特征判别分析人脸识别方法的
人脸识别经典算法
人脸识别经典算法
人脸识别经典算法是指在人脸识别领域经典、应用广泛的算法，主要包括以下几种：
1. 特征脸算法（Eigenface）：该算法是利用主成分分析（PCA）对人脸图像进行降维处理，将高维度的图像转换为低维度的向量，然后通过计算向量之间的距离来实现人脸识别。
2. Fisherfaces算法：该算法和特征脸算法类似，但是在计算主成分时，将类内距离最小和类间距离最大作为优化目标，来提高人脸识别的准确率。
3. 局部二值模式（Local Binary Pattern）算法：该算法使用图像中每个像素点周围的像素点值来构建特征向量，并采用模式匹配算法来实现人脸识别。
4. 非负矩阵分解（Nonnegative Matrix Factorization）算法：该算法是将人脸图像矩阵分解为两个非负矩阵，利用这两个矩阵的乘积来表示原始矩阵，实现人脸特征提取和识别。
5. 线性判别分析（Linear Discriminant Analysis）算法：该算法通过最大化类间距离和最小化类内距离来提高人脸识别准确率，同时可以降低维度，减少计算量。
以上算法都有其优缺点，在实际应用中需要根据具体情况选择合适的算法来实现人脸识别。
随着人工智能技术的不断发展，人脸识别算法也在不断改进和创新。
- 1 -。
人脸识别方法综述
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。
人脸识别算法的性别识别方法
人脸识别算法的性别识别方法人脸识别技术是一种通过计算机对人脸图像进行分析和比对的技术，广泛应用于人脸识别、人脸检测、人脸跟踪等领域。
其中，性别识别算法是人脸识别技术的一个重要组成部分。
本文将介绍人脸识别算法中常用的性别识别方法。
一、人脸特征提取在性别识别的过程中，首先需要对人脸图像进行特征提取。
人脸特征提取是将复杂的人脸图像通过一系列算法转化为更加简洁、有意义的特征向量，以便于后续的性别分类。
目前常用的人脸特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）等。
PCA方法通过寻找最大化数据方差的特征向量来实现降维，将高维的图像数据转化为低维的特征向量。
而LDA方法则通过线性投影的方式，最大化同类样本的间隔，最小化异类样本的间隔，以获得更好的分类性能。
这两种方法在性别识别中均有应用。
二、分类器训练与测试在人脸特征提取之后，需要使用特征向量进行性别分类器的训练和测试。
常见的分类器包括支持向量机（SVM）、人工神经网络（ANN）等。
支持向量机是一种常见的监督学习方法，通过构建一个决策边界，将数据划分为不同的类别。
在性别识别中，支持向量机可以根据训练集的特征向量来学习判别性别的规律，最终得到一个具有较好分类性能的模型。
人工神经网络模拟了人脑神经元之间的连接和传递方式，通过对大量数据进行学习和训练，提取出特征，并通过不同的神经元层进行特征的组合和计算，最终得到性别分类的结果。
人工神经网络具有较强的非线性拟合能力，适合处理复杂的人脸图像。
三、数据集的准备与标注在进行性别识别的算法训练和测试之前，需要准备一个充足且准确标注的数据集。
数据集应包含不同姿态、光照条件、表情等变化的人脸图像，以保证算法的鲁棒性和泛化能力。
同时，还需要为数据集进行性别标注，即对每张人脸图像进行男性或女性的分类标记。
标注的准确性对于算法的训练和测试非常重要，需要尽可能避免标注错误和偏差。
四、算法性能评价在性别识别算法的研究中，评价算法的性能是十分重要的。
人脸识别算法_几种人脸识别算法的原理概念及其代码特征
人脸识别算法_几种人脸识别算法的原理概念及其代码特征一、基于特征分析的人脸识别算法基于特征分析的算法主要通过提取人脸图像的特征信息，然后进行对比匹配。
常用的特征分析算法有主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
