人脸识别的研究进展
最新人脸识别技术的应用背景及研究现状
最新人脸识别技术的应用背景及研究现状人脸识别技术（Face Recognition）是一种通过数字摄像头或者监控摄像头采集的人的面部图像，通过计算机算法分析和处理面部特征以完成身份认证和识别的技术。
它广泛应用于安全检测、人脸门禁、自动人脸识别系统等领域。
首先，人脸识别技术在安全检测领域有广泛应用。
传统的安全检测方式需要通过人工监控或者密码刷卡等方式进行身份认证，成本高且效率低。
而人脸识别技术可以通过高效的人脸识别算法，快速准确地识别出人脸信息，实现自动识别身份的目的，大大提高了安全检测的效率和准确性。
其次，人脸识别技术在人脸门禁领域也有广泛应用。
传统的门禁系统需要通过刷卡或者输入密码来进入，但是这种方式存在风险，如卡片遗失或者密码被泄露。
而人脸识别技术可以通过识别人脸特征，实现非接触式的门禁系统，提高了门禁系统的安全性和方便性。
在研究方面，目前人脸识别技术已经取得了很大的进展。
特别是深度学习的发展，为人脸识别技术提供了强大的算法支持。
传统的人脸识别算法主要基于特征提取和匹配的方法，但是这种方法无法解决人脸表情变化、光照变化等问题。
而深度学习技术可以通过大量的训练数据自动学习人脸的特征表示，大大提高了人脸识别的准确性和鲁棒性。
此外，在人脸识别技术研究中还存在一些挑战。
首先是数据方面的挑战，人脸识别需要大量的标注数据进行算法训练，但是获取大规模的标注数据是一项巨大的工程。
其次是算法的可解释性问题，深度学习的算法虽然可以提高人脸识别的准确性，但是其内部的工作原理并不容易解释。
此外，人脸识别技术还存在着隐私和安全问题，例如人脸数据的收集和使用可能涉及个人隐私泄露的风险。
综上所述，人脸识别技术在安全检测、人脸门禁、自动人脸识别系统等领域有广泛应用，并且在研究方面也取得了很大的进展。
随着深度学习和大数据的发展，人脸识别技术有望在未来进一步提高准确性和鲁棒性，并且在更多的领域得到应用。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人脸识别技术已经成为了人工智能领域的研究热点。
基于深度学习的人脸识别方法以其高精度、高效率的特点，在众多领域得到了广泛应用。
本文旨在全面梳理和总结基于深度学习的人脸识别方法的研究现状、主要技术、应用领域及未来发展趋势。
二、人脸识别技术的发展历程人脸识别技术自诞生以来，经历了从传统的手工特征提取方法到基于深度学习方法的演变。
早期的人脸识别主要依靠人工设计的特征提取算法，如主成分分析（PCA）、线性判别分析（LDA）等。
随着深度学习技术的崛起，卷积神经网络（CNN）等人脸识别算法得到了广泛应用。
三、基于深度学习的人脸识别方法（一）深度卷积神经网络（Deep Convolutional Neural Network, DCNN）DCNN是目前应用最广泛的人脸识别方法之一。
通过训练大量的数据，DCNN可以自动学习和提取人脸特征，从而提高识别的准确性。
同时，DCNN具有较好的泛化能力，可以应对不同的人脸表情、光照、姿态等变化。
（二）深度学习与特征融合在人脸识别中，特征提取是关键的一步。
通过将深度学习与其他特征提取方法相结合，如基于局部二值模式（LBP）的特征提取方法，可以进一步提高人脸识别的准确性和鲁棒性。
此外，多模态特征融合技术也可以提高人脸识别的性能。
（三）基于深度学习的无约束人脸识别无约束人脸识别是近年来研究的热点。
由于实际应用中的人脸图像往往存在光照、姿态、表情等变化，因此基于深度学习的无约束人脸识别技术显得尤为重要。
该技术通过训练大量的无约束人脸数据，使得模型能够适应各种复杂的人脸变化。
四、主要技术应用领域（一）安防领域基于深度学习的人脸识别技术在安防领域得到了广泛应用。
例如，公安系统可以通过该技术对犯罪嫌疑人进行快速检索和比对，提高破案效率。
此外，该技术还可以应用于门禁系统、监控系统等场景。
（二）金融领域在金融领域，基于深度学习的人脸识别技术可以用于身份验证、支付等方面。
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状
一、人脸识别技术的应用背景
