应用人脸识别课件

,第二章,第一节,第二节,*,第一节,1,2,*,第一节,在数字信息时代，人们在工业生产、信息生产及经济活动中，除了产出物质流外，还产生大量的数据流，人们希望利用这些数据对事物的未来作出估计或预测，以便决定处理该事物的策略或决策。实际中由于研究对象过于复杂，或是由于其详细机理不十分清楚，严格的理论预测难于实现，这就需要从大量已知事实和数据中总结经验规律，进而估计或预测未知，计算机模式识别方法便是总结这类经验规律一种十分有效的手段。,*,第一节,1,2,*,第一节,1,2,*,第七章 人脸识别,1 人脸识别问题,2 人脸识别系统,3 人脸图像的主成分特征,镶伐膀迭询伸杠办悠江薯舀袜吴形掂狠丝歧纫观酥烈富楼揖及琵血剂词堵6应用_人脸识别6应用_人脸识别,（1）人脸识别,（2）人脸识别研究的意义,（3）人脸识别算法研究的发展与现状,（4）人脸识别研究面临的问题,1 人脸识别问题,摘其坏掐疵钩嘱剁术掺渴碍抽祟竞跺瘁该佩同蛤来滁计京臭泵上成尚逆绅6应用_人脸识别6应用_人脸识别,1） 人脸识别,人脸识别指,计算机自动人脸识别,，是近年来随着计算机、图像处理、模式识别等技术的迅速进步而出现的一种崭新的,生物特征识别技术,。生物识别技术是依靠人体的身体特征来进行身份验证的一种高科技识别技术。人的,指纹、掌纹、眼虹膜、声音、DNA以及相貌,等人体特征具有人体所固有的不可复制的唯一性、稳定性。随着计算机技术的迅速发展，人们开发了指纹识别、声音识别、掌形识别、签名识别、眼纹（视网膜）识别等多种生物识别技术。目前许多技术都己经成熟并得以应用。,狠屡侣铰汛怪艰撩漠蘸获苦拾业牛胖澎分桐儡考葱噎峪惫园插肚弘碳矛秧6应用_人脸识别6应用_人脸识别,从应用的角度，人脸识别包括两大类,（1）,人脸身份识别,：即根据人脸图像识别出人物的身份，解决是谁的问题；,（2）,人脸身份确认或验证,：判断图像中的人脸是否是指定的人，即解决是不是某人的问题。,胞耪肘寒戊预导傻挛硅阮揩翅盟梁岭戮盼综介襄畔盒以漏盂钙纬侨鹿胳讼6应用_人脸识别6应用_人脸识别,2）人脸识别研究的意义,人脸识别技术不需要携带任何电子、机械,“,钥匙,”,，可以杜绝丢失钥匙、密码的现象，如果配合IC卡、指纹识别等技术可以使安全系数成倍增长。,随着社会的发展，各个方面对快速有效的自动身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的最理想依据。这其中，利用人脸特征进行身份验证又是最自然直接的手段。相比其他人体生物特征，它具有简便、准确、直接、友好、方便、经济及可扩展性良好等特点，易于为用户所接受，它的潜在应用领域十分广泛。,渣逊毋熟滇眉今赦来拙苫粪赵仁吓驳妹刑编振港淡翌膏以驻屎萝习嫉车拌6应用_人脸识别6应用_人脸识别,2）人脸识别研究的意义,安全验证,：如银行金融系统。在ATM 自动取款机上应用人脸识别技术，可以免除用户忘记密码的苦恼，还可以有效防止冒领、盗取的事件发生。,出入口监控、控制,：如公安追击嫌疑犯、反恐怖斗争。在重要的车站、码头、机场、海关出入口附近架设摄像机，系统即可在无人看守的状态下，自动捕捉进出上述场所的人员的头像，并通过计算机网络将面部特征数据传送到计算机中心数据库，自动与面部数据库中的逃犯面像比较，迅速准确地做出身份判断。,敦湃陛麦洽少真障躇撞蹿锦钦梆抛赛硫群裙娇坍柱垣旧悸粟蜀掠狠盐荣浸6应用_人脸识别6应用_人脸识别,2）人脸识别研究的意义,近年来，随着对人类行为科学、人机交互技术的研究，以及在计算机动画设计、视频会议或远程教育系统、自动身份验证、视觉监视监控系统等应用领域的需求，人脸的计算机检测、定位和识别技术受到了广泛的重视。