1.主成分分析（PCA）主成分分析是一种经典的人脸识别算法，其主要思想是将原始的高维人脸图像数据降维到低维空间，并通过保留最重要的特征信息来实现对人脸的识别。
该算法将人脸图像看作向量，通过对人脸样本进行协方差矩阵分析，得到一组特征向量，通常称为特征脸。
然后通过计算待测人脸与特征脸的距离来判断身份。
2.线性判别分析（LDA）线性判别分析是一种将高维空间数据映射到低维空间的方法，在保留类别内部信息的同时，还具有良好的分类性能。
在人脸识别中，LDA将人脸图像看作样本，通过计算类别内均值和类别间均值的差异，找到能最好区分不同类别的投影方向。
最后，通过计算待测人脸与特征向量的距离来进行识别。
3.局部二值模式（LBP）局部二值模式是一种用于纹理分析的特征描述符，其主要思想是使用局部区域的像素值与中心像素值进行比较，然后按照比较结果生成二进制编码。
在人脸识别中，LBP算法通过将人脸图像划分为小的局部区域，计算每个区域的LBP特征向量，然后将不同区域的特征向量连接起来形成一个长向量。
最后通过计算待测人脸与训练样本的LBP特征向量的距离来进行识别。
二、基于深度学习的人脸识别算法随着深度学习的快速发展，基于深度学习的人脸识别算法逐渐成为主流。
这类算法通过设计并训练深度神经网络，可以自动学习人脸图像的特征表示，从而实现更准确的人脸识别。
1.卷积神经网络（CNN）卷积神经网络是一种前馈神经网络，其主要特点是通过卷积层和池化层来提取图像的局部特征，使得神经网络能够更好地适应图像的结构信息。
在人脸识别中，CNN通过输入人脸图像到网络中，网络会自动提取各种特征，然后通过全连接层进行分类或验证。
人脸识别的原理和过程
人脸识别的原理和过程
人脸识别是一种通过计算机技术对人脸进行识别和验证的方法。
它的原理是基于人脸的独特性和特征来进行身份确认。
人脸识别的过程可以分为人脸检测、特征提取和特征匹配三个主要步骤。
人脸识别系统会通过摄像头或图像输入设备获取人脸图像。
然后，在人脸检测阶段，系统会利用图像处理算法来确定图像中是否存在人脸。
这一步骤通常包括人脸位置的定位和人脸边界框的绘制。
通过分析图像中的颜色、纹理和形状等信息，系统能够准确地检测到人脸的位置。
接下来，在特征提取阶段，系统会从检测到的人脸图像中提取出人脸的特征。
这些特征通常包括人脸的轮廓、眼睛、鼻子和嘴巴等部位的位置和形状信息。
为了提取这些特征，系统会使用一系列的图像处理和模式识别算法，例如主成分分析、线性判别分析等。
通过这些算法，系统能够将人脸图像转化为一个高维特征向量。
在特征匹配阶段，系统会将提取到的人脸特征与事先存储在数据库中的特征进行比对。
这个数据库中存储了已知身份的人脸特征信息。
系统会采用相似度度量算法来计算待识别人脸特征与数据库中每个特征的相似度。
然后，系统会根据相似度的大小来进行身份的验证或识别。
如果待识别人脸特征与某个数据库中的特征相似度高于设定的阈值，则认为是同一个人；反之则认为是不同的人。
总结起来，人脸识别的原理和过程是通过人脸检测、特征提取和特征匹配三个步骤来完成的。
这一技术的应用非常广泛，可以用于安全门禁、人脸支付、人脸认证等领域。
随着计算机技术的不断发展，人脸识别技术也在不断改进和完善，为我们的生活带来了更多的便利和安全。
人脸识别算法技术手册
人脸识别算法技术手册一、简介人脸识别技术是一种基于人脸特征进行身份认证和识别的技术。
随着计算机视觉和机器学习的快速发展，人脸识别算法在安全领域、人机交互、人脸分析等方面得到了广泛应用。
本手册旨在介绍人脸识别算法的原理、常见算法模型和应用场景。
二、人脸识别算法原理1. 人脸图像的采集2. 人脸图像的预处理3. 人脸特征提取4. 人脸特征匹配5. 人脸识别结果输出三、常见的人脸识别算法模型1. 主成分分析法（PCA）主成分分析法是一种常用的降维算法，通过将高维的人脸图像数据映射到低维空间，提取出最相关的特征信息，用于人脸识别。
2. 线性判别分析法（LDA）线性判别分析法是一种分类算法，它通过最大化类间距离和最小化类内距离的方式，实现对人脸图像的判别和分类。