随着社会的进步，人们的安全感越来越重要，政府、企业以及各个机构都希望能够实施安全的人员考勤系统。
考勤系统的安全性是考勤系统的重要组成部分，而人脸识别技术就可以满足这一需求。
人脸识别技术是指利用技术工具将一张图片中的人脸图像进行记录、保存、分析和识别的过程，以此来判断图像中的人是否为记录的其中一特定人的身份。
它是利用复杂的数据处理技术分析人脸形状特征，从而实现人脸识别的一种有效的方式。
由于识别过程无需受被识别者的同意，不会受到外来干扰，因此，人脸识别技术被广泛应用于考勤系统中，取代传统的传呼机考勤，使考勤更加安全、便捷。
二、人脸识别技术的研究现状
早在20世纪，科学家就从事人脸识别技术的研究，但是，由于计算能力的受限，在20世纪末，人脸识别技术仍然处于发展初期。
直到90年代中期，随着计算机技术的发展，深度学习技术的应用，及多模态数据的处理等，人脸识别技术逐渐发展成熟。
今天，人脸识别技术已经发展到比较成熟和完善的阶段，可以在各种应用场合使用，如安全监控系统中实现人脸识别，以及智能门禁系统，以及考勤系统等。
利用神经网络进行人脸识别技术研究
利用神经网络进行人脸识别技术研究一、背景介绍近年来，随着信息技术的迅速发展，人工智能开始崭露头角，人脸识别技术应运而生。
人脸识别技术是一种以数字图像的处理和模式识别为基础的高科技技术，其应用领域非常广泛，例如安防监控、门禁管理、身份认证等。
其中，利用神经网络进行的人脸识别技术更是成为当前领域的研究热点。
二、神经网络及其应用神经网络是一种模拟人类神经系统的计算模型，其拥有自我训练的能力，能够从大量的数据中学习并进行预测。
近年来，神经网络的应用得到了广泛关注，已经成为了许多领域中不可或缺的工具。
在人脸识别技术中，神经网络常被用来构建特征提取模型和分类模型。
特征提取模型的目的是提取人脸图像中的关键特征，例如面部特征、眼睛、嘴巴等。
分类模型的目的是将提取的特征归类为某个人，从而实现人脸识别的功能。
三、基于神经网络的人脸识别技术研究基于神经网络的人脸识别技术已经得到了广泛的研究和应用。
这里我们将介绍其中几种重要的技术。
1、卷积神经网络卷积神经网络是一种特殊的神经网络，其能够有效地提取图像特征。
在人脸识别中，卷积神经网络可以用于对人脸图像进行特征提取，从而得到更好的分类结果。
2、深度学习深度学习是对神经网络模型的高度抽象和优化，通过构建深层次的网络结构进行特征提取。
在人脸识别中，深度学习能够更加准确地提取人脸图像中的特征，从而得到更好的分类结果。
3、多模态融合多模态融合是指利用多种不同类型的信息进行分类。
在人脸识别中，可以利用图像、音频和视频等多种不同类型的信息进行分类，从而提高人脸识别的准确度和稳定性。
四、研究进展及应用前景基于神经网络的人脸识别技术在近年来有了很大的进展，其研究已经深入到特征提取、分类模型和多模态融合等不同方面。
随着技术的不断发展，其应用前景也将逐渐扩展到更多的领域，例如智能家居、自动售货机、自助服务等。
总的来说，基于神经网络的人脸识别技术极大地提高了人们对安全性和隐私的保护。
我们可以期待这项技术在未来的应用中发挥更多的作用。
基于人工智能的人脸识别技术研究及应用
基于人工智能的人脸识别技术研究及应用前言随着科技的发展，越来越多的人工智能技术被广泛应用于各个领域中。
其中，人脸识别技术是一项热门的应用之一。
它的重要性在于，它可以为许多日常生活和工作场景提供便利。
本文将介绍基于人工智能的人脸识别技术的研究进展和应用。
一、人脸识别技术的介绍人脸识别技术是一种基于人工智能的模式识别技术，它旨在将人脸中的主要特征提取出来并进行识别。
在实际应用中，人脸识别技术可以用于识别和验证人员身份、智能监控、刑侦和安全防范等方面。
二、人脸识别技术的研究进展1. 人脸识别技术的发展历程人脸识别技术的发展历程可以追溯到上个世纪50年代，并在1988年开始被商业化。
随着计算机处理速度的提高和机器学习算法的不断改进，人脸识别技术已经取得了重大进展。
2. 人脸识别技术的主要算法目前，人脸识别技术主要采用的算法包括人工神经网络算法、决策树算法和支持向量机算法等。
其中，深度学习算法是目前最火热的一种算法。
它可以处理大量复杂的数据，并通过多层神经网络对数据进行分类和识别。