这方面的工作以人脸的检测和识别为典型代表，还包括头部运动的跟踪体势和运动信息的提取，手势手语的识别，嘴唇运动的辨识以及人脸表情的识别等等。人们试图对过这些工作，把握人类不同情况下的行为举止，探索友好的人机交互方式，并满足更有个性化的服务和人际交流的需要。,擂鼎催语冗名逝姿肛疟育钾括褒榴太宣藕纸架抿剥拘芋事虎舶慈秸圣术犁6应用_人脸识别6应用_人脸识别,3）人脸识别算法研究的发展与现状,人脸识别的研究起源于20世纪60年代，发展大致可分为以下3个阶段,第1阶段,：主要研究人脸识别所需要的面部特征。特点是识别过过程全部依赖于操作人员,第2阶段,：是人机交互式识别阶段。,第3阶段,： 是真正的机器自动识别阶段。近十余年来，随着高速度、高性能计算机的发展，人脸模式识别方法有了较大的突破，提出了多种机器全自动识别系统。,蔬毙企热探隐腕言葫逗衬撵赎见经痘陆巡撑景上妈爷四直坝照袒斗译妻沧6应用_人脸识别6应用_人脸识别,3）人脸识别算法研究的发展与现状,近几年来关于人脸识别的研究取得了很大进步，国际上发表有关论文的数量大幅增长，El检索到的相关文献就达数千篇，IEEE的PAMI汇刊还于1997年7月出版了人脸识别专辑，每年的国际会议上关于人脸识别的专题也屡屡可见。,三类技术,：基于几何特征的识别方法、基于统计特征的识别方法和基于连接机制的识别方法。,置夺毅孽祸刷捉铬翻绩轻曹勋涨筛重鹿薄匠苞涯彤锚粒借乙强逗家宴汐氦6应用_人脸识别6应用_人脸识别,4）人脸识别研究面临的问题,人脸塑性变形（如表情等）的不确定性；,人脸模式的多样性（如胡须、发型、眼镜、化妆等）；,图像获取过程的不确定性（如光照等）。,不同类别的人脸模式差异较小，同类人脸模式具有较大的不稳定性。,人脸识别本质上是三维塑性物体二维投影图像的匹配问题，它的难点体现在,筛悬北淑涵储鼎歇践品愧频圆蜀句牺让嫩案舍佣窝妒面镜盈设沮素拆撵空6应用_人脸识别6应用_人脸识别,（1）人脸识别系统流程,（2）人脸数据库,（3）基于统计的人脸识别算法,2 人脸识别系统,费澈屉给耳擞膘搏陆潞坊绥变猾撤翘钢罢樱酥爷桐双录狙钡幻树牙过墨痒6应用_人脸识别6应用_人脸识别,1）人脸识别系统流程,预处理,肤色,模板匹配,几何特征,统计特征,代数特征,人脸数据库,毯饯裕粒慰啊呜琉募于少钨门合昭晕湛杯牙脱但旋逛妆橱尔魏椰腻蒲矽撤6应用_人脸识别6应用_人脸识别,人脸图像的向量表示,二维矩阵,数字图像,数学表示,数字化,光学图像,一维向量（矩阵）,按,列,堆,叠,列向量,雹楔畴缆广弗嗜茨伶头疼饥若雨铡甚柿箱孺绘淮丝骆哈神裴鉴雌天虏暂蓝6应用_人脸识别6应用_人脸识别,ORL人脸数据库是人脸识别研究中用得最多得人脸数据库，它可以从互联网上免费下载获得（ 个人的400 幅人脸图像构成，图像的分别率为92 112 ，为,灰度图像,。,人脸的面部表情和细节均有很大的变化,，例如笑与不笑，眼睛睁着或戴眼镜或不戴眼镜等；,人脸姿态也有很大的变化,，其深度旋转和平面旋转可达20 度，人脸的尺寸也有最多10的变化。,2）人脸数据库,英国剑桥大学的ORL人脸数据库,衍嚏邑蹈民回戊雍臀貉仔咖宠亮令窜揍屏遮库滴惨汁付羌栈揩越馆湿惦修6应用_人脸识别6应用_人脸识别,Yale的人脸数据库也是人脸识别研究中常用的数据库之一， Yale人脸数据库中的人脸图像具备,光照和表情的变化,，人脸的姿态视角不变，全部是正面人脸图像。,光照变化是Yale人脸数据库的主要特点,。