下载文档原格式
人脸识别综述人脸识别是一种通过计算机技术对图像或视频中的人脸进行识别和验证的技术。
随着计算机视觉和模式识别技术的不断发展，人脸识别技术在各种领域和应用中被广泛应用，如安全、监控、人机交互等。
本文将综述人脸识别技术的发展历程、主要方法和应用，以及目前面临的挑战和未来的发展趋势。
首先，人脸识别技术的发展经历了几个阶段。
早期的人脸识别技术主要基于几何特征的测量，如距离、角度和比例等，但这种方法对姿态、光照和表情等因素敏感，容易出现误识别。
随着模式识别理论的发展，基于统计和机器学习的人脸识别方法得到了广泛应用，如主成分分析（PCA）、线性判别分析（LDA）和支持向量机（SVM）等。
这些方法利用人脸图像中的主要特征、能量和信息等进行训练和分类，具有较高的识别率和鲁棒性。
近年来，深度学习技术的兴起极大地推动了人脸识别技术的发展，通过构建深层神经网络模型，实现了更准确和鲁棒的人脸识别。
其次，人脸识别技术的核心是提取和匹配人脸图像中的特征。
常用的特征提取方法包括几何特征、纹理特征和局部特征等。
几何特征是基于脸部形状和结构的特征，如眼睛、鼻子和嘴巴的位置和大小等。
纹理特征是通过分析图像中的灰度、颜色和纹理等信息获得的特征。
局部特征是利用图像中特定区域的局部信息获取的特征，如眼睛区域、嘴巴区域等。
对于特征匹配，主要采用的方法是基于距离或相似度度量的方法，如欧氏距离、曼哈顿距离和余弦相似度等。
然后，人脸识别技术在多个领域具有广泛的应用。
在安全领域，人脸识别技术可以用于身份验证和非法入侵检测。
例如，人脸识别技术可以用于解锁手机、电脑或门禁系统，以确保只有合法用户可以访问。
在监控领域，人脸识别技术可以用于追踪和识别嫌疑人。
在人机交互领域，人脸识别技术可以用于实现手势交互和情感识别。
此外，人脸识别技术还广泛应用于娱乐、医疗和教育等领域。
然而，人脸识别技术仍然面临一些挑战。
首先，光照和表情变化对人脸识别的影响较大，这容易导致识别错误。
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别算法综述及算法性能比较近年来，随着人工智能和机器学习的发展，人脸识别技术逐渐成为安保和智能化领域的重要应用之一。
传统的密码、身份证等身份验证方式已经逐渐被人脸识别技术所取代，因为它具有更加准确、无法被冒用的特点。
人脸识别技术是将人脸图像与系统库中的已知人脸图像进行比对来识别人脸的过程。
其中最核心的就是人脸识别算法，人脸识别算法是指利用计算机技术对人脸图像进行检测、特征提取、匹配等过程，从而实现人脸识别的技术。
目前，主流的人脸识别算法主要包括以下几种：1. 统计学方法统计学方法是比较早期的一种人脸识别算法，它主要通过使用数据统计方法来实现人脸识别。
该方法利用了人脸图像的统计特征，例如人脸形状、亮度、纹理等特征，然后通过比较不同人脸特征之间的差异来进行人脸识别。
常用的统计学方法主要包括主成分分析法（PCA）、线性判别分析法（LDA）等。
2. 人工神经网络方法人工神经网络方法是一种通过人类大脑的神经网络模型来进行人脸识别的方法。
该方法通过人类大脑的感知机制对输入的人脸图像进行学习和分析，并利用类似于人类大脑进行识别的方式来实现人脸识别。
在人工神经网络方法中，深度学习算法如卷积神经网络（CNN）和循环神经网络（RNN）等广泛应用于人脸识别领域。
3. 特征脸法特征脸法是一种基于图像分析和数学方法的人脸识别算法。
该算法的核心思想是通过矩阵特征分解的方法来获取人脸图像中的主要特征，并通过比较不同人脸图像之间的特征差异来实现人脸识别。
4. 特征脸法变体特征脸法变体是对特征脸法算法的改进和完善，它主要包括多尺度与多方向特征脸法（MDFL）、局部特征脸法（LBP）和Gabor小波变换特征脸法（GWFL）等算法。
这些算法主要通过引入多尺度、多角度和局部特征等方法来提高人脸特征的区分度和准确识别率。
5. 支持向量机方法支持向量机方法是一种基于统计学习理论的人脸识别算法。
该算法通过建立一个最优的非线性分类器来实现人脸识别，并利用支持向量机的孪生支持向量机方法来解决分类器的不确定性问题。
