别/模式匹配问题。主流的 人脸识别技术基本上可以归结为三类，即:基于几何特征的方 法、基于模板的方法和基于模型的方法。 （1）基于几何特征的方法是最早投入实际应用的人脸识别 方法。该方法通过定位人面部主要器官的详细位置，如：眉、 眼、鼻、嘴、耳等，获取主要器官等重要面部特征的形状、相对 位置以及特征之间的距离等参数，利用参数构成一个可以代 表个体人脸的特征向量。 （2） 基于模板的方法可以分为神经网络方法、动态连接匹 配方法、线性判别分析方法、特征脸方法、基于相关匹配的方 法、奇异值分解方法等。 （3） 基于模型的方法则有基于主动外观模型、隐马尔柯夫 模型方法、主动形状模型等。 传统的人脸识别是人脸识别的初级阶段，重要成果不多, 人工依赖性较强，鲁棒性较差，基本没有实际应用。 随着大数据时代的到来，沉寂了许久的神经网络卷土重 来。作为人工智能时代的利器一深度学习逐渐走入人们的 视野。基于深度学习，人脸识别技术迅速发展。各种学习框 架如 Tensorflow 、Caffe >KerasMxnet >Darknet 等不断涌出。基 于深度学习的人脸识别一般被处理为回归/分类问题。一般流 图2人脸识别一般流程图 2人脸检测算法 人脸检测是人脸识别中的第一个环节，是一项关键技术。 人脸检测是指假设在输入图像中存在一个或者多个人脸情况 下，确定图像中全部人脸的位置、大小和姿势的过程。 图3人脸检测不意图 早期的人脸检测算法使用了模板匹配技术，即用一个人 脸模板图像与被检测图像中的各个位置进行匹配，确定这个 位置处是否有人脸,如果存在则定位人脸的位置、大小及主要 特征；此后机器学习被用于解决该问题，神经网络、支持向量 机等将人脸检测处理为二分类问题。如下图所示： 18
基于人脸识别技术的应用
基于人脸识别技术的应用 1.1 人脸识别技术的介绍 面部识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。人脸因具有不可复制、采集方便、不需要被拍者的配合而深受欢迎。现如今，人脸识别这个词已经慢慢走进了我们的生活，开始逐渐广泛的应用到日常生活之中。 手机、笔记本电脑中的人脸识别软件就是一个很好的例子，它帮助我们解锁手机、电脑，无需再输入密码，不用担心密码泄露从而导致的信息隐私泄露，它很好的帮助我们保护手机、电脑的安全。除此之外，人脸识别门禁系统开始应用于一些高档住宅和办公楼中，为人们省去了带钥匙刷卡的麻烦，也不用担心密码忘记的苦恼。人脸识别考勤机也正在被一些企业应用于日常管理。而一些美颜相机、美图软件的推出更迎合了消费者的市场。它可以自动识别人脸，并对人脸进行美化。甚至一些小游戏被开发出来，可将自己的脸与明星的脸比对相似之处，评价出你最有有谁的明星相。虽然这仅仅是一个游戏软件，只是供人们娱乐，真实度不高，但也可以看出现今人脸识别技术的广泛使用。 人脸识别技术在过去几年中得到了广泛的关注，正是因为它的应用程序涵盖了许多不同的领域。对于许多的应用程序来说，脸部识别系统的性能在可控的环境下已经达到了一个令人满意的水平。但是现有的大部分面部识别技术在不受控制的环境下识别性能明显下降。
人脸识别技术是生物识别技术的一种，它结合了图像处理、计算机图形学、模式识别、可视化技术、人体生理学、认知科学和心理学等多个研究领域。从二十世纪六十年代末至今，人脸识别算法技术的发展共经历了如下四个阶段[1]： 1.基于简单背景的人脸识别 这是人脸识别研究的初级阶段。通常利用人脸器官的局部特征来描述人脸。但由于人脸器官没有显著的边缘且易受到表情的影响，因此它仅限于正面人脸（变形较小）的识别。 2.基于多姿态表情的人脸识别 这是人脸识别研究的发展阶段。探索能够在一定程度上适应人脸的姿态和表情变化的识别方法，以满足人脸识别技术在实际应用中的客观需求。 3.动态跟踪人脸识别 这是人脸识别研究的实用化阶段。通过采集视频序列来获得比静态图像更丰富的信息，达到较好的识别效果，同时适应更广阔的应用需求。 4.三维人脸识别 为了获得更多的特征信息，直接利用二维人脸图像合成三维人脸模型进行识别，即将成为该领域的一个主要研究方向。 1. 2 人脸识别技术在国内的研究现状 国内关于人脸自动识别的研究始于二十世纪 80 年代，主要的研究单位有清华大学，哈尔滨工业大学，中科院计算所，中科院自动化
人脸识别技术综述
龙源期刊网 https://www.wendangku.net/doc/507713245.html, 人脸识别技术综述 作者：唐勇 来源：《硅谷》2011年第09期 摘要：人脸识别是模式识别领域中一个具有实际应用价值和广阔应用前景的研究课题。 系统的对主流人脸识别算法进行综述，总结现阶段人脸识别研究的困难，并对未来人脸识别的发展方向进行展望。 关键词：人脸识别；光照补偿；人脸检测 中图分类号： TP316文献标识码：A文章编号：1671－7597（2011）0510029－01 0 引言 在信息技术飞速发展的今天，电子商务、电子银行、网络安全等应用领域急需高效的自动身份认证技术。当前，我国的各种管理系统大部分都使用证件、磁卡、IC卡和密码等传统技 术保障系统安全，在一定程度上无法避免伪造、丢失、窃取或遗忘，存在极大的安全隐患。基于人体生物特征的身份鉴别方法，如指纹识别、虹膜识别、人脸识别等利用生物特征的普遍性、唯一性、永久性、可接受性、防卫性进行身份识别可以避免上述已有的身份鉴别技术缺陷。 1 人脸识别常用算法 随着社会对人脸识别系统的迫切需求人脸识别研究再次成为热门课题。2008年我国在奥 运会的历史上是第一次采用人脸识别这种生物识别系统为之提供安全保障。目前常见的人脸识别基本算法可分为以下几类： 1.1 基于几何特征的人脸识别方法[2]。这类方法是通过人脸面部拓扑结构几何关系的先验知识，利用基于结构的方法在知识的层次上提取人脸面部主要器官特征，将人脸用一组几何特征矢量表示，识别归结为特征矢量之间的匹配。基于几何特征的识别方法具有存储量小、对光照不敏感等优点。但这种方法抽取稳定的特征比较困难，对强烈的表情变化和姿态变化鲁棒性较差，适合用于粗分类。 1.2 基于特征脸的人脸识别方法。特征脸法是人脸识别中常用的一种方法。该方法的主要是从人脸图像的全局特征出发，运用Karhunen Loeve变换理论，在原始人脸空间中求得一组正交向量，并以此构成新的人脸空间，使所有人脸的均方差最小，达到降维的目的。特征脸方法易受角度、光照、表情等干扰导致识别率下降。