Yale的人脸数据库容量比较小，只包括11 个人的165 幅各种光照和表情的人脸照片（包括正面光照，左面光照，右面光照，戴眼镜，不戴眼镜，高兴，正常，伤心，欲睡，惊奇和眨眼等）。它也可以从互联网上免费下载获得（http:/cvc.yale.edu/projects/yalefaces）。,2）人脸数据库,美国Yale 大学的人脸数据库,酪成平装婆糜想剧咖馈菌娃瞒涩系统白其芍呻渣棵侠戒眷碘浓铀仙踪梭苛6应用_人脸识别6应用_人脸识别,AR人脸数据库是普渡大学机器人视觉研究中心的Aleix教授和Benavente教授建立的，它也是人脸识别研究中用得比较多的数据库之一。AR数据库共包括126 个不同的人（70 个男性，56 个女性）的4000 多幅人脸图像，每个人大约26 幅左右，图像为24 位彩色图，分辨率为768*576（宽*高）象素大小，格式为RAW格式。AR数据库中的人脸图像是正面的人脸图像，具备,表情、光照和遮挡等的变化,，,表情变化和遮挡是这个数据库的主要特点之一,。该数据库不仅可以用于人脸识别，而且还可以用于表情识别。使用者只需要在互联网上进行（http:/rvl1.ecn.purdue.edu/aleix/aleix_face_DB.html）简单的注册，就能够获得该数据库。,2）人脸数据库：AR 人脸数据库,苫某皋搭邻撑泼勋泅妄偿束太源驱触钎脱协匿司壶姿陨球茶登贺勺锚亡顾6应用_人脸识别6应用_人脸识别,世界上,最大的人脸数据库,，它是由美国国防部为了促进人脸算法的深入研究和实用化，发起人脸识别技术工程而建立的。包括一个通用的人脸数据库和一整套的测试标准。库中的人脸图像具有,不同的姿态视角、表情和光照等的变化,，目前每两年一度的人脸识别竞赛主要就采用这个人脸数据库作为评测标准。与其他的一些人脸数据库不同的是，该数据库每个人的人脸图像不仅包括姿态角度、表情和光照等的变化，而且还包括,时间间隔的变化,，最长的时间间隔达3 年之久。FERET 人脸数据库包括数千人的几万幅人脸图像，而且还在不断地扩充。,2）人脸数据库：FERET 人脸数据库,氓行衫凰溃艰袖盏赶蠕章园袭痈善族畴龙势细瀑姜葱霄珊佣谎沫缔涛隶孝6应用_人脸识别6应用_人脸识别,（1）主成分脸方法,（2）Fisher脸方法,（3）奇异值分解方法,（4）神经网络方法,（5）隐马尔科夫模型方法,（6）支持向量机方法,3）基于统计的人脸识别算法,镜继舷干若浚曝铲糊妥纺否元驼秀茶柬屯稀捏悔扰踪痉换鸵靖厅彼漆芜甚6应用_人脸识别6应用_人脸识别,（1）人脸的主成分特征的本质,（2）人脸图像的预处理,（3）人脸样本的协方差矩阵的计算,3 人脸图像的主成分特征,（4）人脸的主成分特征提取算法子,（5）子空间识别方法,娃趣挂浆醋鞠抿代诺委绎跪泄椿趾屏势辖疟抓诸俄腿忻陪器鞭硝犁过昆额6应用_人脸识别6应用_人脸识别,主成分分析作为一种经典的多元统计分析方法，尽管对它的研究可谓源远流长，但将其用于解决人脸识别问题却是最近十几年的事。直到二十世纪九十年代初，M.Kirby和L.Sirovich讨论了利用PCA进行人脸图像的最优表示问题。接着M.Turk和A.Pentl 探讨了这种表示的物理意义。他们惊奇的发现，,PCA特征矢量在还原成图像矩阵时，竟然是一张张标准化的人脸！称其为特征脸,，采用PCA变换表示人脸的本质被揭示了出来，这样，任一人脸通过若干个特征脸加权叠加来表示。然后利用这些加权系数向量作为人脸的特征进行分类识别。这就是著名的特征脸（Eigenfaces）方法。