基于深度学习的人脸识别方法研究综述基于深度学习的人脸识别方法研究综述人脸识别作为一种重要的生物特征识别技术，在诸多领域得到了广泛应用，如安全监控、电子支付、社交网络等。
随着深度学习技术的快速发展，基于深度学习的人脸识别方法逐渐成为研究热点。
本文将综述近年来基于深度学习的人脸识别方法的研究进展，包括人脸特征提取、人脸检测与对齐、人脸验证和人脸识别等方面。
一、人脸特征提取人脸特征提取是人脸识别中的核心环节，其目标是将人脸图像中的信息转化为具有辨识能力的特征向量。
目前，基于深度学习的人脸特征提取方法主要包括基于卷积神经网络（CNN）和基于生成对抗网络（GAN）的方法。
其中，CNN主要通过在多层次上提取人脸图像的局部以及全局特征，并将它们融合到最终的特征向量中。
GAN则通过生成器和鉴别器的博弈过程，生成逼真的人脸图像，并从中提取有用的特征向量。
二、人脸检测与对齐人脸检测与对齐是在人脸图像中精确定位出人脸并对其进行标准化的过程。
基于深度学习的人脸检测与对齐方法主要有两种思路，一种是基于Proposal的方法，如R-CNN、Fast R-CNN 和Faster R-CNN等，另一种是基于单阶段的方法，如YOLO和SSD等。
这些方法通过学习图像中人脸的特征模式，实现高效且准确的人脸检测与对齐。
三、人脸验证人脸验证是指判断两个给定的人脸图像是否属于同一个人。
基于深度学习的人脸验证方法主要通过学习一个特征空间，将输入的人脸图像映射到特征向量上，并计算两个特征向量之间的距离来判断是否属于同一个人。
常用的深度学习模型包括Siamese网络和Triplet网络等，它们都具有较好的特征区分能力和鲁棒性。
四、人脸识别人脸识别是指从多个候选人中识别出给定的人脸图像所属的身份。
基于深度学习的人脸识别方法主要借鉴人脸验证的思想，通过学习一个更大的特征空间，实现多个人脸图像之间的比对和识别。
在大规模人脸识别任务中，深度学习模型如Inception-ResNet和VGG等被广泛应用，并取得了显著的性能提升。
人脸识别技术的发展现状与未来趋势分析引言：随着科技的迅猛发展，人脸识别技术在各个领域得到了广泛应用。
从最早的依靠2D图像进行的简单识别，到如今采用3D人脸重建技术结合深度学习的精确识别，人脸识别技术的发展给我们的生活带来了极大的便利。
本文将从人脸识别技术的发展现状与应用、当前存在的问题以及未来的发展趋势等方面进行分析。
第一部分：人脸识别技术的发展现状与应用人脸识别技术是一种通过图像或视频来识别和验证人脸的自动化技术。
目前，人脸识别技术在安防领域得到了广泛应用。
无论是人脸登录认证还是人脸门禁，都能够提供高速、准确以及便利的身份认证方式。
此外，一些国家和地区还将人脸识别技术应用于公共安全监控中，能够在繁忙的公共场所实现快速追踪查找。
除了安防领域，人脸识别技术还广泛应用于金融、零售、教育、医疗等领域。
在金融领域，人脸识别技术在银行身份验证、支付安全等方面发挥重要作用。
在零售领域，人脸识别技术可以帮助商家更好地了解顾客，提供个性化推荐服务。
在教育领域，人脸识别技术可以应用于学生考勤、校园安全等方面。
在医疗领域，人脸识别技术能够辅助医生诊断，提高医疗服务效率。
第二部分：当前存在的问题虽然人脸识别技术在许多方面取得了重要的进展，但仍然存在一些问题。
首先，人脸识别技术对光线、角度、表情等因素非常敏感，不同的环境会对识别结果产生影响，降低了其准确性。
其次，个人隐私和数据安全问题也是人脸识别技术亟待解决的难题。
由于个人面部信息可以被用于追踪和监控，一些人对于其隐私受到侵犯的担忧也越来越大。
此外，黑客攻击和冒用他人身份也是人脸识别技术需要解决的难题。
第三部分：未来的发展趋势为了解决当前人脸识别技术存在的问题，未来的发展趋势主要包括以下几个方面：1. 深度学习与人脸识别的结合：深度学习作为当前最前沿的技术之一，在人脸识别领域发挥着重要作用。
以神经网络为基础的深度学习算法能够通过大量数据的训练提高准确度。
2. 3D人脸重建技术的发展：当前的人脸识别技术主要依靠2D图像进行识别，但是2D图像受到光照、角度等因素的限制。
人脸识别方法综述一、引言随着人工智能技术的不断发展，人脸识别技术已经成为了一个非常热门的领域。