3. 非负矩阵分解法（NMF）非负矩阵分解法是一种较新的人脸识别算法，它能够对图像进行非负矩阵分解，提取出图像中的特征子空间，从而实现人脸识别。
4. 深度学习算法深度学习算法，特别是卷积神经网络（CNN），在人脸识别领域取得了显著的成果。
通过多层次的神经网络结构，深度学习算法能够对人脸图像进行准确的特征提取和分类。
四、人脸识别算法的应用场景1. 门禁系统人脸识别技术可以应用于门禁系统，实现对人员出入的自动识别和记录。
通过与数据库中的人脸特征进行匹配，系统能够判断是否授权进入，并实时记录人员信息。
2. 监控系统人脸识别技术在监控系统中起到了重要的作用。
通过对监控视频中的人脸进行实时检测和识别，系统能够迅速发现目标人物，并输出报警信号。
3. 身份认证人脸识别技术可以用于身份认证，取代传统的密码、指纹等方式。
无需物理接触，只需通过摄像头采集人脸图像，系统即可进行快速、准确的身份验证。
4. 人脸分析人脸识别技术可以用于人脸分析，如表情分析、性别识别、年龄估计等。
通过分析人脸图像中的特征，系统能够获取更多的人脸信息，实现个性化服务和广告推荐等功能。
五、人脸识别算法的挑战与未来发展1. 光照变化和姿态变化对算法的影响光照变化和姿态变化是人脸识别算法的两个主要挑战。
人脸识别的算法模型比较与性能分析
人脸识别的算法模型比较与性能分析人脸识别技术近年来得到了广泛应用，涵盖了安防监控、手机解锁、人脸支付等领域。
而作为人脸识别技术重要组成部分的算法模型，其性能直接关系到系统的精确性和鲁棒性。
本文将比较和分析几种常见的人脸识别算法模型，探讨它们的优劣和适用场景。
1. Eigenfaces（特征脸）算法模型Eigenfaces算法是人脸识别算法的开山鼻祖，通过将人脸图像转换成低维度的特征向量，并使用线性判别分析（LDA）进行分类。
该模型在中小规模人脸库上表现良好，但在大规模数据库的性能较差。
此外，对于光照、角度变化较大的人脸，特征脸模型的准确性也会受到影响。
2. Fisherfaces（判别脸）算法模型Fisherfaces算法是对特征脸算法的改进，引入了线性判别分析（LDA）来提高分类性能。
相对于特征脸算法，判别脸算法在光照和角度变化较大的情况下具有更好的鲁棒性。
然而，对于遮挡较多、表情变化较大的人脸，该算法的准确率仍然会有所下降。
3. Local Binary Patterns（局部二值模式）算法模型Local Binary Patterns（LBP）算法是一种基于纹理特征的人脸识别算法，通过计算图像局部区域的纹理信息来描述特征点。
LBP算法具有简单、高效的特点，并对光照和姿态变化较为鲁棒。
然而，LBP算法在人脸成像质量较低或遮挡较多的情况下可能会出现性能下降的问题。
4. SIFT和SURF算法模型SIFT（尺度不变特征变换）和SURF（加速稳健特征）算法是两种基于图像局部特征的人脸识别算法。
它们通过检测和提取图像中的关键点，并利用这些关键点构建特征向量进行匹配。
这些算法对于光照变化较为鲁棒，能够处理一定程度的遮挡和表情变化。
然而，由于这些算法需要计算大量特征点，其速度相对较慢。
5. 神经网络算法模型神经网络算法在深度学习的浪潮下受到广泛应用，也在人脸识别领域取得了显著的成果。
深度神经网络通过构建多个卷积层、池化层和全连接层，能够从原始图像中学习出高级特征，并实现准确的人脸识别。
人脸识别技术的原理分析
人脸识别技术的原理分析人脸识别技术是一种基于人脸图像特征识别与比对的生物识别技术，它可以通过摄像头、照片或视频等方式采集人脸图像，并通过图像处理和模式识别技术来对人脸进行分析和比对，从而实现身份认证、门禁控制、罪犯追踪等多种应用。
人脸识别技术的原理可以分为人脸图像采集、特征提取与模板匹配三个步骤。
一、人脸图像采集人脸图像采集是人脸识别技术中的第一步，也是最关键的一步。
它通过一系列装有高清摄像头和红外传感器的设备来捕捉人脸图像，将人脸图像转化为数字信号，并对其进行精准识别、分析和处理。
