opencv的人脸识别是基于什么特点？

基于特征的方法是一种自下而上的人脸检测方法。由于人眼可以区别对待人脸，研究人员认为有一个潜在的假设，即人脸或人脸的一部分可能具有在各种条件下不会改变的特征或属性，如形状、肤色、纹理和边缘信息。基于特征的方法的目标是找到这些不变的特征，并用它们来定位人脸。这种方法非常有效，在特定环境下检测速度快，对人脸姿态、表情、旋转不敏感。但是，由于人脸部分的提取通常依赖于边缘算子，这类方法对图像质量、光照和背景要求较高，因为光照、噪声和阴影很可能破坏人脸部分的边缘，从而影响算法的有效性。

模板匹配算法首先需要人物TN作为标准模板(固定模板)或者模板先参数化(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，这通常是通过独立计算人脸轮廓、眼睛、鼻子和嘴巴的匹配度得到的综合描述。最后，根据相关值和预设的阈值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好得多，但仍然不能有效处理人脸尺度、姿态和形状的变化。

基于外观形状的方法不需要对输入图像进行复杂的预处理，也不需要人工分析面部特征或提取模板。而是使用特定的方法(如主成分分析(PCA)、支持向量机(SVM)、神经网络方法(ANN)等。)来训练大量的人脸和非人脸样本(一般非人脸样本集的容量是人脸样本集的两倍以上，以保证训练出来的检测器的准确性)。因此，这也是一种J自下而上的方法。该方法的优点是利用强大的机器学习算法快速稳定地达到良好的检测效果，在复杂背景下的多姿态人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整张图片才能得到检测结果，并且在训练过程中需要大量的人脸和非人脸样本以及较长的训练时间。近年来，基于该方法的人脸检测研究相对活跃。

基于代数特征的人脸识别方法

在基于代数特征的人脸识别中，每一幅人脸图像都被视为一个以像素灰度为元素的矩阵，人脸的特征由反映某些性质的数据特征来表示。我们假设一个人脸图像)，(y x I是二维N M ×灰度图像，也可以看作N M × =维列向量，可以看作N M ×维空间中的一个点。但是在这样一个空间中，并不是空间的每一部分都包含有价值的信息，所以一般来说，需要通过一些变换将这样一个巨大空间中的这些点映射到一个维度更低的空间中。然后，通过图像投影之间的一些度量来确定图像之间的相似性，最常见的是各种距离度量。在基于代数特征的人脸识别方法中，主成分分析(PCA)和Fisher线性判别分析(LDA)是研究最多的方法。本章简要介绍了PCA。

完整PCA(PrincipalComponentAnalysis)人脸识别的应用包括四个步骤:人脸图像预处理；读取人脸数据库，训练形成特征子空间；将训练图像和测试图像投影到在前一步骤中获得的子空间上；选择某个距离函数进行识别。详细描述如下:

4.1读入人脸数据库

人脸数据库归一化后，数据库中每个人选取一定数量的图像组成训练集。设归一化后的图像为n×n，将它们按列连接起来，形成一个n2维向量，可以看作是n2维空间中的一个点。这个图像可以通过K-L变换用一个低维子空间来描述。

4.2计算k.l变换的生成矩阵。

训练样本集的总离差矩阵是生成矩阵，即

或者写:

其中，xi是第I个训练样本的图像向量，|l是训练样本的平均向量，m是训练样本的总数。为了求n2×n2维矩阵的特征值和正交归一化特征向量，计算量太大，因此引入奇异值分解定理来解决高维问题。

4.3使用奇异值分解(AVD)定理计算图像的特征值和特征向量。

设A是秩为R的一行n×r维矩阵，则有两个正交矩阵和对角矩阵:

其中这两个正交矩阵和对角矩阵满足以下公式:

其中是矩阵的非零特征值，

4.4将训练图像和测试图像投影到特征空间，并将每一对人脸图像投影到特征人脸子空间，得到一组坐标系数，对应于子空间中的一个点。同样，子空间中的任何一点也对应于子图像。这组系数可以作为人脸识别的基础，也就是这张人脸图像的特征人脸特征。也就是说，任何人脸图像都可以表示为这组特征脸的线性组合，每个加权系数就是K. L变换的展开系数，可以作为图像的识别特征，表示图像在子空间中的位置，也就是向量。

它可以用于人脸检测。如果大于一定阈值，F可以认为是人脸图像，否则不是。这样，人脸图像识别的原问题就转化为根据子空间中的训练样本点进行分类的问题。

基于连接机制的人脸识别方法

基于连接机制的代表性识别方法有神经网络和弹性匹配法。

神经网络是近年来人工智能领域的研究热点，基于神经网络技术的人脸特征提取和识别是一个积极的研究方向。神经网络通过大量简单的神经元相互连接形成一个复杂的系统，在人脸识别，尤其是正面人脸图像中取得了很好的效果。常用的神经网络包括BP网络、卷积网络、径向基函数网络、自组织网络和模糊神经网络。BP网络计算量小，耗时短，其自适应功能增强了系统的鲁棒性。与其他方法相比，神经网络可以获得识别规则的隐式表达，但其缺点是训练时间长，计算量大，收敛速度慢，容易陷入局部极小值。Gutta等人结合RBF和树分类器的混合分类器模型进行人脸识别。林等利用虚拟样本进行强化和反强化学习，并采用模块化网络结构加速学习，实现了基于概率决策的神经网络方法，取得了理想的效果。该方法可应用于人脸检测和识别的所有步骤。弹性匹配法使用属性拓扑图来表示人脸，拓扑图的每个顶点都包含一个特征向量来记录顶点位置周围人脸的特征信息。拓扑图的顶点用小波变换来表征，对光线、角度、大小有一定的适应性，能适应表情和视角的变化。它从理论上改进了特征脸算法的一些缺点。

基于三维数据的人脸识别方法

一个完整的人脸识别系统包括人脸数据采集、数据分析处理和最终结果输出三个部分。图2-1显示了3D人脸识别的基本步骤:1，通过3D数据采集设备获取人脸的3D形状信息；2.对获得的3D数据进行预处理，如平滑去噪和面部区域提取；3 .从三维数据中提取面部特征，并与人脸数据库中的数据进行比较；4.使用分类器进行分类判断，输出最终的决策结果。

基于三维数据的代表性方法有模型综合法和曲率法。

基于模型合成的方法的基本思想是:输入二维人脸图像，用某种技术恢复(或部分恢复)人脸的三维信息，然后在指定条件下重新合成人脸图像。典型的例子有3D可变形模型和基于形状恢复的3D增强人脸识别算法。3D可变形模型首先由200个高精度的3D人脸模型构建一个可变形的3D人脸模型，用这个模型拟合给定的人脸图像得到一组特定的参数，然后合成一个任意姿态和光照的人脸图像。基于形状恢复的3D增强人脸识别算法是利用一般的3D人脸模型合成一张新的人脸图像，合成过程改变了一定的姿态和光源条件。

曲率是表达表面信息的最基本的局部特征，因此最先用于处理三维人脸识别的是人脸表面的曲率。Lee和lJ使用平均曲率和高斯曲率值来分割人脸深度图中的凸区域。

如果你是开发者，可以去Tel和colorreco上看一看，获得更好的技术解答。