3. 人脸识别技术的关键技术在实际应用中，人脸识别技术需要面对许多技术难题，如光照、姿态、表情、年龄、人种等方面的干扰。
因此，如何解决这些技术问题，成为了人脸识别技术研究的关键之一。
现在，许多新型的人脸识别技术正在被开发出来，以解决这些问题。
三、人脸识别技术的应用1. 人脸识别技术在安防领域中的应用人脸识别技术已经被广泛应用于安防领域中，如智能门禁、刑侦和巡逻等。
使用人脸识别技术可以使安全检查更加高效和准确，同时也可以防止身份欺骗和非法入侵。
2. 人脸识别技术在社会生活中的应用人脸识别技术不仅可以被应用于安防领域，还可以被应用于社会生活中。
比如，在人脸支付、出入校园和自动签到等方面。
这种技术可以给社会生活带来重大的便利和效率提高。
3. 人脸识别技术在医疗领域中的应用人脸识别技术还可以被应用于医疗领域中，如在病人识别、个性化治疗和健康评估等方面。
人脸识别技术的应用背景及研究现状
人脸识别技术的应用背景及研究现状一、引言人脸识别技术，是指通过运用计算机技术，对输入的包含人脸信息的图像或视频数据进行处理和分析，实现人脸的自动检测、识别和跟踪等功能。
自从20世纪80年代得以实现人脸识别技术以来，随着人类需求和科技进步，人脸识别技术的应用越来越广泛，研究也日益深入。
本文将探究人脸识别技术发展的应用背景和研究现状。
二、应用背景人脸识别技术可应用于多个领域，下面分别从以下五个方面进行阐述：1.公安安防领域：通过人脸识别技术，可以实现对陌生人、目标人物和危险人员的自动识别，从而提高公安安防管理的精确性和实时性。
2.社会福利领域：人脸识别技术可以用于医疗保险、生态福利、失踪人员找寻等多个方面，提高福利领域的效率和匹配度。
3.金融支付领域：随着行业的快速发展，移动支付、人脸支付等新兴支付方式越来越多地受到人们的青睐。
人脸识别技术可以为支付过程和支付安全提供更加便捷和精确的保障。
4.教育领域：人脸识别技术可以用于校园安全监控、考勤签到、课堂教学、学生管理等多个方面，提高教育领域的管理效率和服务质量。
5.企业管理领域：人脸识别技术可为企业提供精准、高效、安全的人才管理服务，以及员工考勤、门禁管理、安全检测等多个方面，极大提高企业的管理水平和运营效率。
三、研究现状目前，人脸识别技术的研究主要涉及以下几个方面：1.人脸检测技术：人脸检测技术是指通过图像分析，自动判断图像中是否存在人脸。
近年来，随着深度学习的发展，基于深度学习的人脸检测技术得到了广泛应用。
2.人脸识别技术：人脸识别技术是指通过特定的算法，自动识别人脸的身份信息。
随着计算机技术和人工智能技术的发展，基于深度学习的人脸识别技术也得到了极大的发展。
3.人脸属性检测技术：人脸属性检测技术是指通过图像分析，自动判断人脸的年龄、性别、表情等信息。
随着深度学习的普及，基于深度学习的人脸属性检测技术也得到了广泛应用。
4.人脸图像增广技术：人脸图像增广技术是指通过图像处理技术，在已有的数据集中增加新的样本数据，从而提高人脸检测和识别的准确度。
《2024年基于深度学习的人脸识别方法研究综述》范文
《基于深度学习的人脸识别方法研究综述》篇一一、引言随着科技的进步，人工智能在多个领域的应用愈发广泛，其中人脸识别技术以其便捷性和准确性得到了极大的关注。
近年来，基于深度学习的人脸识别方法以其独特的优势成为了研究热点。
本文将详细探讨基于深度学习的人脸识别方法的研究现状和未来发展趋势。
二、深度学习在人脸识别中的应用深度学习通过模拟人脑神经网络的工作方式，能够从大量数据中自动提取和学习特征，因此在人脸识别领域具有显著的优势。
在传统的人脸识别方法中，需要手动设计特征提取器，而深度学习可以自动完成这一过程，大大提高了识别的准确性和效率。
三、基于深度学习的人脸识别方法研究现状1. 卷积神经网络（CNN）卷积神经网络是深度学习中应用最广泛的一种网络结构，其在人脸识别领域取得了显著的成果。
通过构建多层卷积层和池化层，CNN能够自动学习和提取人脸特征，从而实现对人脸的有效识别。
2. 深度神经网络（DNN）深度神经网络通过构建多层神经元网络，可以学习和提取更复杂的特征。
在人脸识别中，DNN可以用于学习和提取人脸的深度特征，从而提高识别的准确性。