在人脸图像采集中需要考虑的因素包括光线、角度、距离、遮挡等，其中光线因素对于人脸识别技术的准确性影响最大。
二、特征提取特征提取是人脸识别技术中的核心环节，该环节通过一系列算法将人脸图像中的特征提取出来，形成一个特征向量，用于后续的比对和匹配。
特征提取的算法主要包括PCA（主成分分析）法、LDA（线性判别分析）法、IJB（人脸识别杂志评估测试）评估方法、深度学习等。
其中，深度学习技术在现代人脸识别技术中占有重要地位，它通过卷积神经网络（CNN）提取人脸图像中的特征，再进行训练和学习，最终形成一个对于该人脸图像的特征向量。
三、模板匹配模板匹配是人脸识别技术中的最后一步，它通过将人脸图像中的特征向量与预先存储的人脸数据库中的特征向量进行比对，从而判断该人脸图像是否属于数据库中的某一人。
在模板匹配中需要考虑的因素主要包括相似度计算方法、训练模型、更新数据库等方面。
总的来说，人脸识别技术的原理主要是通过摄像头、照片或视频采集人脸图像，通过一系列算法和模式匹配技术提取人脸图像的特征向量，并与预先存储的人脸数据库中的特征向量进行比对和匹配，从而实现身份认证、门禁控制、罪犯追踪等多种应用。
虽然人脸识别技术在各个领域中已经逐渐得到广泛应用，但是也存在一些风险和隐患。
例如，人脸识别技术可能会侵犯个人隐私权；人脸识别技术也可能会出现误认等问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2005.5计算机工程与应用基金项目：国家自然科学基金重点项目“基于生物特征的身份识别研究”（编号：60332010）；国家863高技术研究发展计划项目（编号：2002AA118010）的资助1引言人脸识别技术由于其广泛的应用前景和科学研究价值而日益受到科研工作者们的重视，在过去的几年中也取得了巨大的进步[1]。
然而，现有的大多数系统都严重受图像采集环境及成像条件等诸多外界因素的影响，有些系统甚至要求用户的高度配合。
人脸识别领域中的一些主要问题仍然没能得到解决，尤其是在实际应用中，当成像条件没有限制的情况下，问题变得尤为突出。
这在学术上和应用系统的设计中都是个挑战。
Fisherface [2]是最成功的人脸识别技术之一。
在许多人脸库上对Fisherface 的测试都表明：在面部特征手工精确配准情况下该方法具有优越的识别性能。
但是在实际应用系统中结果则完全不同。
究其原因，发现大多数误识别都来自于眼睛中心点定位时发生的一、两个像素的偏差，即性能的下降源于不精确的特征配准。
因为在实际应用中一、两个像素的误配准几乎是无法避免的，所以急需对算法进行改良。
为强调误配准问题，先前的工作[3]中将这种由人脸特征点定位不准确引起的小的误配准而导致系统性能发生陡降的现象称为“误配准灾难”问题。
解决误配准灾难问题，除可以进一步研究人脸特征的精确配准方法外，还可以从提高人脸表征及分类方法对误配准的鲁棒性入手。
Gabor 小波核非常类似于哺乳动物简单视觉皮层感受野，显示出理想的空间局部性和方向选择性，因此被成功的应用于许多人脸识别系统中。
其中，动态连接结构[4]（后发展为弹性图匹配技术[5]）、基于Gabor 特征的Fisher 判别分析分类器[6]（GFC ）以及Gabor 小波网[7]（GWN ）都是成功的应用系统。
该文进一步从误配准鲁棒性角度评价Gabor 小波表征方法，并揭示Gabor 特征的鲁棒性。
文章对下面要讲述的内容组织如下：第二部分简要介绍基于Gabor 小波的人脸表示方法；第三部分讲述人脸识别算法对误配准问题的鲁棒性评价；接下来详细描述DAGR 和Fisher-face 的鲁棒性对比实验；第五部分给出结论。
2基于Gabor 特征判别分析的人脸识别方法误配准灾难问题的存在促使寻找对误配准问题更鲁棒的特征表示方法。
Gabor 小波特征由于能够反映信号在局部时间范围内和局部频带上的频谱信息，对由不精确定位而产生的误Gabor 特征判别分析人脸识别方法的误配准鲁棒性分析唱轶钲1山世光2高文1，2曹波2杨澎21（哈尔滨工业大学计算机学院，哈尔滨150001）2（中科院计算所ICT-ISVISION 面像识别联合实验室，北京100080）E-mail ：1yzchang@摘要人脸识别领域中，Gabor 特征人脸表示方法因其在应用中获得的高首选识别率而被认为是一种理想的人脸特征表示方法。