在各个领域中，都有着广泛的应用，比如安防、金融、医疗等等。
本文将对人脸识别方法进行综述，包括传统的方法和深度学习方法。
二、传统方法1. 特征提取特征提取是人脸识别过程中最重要的一步。
传统的特征提取算法主要包括LBP（局部二值模式）、HOG（方向梯度直方图）和SIFT（尺度不变特征变换）等。
2. 降维由于原始图像数据维数较高，需要进行降维处理。
PCA（主成分分析）和LDA（线性判别分析）是两种常见的降维算法。
3. 分类器分类器是将输入样本映射到输出类别的关键组件。
常见的分类器包括SVM（支持向量机）、KNN（k近邻算法）和决策树等。
三、深度学习方法1. 卷积神经网络卷积神经网络是目前应用最广泛的深度学习算法之一。
卷积神经网络主要包括卷积层、池化层和全连接层等。
其中，卷积层和池化层可以提取图像的特征，全连接层则用于分类。
2. 人脸检测人脸检测是人脸识别过程中的第一步。
常见的人脸检测算法包括Haar 特征和基于深度学习的方法，比如Faster R-CNN、YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。
3. 人脸对齐由于不同人的面部特征存在差异，需要进行人脸对齐处理。
常见的人脸对齐算法包括基于特征点的方法和基于深度学习的方法。
4. 人脸识别在完成前面三个步骤后，就可以进行人脸识别了。
常见的深度学习模型包括FaceNet、DeepID系列和VGGFace等。
四、总结本文对传统方法和深度学习方法进行了综述。
传统方法主要包括特征提取、降维和分类器等步骤；而深度学习方法则主要采用卷积神经网络进行特征提取和分类。
无论是传统方法还是深度学习方法，都有着广泛的应用前景。
在未来，人脸识别技术将会在更多领域中发挥重要作用。
《基于深度学习的人脸识别方法综述》篇一一、引言随着人工智能技术的飞速发展，人脸识别技术已成为当今社会关注的热点。
作为计算机视觉领域的重要分支，人脸识别技术在安全监控、身份认证、智能交互等多个领域得到了广泛应用。
深度学习技术的出现为人脸识别提供了新的解决方案，使得人脸识别的准确性和效率得到了显著提升。
本文旨在综述基于深度学习的人脸识别方法，分析其原理、技术特点及发展趋势。
二、深度学习在人脸识别中的应用深度学习是一种模拟人脑神经网络结构的机器学习方法，通过构建多层神经网络来提取数据的深层特征。
在人脸识别领域，深度学习主要应用于特征提取和分类识别两个阶段。
1. 特征提取特征提取是人脸识别的关键步骤，其目的是从原始图像中提取出能够表征人脸特征的有效信息。
深度学习通过构建卷积神经网络（CNN）等模型，自动学习从原始图像中提取出高维度的特征表示，这些特征对于人脸识别任务具有较好的鲁棒性和区分性。
2. 分类识别分类识别是利用已提取的特征进行人脸匹配和识别的过程。
深度学习通过构建全连接层、支持向量机（SVM）等模型，对提取的特征进行分类和识别。
在人脸识别任务中，深度学习可以有效地提高识别的准确性和效率。
三、基于深度学习的人脸识别方法基于深度学习的人脸识别方法主要包括基于深度神经网络的人脸识别方法和基于深度学习的三维人脸识别方法。
1. 基于深度神经网络的人脸识别方法该方法通过构建多层神经网络模型，对人脸图像进行特征提取和分类识别。
常见的模型包括卷积神经网络（CNN）、深度置信网络（DBN）等。
这些模型能够自动学习和提取出高维度的特征表示，提高了人脸识别的准确性和鲁棒性。
2. 基于深度学习的三维人脸识别方法该方法利用三维信息来提高人脸识别的准确性和鲁棒性。
通过构建三维模型来获取人脸的立体信息，再结合深度学习技术进行特征提取和分类识别。
这种方法对于姿态变化、表情变化等复杂场景具有较好的适应性和鲁棒性。
四、技术特点及发展趋势基于深度学习的人脸识别方法具有以下技术特点：1. 高效性：深度学习能够自动学习和提取出高维度的特征表示，提高了人脸识别的效率和准确性。
人脸识别过程一般要经过图像预处理、特征提取、匹配识别三个步骤,其中特征提取和匹配识别尤为重要。