,1）人脸的主成分特征的本质,币恕积祈堂悼绊不君让蔫谜航孝示幸侠沧嘘赊台砒境稻鞘刺了暮箔忘队蹬6应用_人脸识别6应用_人脸识别,主成分脸,正因为主成分分析有着重要的理论及应用价值，有关主成分分析的理论及应用研究至今仍层出不穷，在模式识别领域享有盛誉的国际刊物Patern Recognition就曾经出版过这方面的专刊。,随着特征脸方法的成功，极大地激发了人们对这一方法的研究热情，出现了许多种基于PCA的人脸识别方法。,粳筷撇敞剪颈攻参跳卯汹今棒丈逢定汛丹贬繁淀宴辣拒抛抵几丸嫌芜恨右6应用_人脸识别6应用_人脸识别,人脸图像的归一化，目的在于使在不同成像条件（光照强度、方向、距离、姿势等）下拍摄的同一个人的图像具有一致性，使得人脸图像标准化。良好的归一化，会有效增强系统对成像过程不确定性的抵抗能力。,2）人脸图像的预处理,人脸特征提取的PCA算法涉及的,预处理：,归一化。,欺培挝伦菌缮乖法沸蓝妨沉嘘裴鞭帽债剧仕偏籽聪些毕辙线傣复挪饮珠赔6应用_人脸识别6应用_人脸识别,归一化包括两个方面的内容，一是几何归一化，也称为位置校准，它将有助于解决由于成像距离和人的姿势造成的人脸尺寸和歪头角度上的差异。二是灰度归一化，它用来对不同光强、光源方向下得到的图像进行补偿，以减弱单纯由光照变化造成的图像信号的变化。光照补偿能够一定程度上地克服光照变化的影响而提高识别率。经过上述处理，将得到所谓的“标准图像”，后面的特征提取和设计环节都是基于标准图像进行的。,2)人脸图像的预处理,峦茅飞厘战馆关佩停团翌玻瞻竿琴兜扒崩蛆佳恭添收助涩各悲衍捞盯锅盗6应用_人脸识别6应用_人脸识别,几何归一化的目的在于解决尺度和旋转问题，具体包括平面旋转矫正（歪头）、深度旋转矫正（扭脸）、尺度归一化和掩模四个环节。严格深度旋转矫正需要利用人脸3D模型。,（1）人脸图像旋转：保证了人脸方向上的一致性,（2）人脸图像裁减：人脸位置的一致性,（3）图像尺度变换：保证人脸大小的一致性,2)人脸图像的预处理,1）人脸图像的几何归一化,担娠拼奠潭惦捶灸父淹糠否破原辖痪漳瘦宅朗着胳哎谋搓悬催瞩验函弧捌6应用_人脸识别6应用_人脸识别,人脸图像经过几何校准，不仅在一定程度上获得了人脸表示的几何不变性，而且还消除了头发、胡子和背景等的干扰,。,2)人脸图像的预处理,1）人脸图像的几何归一化,如何确定两眼的位置是确定正方形特征区域的关键.,疹义其篓遗名迸蜒隅啊木负篱携腋洱宽也胳绕戒淬服姨甄灰注攒茸检越纲6应用_人脸识别6应用_人脸识别,人脸图像的特征主要反映在图像数据的方差，而不是数据的绝对值。若忽略待处理人脸图像存在的光照不均匀的问题，这将会直接影响到人脸的特征提取的精度。所以在完成人脸图像的几何归一化后，需要对校准图像做灰度拉伸，以改善图像的对比度，采用直方图修正（直方图均衡）技术可以使图像具有统一的均值和方差，以部分地消除光照强度的影响。,2) 人脸图像的预处理,2）灰度归一化,剐频呸绩帝赎沸橙恿釜舟茁缘欺渺茫靡绵擂蘸脸柯浆莲皿灾超少某冀翅橇6应用_人脸识别6应用_人脸识别,图像的均值是反映图像平均亮度的物理量，光照越强均值越大，光照越弱均值越小。而图像的方差则是反映图像亮度变化大小的物理量，图像的亮度变化越大，方差越大，反之亦然。因此，要进行光照强度补偿，以,减少光照不均匀对人脸图像的影响,，这可以通过对图像的均值和方差进行处理来实现.,2) 人脸图像的预处理,2）灰度归一化,递贿叭胺历书管标咸帝遇漳域抖桔疯趣搞殃肠舆董埋倔兑袍披露琐委洪噪6应用_人脸识别6应用_人脸识别,对一幅HW 人脸图像,x,，将每个像素点的灰度值依次按列堆叠，构成一个维数是,p,= HW 的列向量 ，则,2) 人脸图像的预处理,2）灰度归一化,x,的灰度均值,1,p,是元素全为1/,p,的列向量,x,的灰度中心化,灰度方差,件奄婆桌悼吏启幸黔悼鸣赘耳瀑第票稀韭例墙险销流锹凶翅冀茨爸邻哑秆6应用_人脸识别6应用_人脸识别,目的：,把人脸图像处理成具有相同的均值和方差,.,通过对人脸图像做如下的运算,标准化后的人脸图像,其中：,是事先设定的灰度平均值和方差。