文章用一种全新的量化评价方法，结合配准精度和识别率，从误配准鲁棒性角度评价Gabor 特征在人脸识别中的优越性。
实验表明，和图像灰度信息特征相比，Gabor 特征不仅在精确配准时具有高识别率，而且对由于人脸特征定位不精确而导致的图像变化的鲁棒性也更强。
关键词人脸识别误配准Gabor 小波特征文章编号1002-8331-（2005）05-0056-04文献标识码A中图分类号TP391Evaluation of Gabor Features for Face Recognition from the Angle of Robustness to Mis-alignmentChang Yizheng 1Shan Shiguang 2Gao Wen 1，2Cao Bo 2Yang Peng 21（School of Computer Science ，Harbin Institute of Technology ，Halrbin 150001）2（Chinese Academy of Sciences ，Beijing 100080）Abstract ：Gabor feature has been widely recognized as a desirous representation for face recognition in terms of itshigh recognition rate.This paper evaluates Gabor feature for face recognition from a new angle of its robustness to mis-alignment using a novel quantificational evaluation method which combines the alignment precision with the recognition accuracy.This experiments show that ，compared with the gray-level intensity ，Gabor feature is much more robust to image variation caused by the imprecision of facial feature localization ，which further support the feasibility of Gabor representation.Keywords ：face recognition ，mis-alignment ，Gabor feature56计算机工程与应用2005.5算法R 0（%）r *（%）R A 9282.30.895B 10079.50.795C8272.30.895配准显现出更高的鲁棒性。
为证明该观点，笔者实现了一个基于Gabor 特征的判别分析系统（Discriminant Analysis of Gabor Representation-DAGR ）。
该系统与刘的GFC 方法非常相似[6]，但是我们所用的是标准的Fisher 判别分析，而非增强的Fisher模型。
在系统中，对Gabor 核的描述如下：ψu ，v （z ）=‖k u ，v ‖2σ2e（-‖k u ，v ‖2‖z ‖2/2σ2）e ik !u ，vz -e-σ2/2"#（1）其中k u ，v =k v e i Фu，k v =k max fv控制频率，Фu =u π8，Фu ∈[0，π）控制方向，z=（x ，y ）。
在公式（1）中，v 控制Gabor 滤波器的尺度，决定Gabor 滤波器在频域的中心位置；u 控制Gabor 滤波器的方向。
这点可以从Gabor 滤波器的实部分布图中看出，如图1（b ）所示。