特征提取的主要工作是从人脸图像中提取一组反应人脸特征的向量表征人脸样本,这个过程常与特征降维重合;匹配识别则是对待识别的图像进行识别分类,这一过程通过选择适当的匹配策略将输入到分类器的图像数据与数据库中的数据进行匹配,进而判断个体身份人脸携带了许多信息,是由眼睛、鼻子、嘴、和下巴等部位组成的,但因个体差异使这些器官的形状和大小及分布因人而异;在人脸图像中, 再加上光照、姿态、表情等因素的变化,使得人脸图像的识别过程变得异常复杂人脸识别的优点——无直接接触性、自然容易接受及非侵犯性等(1)有很好的隐蔽性,不一定需要用户的配合就能釆集到所需画面,在安全监控、疑犯追踪和监控等领域展现了很好的适用性,这是其它的生物特征识别所不能取代的。
(2)它的采集方式友好,是一种非接触式采集,容易被用户接受,不会造成反感及抵触。
(3)它操作起来比较简单,不需要高深的专业知识,便于人们使用,是一种快捷的识别方式。
(4)它具有强大的事后追踪能力,相对于指纹、虹膜等识别能力,普通用户就可以做出判断;(5)识别结果显而易见,更符合人类的认知习惯,具备指纹识别等不具备可交互性,适合于改善人机界面;(6)需要的设备简单、成本低、通用,普通的摄像头就可以达到识别要求强调了其局限性,正是这些局限性给研究人员提供了研究思路。
这些局限性一般包括人脸图像的内在因素和外在因素造成的障碍,内在因素如年龄、表情、面部装饰和种族、性别的不同,外在因素有光照、姿态、摄像机的成像参数及釆集数据的规模等叙述了人脸识别的原理及发展历程,详细介绍了各历程中涌现出的代表性的人脸识别方法,从早期的面部剪影曲线的结构特征提取与分析到特征脸方法的提出,从线性子空间判别分析、统计表观模型、统计模式识别方法到非线性建模方法、统计学习理论、基于Boosting的学习技术、基于三维模型的人脸建模与识别方法。
人脸识别综述王军军（西安交通大学，西安，710086）摘要：人脸识别已成为多个学科领域的研究热点之一，本文对人脸识别的发展历史、研究现状进行了综述，系统地对目前主流人脸识别方法进行了分类针对人脸识别面临的挑战，着重对近几年来在光照和姿态变化处理方面的研究进展进行了详细沦述，并对未来人脸识别的发展方向进行了展望。
关键词：人脸识别，人脸检测，模式识别一、引言人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一。
所谓人脸识别，是指给定一个场景的静态图像或动态视频，利用存储有若干已知身份的人脸图像的数据库验证和鉴别场景中单个或者多个人的身份[1]。
人脸识别按照人脸信息的来源可以分为两类:基于静态人脸图像的识别和基于包含人脸的动态视频信息的识别。
因为动态视频信息并不能明显提高人脸识别的性能，因此本文只研究基于静态人脸图像的识别[2]。
作为生物特征识别的一个重要方面，人脸识别在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。
与指纹识别、视网膜识别、虹膜识别等[3]技术相比，人脸识别技术在数据采集方面手续比较简单，使用者更容易接受。
人脸作为生物特征，虽然唯一性比指纹和虹膜要差[4]，在高安全性要求的系统中只能作为辅助手段。
然而，对于一般安全性要求的身份验证和鉴别系统[5]，人脸识别技术已经足够应用了。
人脸识别研究在二十世纪六七十年代引起了诸多学科领域研究者的浓厚兴趣。
进人九十年代后，随着各行业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。
当前世界各国有许多研究机构在从事这方面的研究，这些研究受到军方、警方以及大公司的高度重视和资助[6]。
美国军方还专门组织了人脸识别竞赛以促进人脸识别研究的发展。
经过三十多年的研究，人脸识别已经成为图像分析与图像理解领域最成功的应用之一研究人员提出了很多识别方法，建成了一些实验系统，也有一些成功的人脸识别商业软件投人市场。
人脸识别作为模式识别的一种，一般可以分为三个组成部分:从场景中检测并分割人脸;抽取人脸特征;匹配和识别人脸[7]。
由于人脸检测已经发展成为一个独立的课题，具有特定的思想和方法，所以本文假定人脸已经被正确检测并从场景中分割出来。
