Computer vision 面部识别程序是如何工作的？

程序将经历什么流程？

是模式识别系统的基础，例如。

非常粗略地说，处理阶段将是：

检测人脸位置

规范化面

收集每个检测到的人脸的特征

将特征反馈给机器学习算法

步骤1通常使用经典的。它相当快而且可靠

步骤1中的面可能具有不同的亮度、对比度和大小。为了简化处理，它们都被缩放到相同的大小，并且在步骤2中补偿曝光差异（例如，使用直方图均衡化）

步骤3有许多方法。早期的人脸检测器试图找到特定的位置（眼睛的中心、鼻子的末端、嘴唇的末端等），并使用这些位置之间的几何距离和角度作为识别特征。据我所知，这些方法非常快，但并不可靠

最近的一种方法“特征脸”基于这样一个事实，即人脸图片可以近似为基本图像的线性组合（通过PCA从大量训练图像中找到）。此近似中的线性因子可用作特征。这种方法也可以分别应用于面部的各个部位（眼睛、鼻子、嘴巴）。如果所有图像之间的姿势相同，效果最好。如果一些脸向左看，另一些脸向上看，它也不会起作用。主动外观模型试图通过训练完整的3d模型而不是平面2d图片来对抗这种效果

第4步相对简单：您为每个人脸和在训练期间获取的人脸图像设置了一组数字，并且您希望找到与当前测试人脸“最相似”的训练人脸。机器学习算法就是这样做的。我认为最常用的算法是支持向量机（SVM）。其他选择如人工神经网络或k近邻。如果这些特性是好的，那么ML算法的选择就没有那么重要了

有关该主题的文献：

• 处理人脸检测、人脸识别和机器学习（以及许多其他主题）。它很新，所以它涵盖了最新的研究。它也有很好的参考书目
• 深入讨论人脸识别的模板匹配方法
• 你可以在google scholar上找到很多研究文章

---

您的问题与主题无关-可能适合在cstheory.stackexchange上提问。com@Daniel怀特：根据常见问题解答，关于软件算法和编程问题的问题都是关于SO的话题。人脸识别是一个使用软件算法解决的编程问题。我不认为这是离题的。我宁愿说，主成分分析是人脸识别中使用的一种技术。虽然PCA很有用，但并非所有人脸识别解决方案都使用PCA。