图中Gabor 滤波器的参数分别为：σ=2π，k max =π/2，f=2$，尺度参数v ∈{0，1，2，3，4}，方向参数u ∈{0，1，2，3，4，5，6，7}。
这些Gabor 核形成了40个不同的滤波器并表现出理想的空间频率、空间局域性和方向选择性。
将人脸图像与这40个Gabor 核进行卷积，得到该人脸图像的Gabor 特征表示。
然后，将对每个像素计算得到的Gabor 系数依次连接起来得到一个高维特征空间。
为便于后续判别和分类工作，通过4×4窗口求平均的方式对特征空间进行下采样，并忽略边缘点对所得结果作0-均值1-方差处理。
在系统中，标准化人脸图像大小为64×64，下采样后得到的Gabor 特征的维数为225×40=9000，用PCA 方法将其维数降到300，最后用Fisher 判别分析提取识别特征。
（a ）归一化人脸图（b ）40个Gabor 核（c ）人脸图像的Gabor 小波表示图1Gabor 小波的人脸表示3人脸识别算法对误配准鲁棒性度量方法因为在实际应用系统中误配准无法避免，故无误配准发生时的首选识别率便不再适用于对算法的评价和比较。
考虑两个算法A 和B ，图2给出识别率随误配准程度变化而变化的曲线。
由图可知，在配准精确情况下，算法B 的识别率高达100%，而算法A 仅为92%。
习惯上，会得到结论：算法B 的性能优于算法A 。
但是在实际应用中，事实并非如此，因为配准不可能完全准确。
图2算法A 、B 、C 性能随误配准变化图现在考虑将算法A 和B 集成到一个实际人脸识别系统中的情况。
假设A 和B 采用相同的前端特征对齐方法，即此时配准是不可能完全精确的而是满足高斯分布的。
假设配准的错误率满足：p （∂）～N （µ，σ2）（2）此处∂=d （P ，P*）是自动特征定位算法给出的特征点位置P 偏离特征点实际位置P*的程度，则我们按如下方法评价算法的性能[3]：定义1：考虑误配准鲁棒性的识别率定义为：r *=Ω%P （∂）r （∂）d ∂（3）其中∂是误配准程度；Ω限定误配准的可能范围；P （∂）是误配准的概率密度函数；r （∂）代表∂发生时的识别率。
r *实际上是以误配准概率为权值的加权平均识别率，因此比单纯的首选识别率更适于评价集成了配准过程和识别过程的系统的性能。
此外，图2中注意到另一种情况：直觉上算法C 应该具有和算法A 相同的误配准鲁棒性，但算法C 的识别率均低于算法A（算法C 的识别率在各个点均低于算法A 10%）。
为处理这种情况，定义算法的误配准鲁棒性准则：定义2：算法对误配准的鲁棒性定义为：R=Ω%P （∂）r （∂）r 0d ∂=r*r 0（4）此处r 0为算法在精确配准情况下的识别率。
R 反映算法的识别性能受误配准的影响程度，其值域为（0，1）。
R 的值越大表示识别算法对误配准的鲁棒性越强。
r *和R 的提出大大简化了考虑误配准情况下对不同算法的性能评价。
以图2中的三种算法：A 、B 和C 为例，假设p （∂）～N（0，1），它们在考虑误配准情况下的识别率和误配准鲁棒性在表1中列出。
由表可知：在考虑误配准时算法A 的性能优于算法B 。
此外，还可得出结论：虽然算法C 的识别率低于A ，但是算法C 和算法A 具有相同的误配准鲁棒性，即R C =R A 。
表1算法A 、B 、C 的性能比较4DAGR 和Fisherface 的鲁棒性比较为验证DAGR 的鲁棒性，这里选择Fisherface 作为比较基准并将这两种算法在FERET 人脸库和CAS-PEAL 人脸库上分别进行测试。
下面先对要用到的两个数据库进行介绍。
4.1测试数据库介绍FERET 人脸库严格区分训练集合、原型图像集合和测试集合。
其训练集（Training Set ）中包含429人的分别来自fa （正常的人脸表情）和fb （变化的人脸表情）集合的1002张照片；原型图像集（Gallery Set ）中包含1196个人的1196张照片；测试集（Probe Set ）本文选择FERET 人脸库中的FB 测试集。