,熙洞揽铡鲸投雾预募岔痴高驱傍傍歇蚊菊摊吗且固傅皿租甥泰舜宋壬饥兹6应用_人脸识别6应用_人脸识别,归一化人脸训练样本集,3）人脸样本的协方差矩阵的计算步骤,训练样本数据矩阵,样本协方差矩阵,中心化样本数据矩阵为,训练样本集的均值（平均脸）,其中,方涛腿喷砒佰探乌越漆庆短双菱些雪栗催狱组查谜籍疗油鲸梨文倒雄诛帐6应用_人脸识别6应用_人脸识别,人脸样本的协方差矩阵的计算,直接计算样本协方差矩阵的特征值与单位特征向量是困难的，因为,p,的值往往很大！,如对64*64的人脸图像,p,= 4096,采用奇异值分解方法.,偷凑盘簇蓬砒钉蟹境险捏彝札今琵屡竞付校新孟迪伪果未很绒最据试锤闭6应用_人脸识别6应用_人脸识别,定理（SVD）设矩阵,4）人脸的主成分特征提取算法,则,其中,称为 A的奇异值,注,橱胳珐贴肩软假涤衰侠丸诉靛能堵讯薛缕折胳吻无代吃春征辟炭乖侍签吸6应用_人脸识别6应用_人脸识别,4）人脸的主成分特征提取算法,由上述SVD定理可知,u,i,是,AA,T,的对应于特征值,i,的正交单位特征向量,v,i,是,A,T,A的对应于特征值,i,的正交单位特征向量,1）,即,2）,写成,舔惜潜潍恢衍过赐眼低沸宠吹暗晕嗣语妒基寡褐呈窑臀噎辽呛复希彰兑疙6应用_人脸识别6应用_人脸识别,4）人脸的主成分特征提取算法,因此求,高维矩阵,AA,T,R,pp,的非零特征值对应的特征向量可通过,较低维的矩阵,A,T,A,R,rr,的非零特征值对应的特征向量来计算.,即,上述式子是以下PCA特征提取算法的关键.,析实活割怒乖熏庚漾鞠折畴圭姆帐猩嘻华酞詹哈采取氮啮帝屹樊畜紫箭营6应用_人脸识别6应用_人脸识别,利用奇异值分解的人脸PCA特征提取算法步骤,4）人脸的主成分特征提取算法,Step1,获取经过几何归一化与灰度归一化后的人脸训练样本数据矩阵X，计算,Step2,计算 A,T,A的特征值与单位特征向量，将非零特征值按照从大到小的顺序排列,对应的单位正交特征向量记为,景囚炎量可常兔体文蠢宛镶豪野亢苟霖蒂橇蛋西罕泣叠征湘点研矿刃毯斋6应用_人脸识别6应用_人脸识别,4）人脸的主成分特征提取算法,Step4,待识别人脸归一化得,x，,取,m,p,，,计算其,PCA特征,写成向量形式,其中,注：,x,的重构为,y,即为人脸,x,的主成分特征,Step3,计算,油颓羞孵扣岗垒冤糜捐惫馅甥矢罪界净颇豢食沼丙藏席瘩盂端污谁勿谤韵6应用_人脸识别6应用_人脸识别,PCA变换是图像压缩的一种最优正交变换，人们将它应用于特征提取，,形成了子空间法模式识别的基础,。将PCA用于人脸识别，需要假设不同人脸具有可分性。,5）子空间识别方法,云锥垫颧妖强埃懦庶啮厉贩警赌宙惯赎弯诛滥黍拨澳嫉疤汹岂掐告狱嵌传6应用_人脸识别6应用_人脸识别,5）子空间识别方法,由线性空间的理论可知，如果,p,维空间的一个标准正交基为,则对此空间中任一向量都可以由上述基唯一表示为,截断表示,若截断误差,则,即高维向量可用低维向量近似表示。,凰含骋携冶行疙钮缎淡揍泅镍睡祁贰烧粟洁藏插牺珊荔清诵嘘谜依券艳趣6应用_人脸识别6应用_人脸识别,5）子空间识别方法,PCA就是一种将高维空间中的向量用低维子空间的向量来近似表示的方法。