二、人脸识别的方法目前，人脸识别的方法大致可以分为以下几类：基于几何特征的方法、基于模型的方法、基于统计的方法、基于神经网络的方法和多分类器集成的方法[8]。
目前主流的方法有基于几何特征的方法和基于模型的方法。
2.1基于几何特征的方法文献中记载最早的人脸识别方法就是Bledsoe[9]提出的基于几何特征的方法。
该方法以面部特征点之间的距离和比率作为特征，通过最近邻方法来识别人脸，以该方法建立的人脸识别系统是一个半自动系统，面部特征点必须由人手工定位。
也正是由于人工的参与，该系统对光照变化和姿态变化不敏感[10]。
侧影[11](Profile)识别也是早期基于几何特征人脸识别的一个重要方法，其基本原理是从人脸的侧影轮廓线上提取特征点，将侧影转化为轮廓曲线，从中提取基准点，根据这些点之间的几何特征来进行识别，由于侧影识别相对较简单且应用面小，对侧影识别的研究较少。
基于几何特征的方法非常直观，识别速度快，内存要求较少，提取的特征在一定程度上对光照变化不太敏感[12]。
但是，当人脸具有一定的表情或者姿态变化时，特征提取不精确，而且由于忽略了整个图像的很多细节信息，识别率较低，所以近年来已经很少有新的发展。
2. 2基于模型的方法隐马尔可夫模型[13]( Hidden Markov Model,HMM)是一种常用的模型，基于HMM的方法首先被用于声音识别等身份识别上，之后被Nefian和Hayes引人到人脸识别领域。
它是用于描述信号统计特性的一组统计模型。
HMM用马尔可夫链来模拟信号统计特性的变化，而这种变化又是间接通过观察序列来描述的，因此马尔可夫过程是一个双重的随机过程。
在HMM中结点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同形态表现出这一特征的概率不同[14]。
在人脸识别过程中，Nefian 首先采用两维离散余弦变换(Discrete Cosine Transform,DCT)抽取人脸特征，得到观察向量，构建HMM人脸模型，然后用EM ( Expectation Maximization)算法训练，利用该模型就可以算出每个待识别人脸。
观察向量的概率，从而完成识别。
HMM方法的鲁棒性较好，对表情、姿态变化不太敏感，识别率高[15]。
主动形状模型[16](Active Shape Model, ASM)方法由Cootes等人提出，Cootes对形状和局部灰度表象建模，用建立的ASM在新的图像中定位易变的物体。
后来，Lanitis等将其应用于解释人脸图像，在使用ASM找出人脸的形状后，将人脸切割并归一到统一的框架，对这个与形状无关的人脸采用亮度模型来进行解释和识别，其鲁棒性和识别效率均较高，但需要手动标会人脸的特征点，算法的自动化程度有待加强。
主动表象模型[17]( Active Appearance Model, AAM)可以看成是对ASM的进一步扩展，是一种通用的非线性图像编码模式，通过变形处理将通用人脸模型与输人图像进行匹配，并将控制参数作为分类的特征向量。
2.3 基于统计的方法基于统计的方法将人脸图像视为随机向量，从而用一些统计方法来分析人脸模式，这类方法有着完备的统计学理论支持;得到了较好地发展，出现了一些较成功的算法。
特征脸[18](Eigenface)方法由Turk和Pentland提出。
对于每一幅人脸图像，按照从上到下、从左到右的顺序将所有像素的灰度值串成一个高维向量，然后通过主成分分析(Principal Component Analysis, PCA)将高维向量降低维数。
用PCA[19]降维主要基于以下三点:(1)压缩功能，在低维空间内比较图像将提高计算效率;(2)人脸样本的分布近似正态分布，方差大的维可能与有用信号相关，而方差小的维可能对应噪声，因此去掉小方差对应的维将有利于提高识别精确率;(3)因为每幅图像都被减去均值，且被放缩成单位向量，两幅图像之间的相关性与特征空间中投影之间的距离成反比，因此特征空间中的最近邻匹配是图像相关性的有效近似。
PCA技术首先由Kirby[20]和Sirovich引人到人脸识别领域，并且证明了PCA是使原始图像与重构图像之间的均方误差极小化的最佳压缩方式。