3. 生成对抗网络（GAN）生成对抗网络是一种无监督学习方法，通过生成器和判别器的对抗过程，可以生成与真实数据相似的假数据。
在人脸识别中，GAN可以用于生成高质量的人脸图像，从而提高识别的准确性。
四、基于深度学习的人脸识别方法研究进展近年来，基于深度学习的人脸识别方法在多个方面取得了显著的进展。
首先，随着计算能力的提高，深度神经网络的规模和复杂度不断提高，使得其能够学习和提取更丰富的特征。
其次，各种新型的网络结构和算法不断涌现，如残差网络（ResNet）、循环神经网络（RNN）等，为提高人脸识别的准确性提供了新的途径。
最后，基于人脸识别的应用场景不断扩大，如门禁系统、移动支付等，进一步推动了该领域的发展。
五、基于深度学习的人脸识别方法的挑战与未来发展趋势尽管基于深度学习的人脸识别方法取得了显著的成果，但仍面临着诸多挑战。
人脸识别技术行业发展研究报告范文
人脸识别技术行业发展研究报告范文一、技术概述人脸识别技术是通过对人脸的特征进行提取和比对，实现对个体身份的识别和验证的一种生物特征识别技术。
作为一种广泛应用于安防、金融、教育等领域的技术，人脸识别技术已经取得了长足的发展。
二、技术发展历程人脸识别技术起源于20世纪60年代，但直到近年来才取得了突破性的发展。
随着计算机视觉、模式识别、深度学习等技术的不断进步，人脸识别技术取得了重大突破。
从最早的基于线性代数的Eigenface方法，到后来的局部特征分析、稠密特征提取等算法的出现，人脸识别技术呈现出了越来越高的准确性和鲁棒性。
三、市场现状当前，人脸识别技术市场正处于快速发展阶段。
安防、金融、零售等领域对于人脸识别技术的需求日益增加。
据市场调研报告显示，全球人脸识别技术市场规模在2020年已达到200亿美元，并预计在未来几年内将保持持续增长。
四、技术应用人脸识别技术广泛应用于公安安防领域，如出入口门禁、身份验证、犯罪追踪等。
同时，在金融领域也得到了广泛应用，如银行的自动柜员机、移动支付等。
此外，人脸识别技术还在教育领域被用于考勤管理、学生身份验证等方面。
五、技术挑战尽管人脸识别技术在各个领域都取得了显著的进展，但仍存在一些挑战。
首先，光照、角度、表情等因素对人脸识别的影响较大，尤其是在复杂环境下识别率较低。
其次，隐私和安全问题也是人脸识别技术面临的挑战，在数据采集、存储和传输过程中存在潜在风险。
六、技术发展趋势未来，人脸识别技术将朝着更高的准确性和鲁棒性方向发展。
一方面，随着深度学习等技术的不断突破，人脸识别的误识率将进一步降低。
另一方面，随着人工智能、大数据等技术的发展，将实现更复杂场景下的人脸识别。
七、技术的道德和法律问题人脸识别技术的广泛应用也引发了一系列的道德和法律问题。
一方面，人们对于个人隐私的担忧逐渐增加，如何保护个人信息安全成为了亟待解决的问题。
另一方面，人脸识别技术在安全领域的应用也引发了对于滥用和侵害个人权益的担忧。
- 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)。
1引言人脸识别是计算机模式识别和生物特征鉴别技术的一个热门研究课题，它被广泛应用于娱乐，智能卡，信息安全，法律实施和监控等社会各方面。
一般来说，人脸识别主要是指在数字图像或视频图像中，通过人体面部视觉信息，进行人类身份鉴别的计算机技术。
人脸识别和其它生物特征识别技术如：指纹识别，掌纹识别等相比，具有方便，快捷，易以接受等特点[1]。
计算机人脸识别的研究始于60年代末，最早Bledsoe 以人脸特征点间的距离、比率等参数为特征建立了第一个半自动人脸识别系统[1]。
近几十年人脸识别研究逐渐发展，涌现出了大量新的技术和方法。
虽然人脸识别技术已经取得了很多突破性进展，但是计算机和人类的人脸识别能力相比，依然还存在很多问题，目前最好的商用人脸识别系统在实际使用中仍然有很多需要完善的地方。
2人脸识别系统的框架一般来说，一个完整的人脸识别系统主要包括下面几个步骤：(1)人脸检测(Face detection)：对输入图像进行分析，判断图像中是否存在人脸，如果存在人脸，则标定出人脸的位置和大小的过程。
