人脸识别中主要算法的比较

1、基于PCA的识别算法

     主要有特征脸（Eigenface）算法和FisherFace算法。

       特征脸算法进行人脸识别的主要思想是将输入的人脸图像描述为“特征脸”的线性组合，不同的人脸特性用构成该种线性组合的系数来描述，其关键技术就是主成分分析----PCA。 人脸识别中用于描述人脸图像的向量维数都比较高，因此牛人就想到了用PCA进行降维。PCA算法简单有效，目前依然是人脸识别的流行算法之一，也是基准算法。

      FisherFace算法选取的特征空间是类内散布正交的矢量，使用该种特征脸空间可以弱化图像之间的识别信息无关的差异，不同人脸之间的差别得到突出，并弱化了表情，光照等因素的影响。

2、基于LBP算子的识别算法

3、基于隐马尔可夫模型的识别算法 --HMM

       在HMM基础上衍生的嵌入式隐马尔可夫模型EHMM和二维HMM对人脸识别有较高的识别率，鲁棒性较强，对让人脸表情，姿态的变化不敏感，对于人脸库的扩容性适应性好，新样本的加入不需要对所有样本进行重新训练，但是该算法实现比较复杂。

4、基于神经网络的识别算法

      神经网络在人脸识别上的优势就是在于可以通过学习 从而获得对于人脸图像规则隐形的一种表达，避免进行复杂的特征提取，有利于硬件的实现。但是该算法不易解释，由于神经元的数目较多，运算时间较长，并且需要多张人脸图像进行训练，在训练过程中往往需要对一些参数进行人为的调整，所以适合范围被限制于小型人脸库。

5、基于支持向量机识别算法

     支持向量机是统计学理论中一种基于结构风险最小化原理的机器学习算法。基于SVM的人脸识别算法在应对小样本空间的训练和识别时取得了较好的识别效果，但该算法训练时间较长，训练过程复杂，在训练过程中需要人为依靠经验对核心函数的许多参数进行调整，并没有完善的统一理论。并且由于支持向量机由于本质上是一种二分类算法，而人脸识别属于多分类问题，当训练样本数量很多时，如果不对训练样本进行针对处理，该算法的性能反而下降的很快。

————————————————

版权声明：本文为CSDN博主「大冰的小屋」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

原文链接：https://blog.csdn.net/u010110208/java/article/details/12706339