一幅图像在各个特征脸上的投影组成了该图像的权值向量，将待识别图像的权值向量与人脸数据库中各图像的权值向量相比较，确定哪一幅图像与待识别图像的权值向量最接近。
后来Pentland等人进一步扩展了特征脸方法，将类似的思想运用到面部特征上，分别得到了本征眼、本征鼻、本征嘴，并且将它们结合起来进行人脸识别。
实验结果表明，这样比单独使用特征脸效果更好。
特征脸方法计算量低，使用方便，并且效果良好，目前已经成为人脸识别的基准程序(Benchmark)和事实上的工业标准。
但是它对于外界因素所带来的图像差异和人脸自身所造成的差异是不加区分的，因此外界因素(例如光照、姿态)变化会引起识别率的降低。
特征脸方法使用由各个特征脸扩展的空间来表示人脸，虽然可以有效地表示人脸信息，但是并不能有效鉴别和区分人脸。
很多研究者提出了使用其他线性空间来代替特征脸空间以取得更好的识别效果。
此中线性判别分析方法[21](也叫Fisher脸方法)，利用了类别归属信息，它选择类内散布正交的矢量作为特征脸空间，从而压制了图像之间与识别信息无关的差异，强调了不同人脸之间的差别，同时弱化了同一人脸由于光照、视角和表情而引起的变化，获得了比特征脸更好的识别效果。
LDA[22]是一种监督学习方法，而PCA是非监督学习方法。
Belhumeur对16个人的各10幅图像进行识别实验，PCA方法的识别率为81%，而Fisher脸方法的识别率为99.4%。
Moghaddam[23]等人提出了贝叶斯人脸识别方法。
他们提出了一种基于概率的图像相似度度量方法，将人脸图像之间的差异分为类间差异和类内差异。
其中类间差异表示不同对象之间的本质差异。
类内差异为同一对象的不同图像之间的差异。
而实际人脸图像之间的差异为两者之和。
如果类内差异大于类间差异，则认为两人脸图像属于同一对象的可能性大，他们提出了类间差异和类内差异度量的概率模型和计算方法。
由于贝叶斯相似度的计算涉及复杂的非线性计算。
Moghaddam等人提出了一种线性的快速计算方法。
这种人脸识别方法在1996年美国DAPAR组织的FERET人脸测试中是效果最好的方法之一特别是在克服光照和表情变化对识别的影响方面性能较好。
奇异值分解[24](Singular Valor Decomposition。
SVD)是一种有效的代数特征提取方一法。
奇异值特征具有良好的稳定性、转置不变性、旋转不变性、位移不变性以及镜像变换不变性等重要性质。
因此奇异值分解技术也被应用到人脸识别领域。
独立成分分析[25]( Independent Component Anal-ysis,ICA)，可以看成是对PCA的推广，PCA 利用二阶矩去掉输人数据的相关性。
使得数据的协方差为零。
而ICA使得输人数据的二阶和高阶矩依赖性最小，ICA首先被用于盲源分离(Blind Source Separation。
BSS)问题，用来将观察信号分解成一系列独立信号的线性组合。
ICA用于人脸识别有两种结构(ICA Architecture I 和ICA Architecture II)和多种算法(例如FastICA和InfoMax)，PCA和ICA Architecture II利用的是全局特征，而ICA Architecture I利用的是空间局部特征。
B Draper等人详细比较了PCA和ICA在人脸验证和面部表情识别中的性能，人脸验证实验中，ICA Architecture II的性能最好。
PCA的性能与距离度量标准有关。
ICA Architecture I的性能较差，ICA用Fast I-CA算法较好;表情识别实验中，用InIoMax算法实现的ICA A rchitecture I性能最好。
3、人脸识别面临的挑战当光照、姿态、表情变化时，人脸的表象会产生较大变化，从而造成人脸识别系统的性能下降。
FE-RET测试川表明，光照和姿态变化问题是当前人脸识别系统面临的挑战。
随着人脸识别研究的深人，很多研究者对光照和姿态变化进行了专门的研究，也取得了一定的进展。
本节专门针对这两方面问题进行论述。
3.1 光照变化因为光照会改变人脸图像灰度的相对分布，所以由光照引起的人脸图像变化甚至比因个体差异引起的变化还要大。