(2)人脸对齐(Face alignment)：通过对人脸图像进行缩放，旋转，切割等操作，使所有人脸图像依照某种标准规范化的过程。
(3)人脸预处理(Face preprocessing)：通过对人脸图像进行处理，降低图像中光照变化，噪音干扰等情况对人脸识别带来的影响。
(4)人脸表示(Face representation)：提取人脸中可以用于描述人脸模式的特征并使用这些特征来表示人脸的过程。
人脸识别的研究进展钱志明1，徐丹21. 楚雄师范学院, 云南省楚雄市 675000E-mail: qzhiming@2. 云南大学计算机系, 昆明 650091E-mail: danxu@摘要: 随着人工智能和计算机视觉技术的发展，人脸识别已成为模式识别领域的一个热门研究课题。
本文对近年来人脸识别的研究状况进行了综述，分析了人脸识别存在的问题，系统地对目前主流人脸识别方法进行了分类和介绍，针对人脸识别中的一些局部表示方法做了分析和测试，并对未来人脸识别的发展方向进行了展望。
关键词: 人脸识别，人脸表示，局部特征Research Advances in Face RecognitionZhiming Qian1, Dan Xu21.Chuxiong Normal University, Chuxiong Yunnan 675000, ChinaE-mail: qzhiming@2. Department of Computer Engineering, Yunnan University, Kunming 650091, ChinaE-mail: danxu@Abstract: With the development of artificial intelligence and computer vision, face recognition has become a hot topic of pattern recognition. This paper presents a survey on the state-of-art face recognition research, systematically classifying and introducing face recognition methods. Furthermore, this paper analysis and tests some recent algorithms, which are used to extract the local facial features. In addition, several major issues for further research in the area of face recognition are also pointed out at the end of this paper. Key Words: face recognition, face representation, local feature(5) 人脸分类(Face classification)：对待识别人脸图像的特征表示，通过对比人脸数据库中已有的人脸特征表示，判断测试图像属于哪一类的过程。
图1显示了人脸识别的一般过程。
图 1: 人脸识别过程示意图3 人脸识别的现状从人脸识别的大量文献中可以发现，在人脸识别系统各个模块中，研究的最多的是人脸表示这一块，以至于给人一种假象，人脸识别技术主要内容就是人脸表示，但是实际情况并非如此，人脸识别系统中各个模块有密切的联系，并且每个模块都能对人脸识别系统的最终效果产生巨大的影响。
目前来看，对于人脸识别的各个模块，人脸检测是最成熟的，且该技术已经投入到各类应用中，如比较常见的数码相机中的人脸定位和跟踪，人脸检测的主流技术有Adaboost 方法[2]，该方法具有检测速度快，检测率高等特点，在人脸检测中得到了广泛应用。
人脸检测作为一个已经工程化的模块，目前的发展方向是把人脸检测和人脸表示相结合，提高人脸识别的效率，另外，使用新的算子或者轮廓进行人脸检测也是研究方向之一。