,其低维子空间的基是由前若干个主成分方向向量构成的。,若将主成分方向向量（基向量）组成图像，则此图像呈现人脸的形状，因此这些正交基也被称作,特征脸,（Eigen Face）,变成矩阵,显示,组愚跌滔劣埠重环撵祁颠葛箔汀谗吻靛组跨芜安埠潭腔材嗓抽涌龋叁封裂6应用_人脸识别6应用_人脸识别,而具体细节需要那些小特征值对应的特征向量（也称次分量）来加以补充描述，因此低频成分用主分量表示，高频成分用次分量表示。,5）子空间识别方法,下图是在ORL数据库上用PCA 提取的特征脸（前30个）,选择哪些正交基形成子空间则有不同的考虑，与较大特征值对应的一些正交基（也称主分量）能够表达人脸的大体形状,巾萧鞋绘安壶七返绕蹋槐瓢席活辞夜贷挫父浩汕揉礁钳碎憎吼携观催阉少6应用_人脸识别6应用_人脸识别,Image Space R,p,PCA SubSpace,*,PCs,Human1s faces,PCs,*,*,*,*,*,*,*,。,*,*,*,*,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,。,*,*,*,Human2s faces,PCs,Test face,Who ?,基于PCA 的人脸识别示意图,Test Face Vector,辰靠善香痢中正企属订蛮清鼓办邯演纤汞仅径筹辜众落关模每苇剔彻魁晾6应用_人脸识别6应用_人脸识别,人脸PCA识别方法存在的问题,虽然 PCA 方法对于代表数据样本非常有效，但是并没有理由表明主成分分析对区分不同的类别有什么大作用。如果把所有类别的样本都放在一起，则,被PCA方法抛弃的那些成分方向可能正是能够把不同的类别区分开来的分布方向,。,例如,，在印刷体字符识别中，如果需要识别的是大写字母Q和O，用PCA方法能够发现这两种字母之间的相似之处，却可能把区分字母的那个尾巴特征抛弃掉。也就是说，PCA方法寻找的是用来有效表示的主轴方向。,佛漂公登壶祈琴导蛤杆滦虫诬搞哇孪之揍例物吓玫耽噪慰拣蚕舍物抠由塑6应用_人脸识别6应用_人脸识别,人脸PCA识别方法存在的问题,从压缩能量的角度来看，PCA变换是最优的。变换后的低维空间对于人脸有,很好的表达能力,，然而这,并不等同于对不同人脸具有较好的辨别能力,。它查找的是图像之间所有的差异，并根据这些差异来确定不同人脸间的距离，而不管这些差异是由于光线、发型或背景的改变引起的，还是属于人脸本身的内在差异。,研究表明,，PCA方法随着光线、角度以及人脸的尺寸的引入而识别率急剧下降。前面几个主成分表达能力最佳，后面的主成分考虑了高频的人脸区分能力，但是,PCA变换不能区分差异究竟是外在因素带来的图像差异还是人脸本身带来的差异。,莽阉惹拥磁栓膀擎倘制假廖媒终前樟恬通诽妨哩娃姓术罐犹没俭嚷志吕声6应用_人脸识别6应用_人脸识别,人脸PCA识别方法存在的问题,一种改进是考虑到局部人脸图像受外在千扰相对较小的情况，除了计算特征脸之外，还,利用PCA变换计算出特征眼、特征嘴,等。将局部特征向量加权进行匹配能够得到一些好的效果。,由于主成分分析是在最小误差平方和准则下，找到一个低维子空间，使其能够最好地表达原始的高维数据，,如果原始数据的特征存在复杂的非线性关系，那么线性子空间的表示性能将很差,。,非线性主成分分析：KPCA,吕刊敌聘官址译束搔践和胰篷骂尿营码肝费捂耻阁姬帮耍似扳数蔓然插湍6应用_人脸识别6应用_人脸识别,完,揩祈童胳锻煮霍邑样桌快千屏灾阀掐堡串栅辖药洛馏遭乞篮辛粗判骨罐醛6应用_人脸识别6应用_人脸识别,