人脸对齐一直是人脸识别系统中的一个难题，虽然不断有新论文出现，但是效果依然不是十分理想，相对于人脸识别的其它模块而言，人脸对齐可以称为一个瓶颈，制约着人脸识别技术的发展，导致这种情况的原因在于：不同的人脸有着不同的形状结构，要使用一种数学模型能够匹配所有人脸轮廓难度较大，目前效果相对较好的人脸对齐方法主要是可变型模板技术。
人脸预处理是一个与数字图像分析和处理技术相关的模块，虽然在某些人脸识别系统中，人脸预处理模块没有得到体现，但是作为一个实用的人脸识别系统而言，由于环境的可变性和其它一系列影响因素，人脸预处理是不可或缺的，目前有很多技术已经能够很好的克服光照等变化的影响，但是在消除这些干扰的同时，人脸纹理结构也会受到不同程度的影响，如何对二者进行平衡和优化是研究的重点。
人脸表示是人脸识别系统中的核心模块，同时也是人脸识别中新方法出现最多的一个模块，在各类方法的不断创新和完善中，人脸表示取得了非常好的成绩，相对其它模块来说，人脸表示对人脸识别的影响已经很小，也就是说，如果人脸对齐和预处理模块不能实现突破的话，无论采取何种人脸表示方法，人脸识别的效果都不会有太大的提高。
人脸分类模块和人脸表示模块密切相关，一般来说，采用不同的人脸表示方法，就对应不同的人脸分类方法，人脸分类有两种方式，一种是在人脸表示的基础上直接使用模式识别中的一些经典分类方法进行分类，另一种是先对人脸表示的数据进行降维，特征过滤等操作，然后再进行分类。
4 人脸表示的新方法对于人脸识别的各个模块，我们重点介绍人脸表示这一部分，人脸表示是目前人脸识别领域影响最大，也是人脸识别最核心的一个部分。
人脸表示主要分为全局表示与局部表示两个方面[3]，全局表示主要从人脸图像的整体出发，考虑的是人脸模式的整体属性，例如利用人脸的全局结构，人脸的整体轮廓等进行分析和表示。
局部表示主要从人脸图像的局部特征信息出发，考虑人脸图像的眼睛，鼻子，嘴巴等特征，或是考虑人脸局部块图像的特性。
4.1 全局表示在经典PCA(Principal Component Analysis)和LDA(Linear Discriminant Analysis)等方法的影响下[4][5]，人脸表示中出现了大量以PCA 和LDA 为基础的改进方法，比如KPCA(Kernel Principal Component Analysis)，MFA(Marginal Fisher Analysis)[6][7]等，这里我们介绍当前比较有代表性的几种方法。
4.1.1 局部保持投影2005年, He 等人提出了局部保持投影LPP(Locality Preserving Projections) [8]，LPP 是一种基于表观的人脸识别方法，基于该方法得到的子空间被称为拉普拉斯脸(Laplacianface)。
拉普拉斯脸是对人脸流形上的Laplace Beltrami 算子的特征函数的最优线性近似。
不同于PCA 和LDA ，LPP 找到一个嵌入来保持局部信息,从而得到一个最好的探测到人脸流形结构的人脸子空间。
理论分析表明, PCA, LDA 和LPP 可以由不同的图模型产生。
同PCA 和LDA 相比, LPP 通过保留局部结构可以编码低维空间中更多具有判别性的信息, 这些信息要比全局结构更适合于分类。
作为流形学习方法在识别问题中的尝试，LPP 对人脸识别的发展做出了一定的贡献，不过我们也应该看到，虽然LPP 在一些试验中得到了非常好的效果，但是这并不能说明LPP 的性能绝对超过LDA 等方法。
4.1.2 非监督辨别投影在LPP 的基础上, Yang 等人提出了非监督辨别投影UDP(Unsupervised Discriminant Projection )[9]，UDP 可看作是基于多流形学习框架的一种近似, 它通过寻找一种最大化非局部散度同时最小化局部散度的投影。
相对LPP 而言，UDP 同时考虑了局部和非局部散度。
这种特点使得UDP 更直观，在某些情况下，UDP 要比只考虑局部散度的LPP方法更强大，在小样本情况下，UDP也表现出超过LDA的识别性能。
UDP相比LPP有一定的不同，但是从本质上看，UDP是LPP的一种简化的,正则化的版本,没有理由表明UDP比LPP更适合于通用的分类或聚类任务[10]。
4.1.3 稀疏表示2008年, Wright等人把稀疏表示用于人脸识别[11]。
稀疏表示将人脸识别问题看作多个线性回归模型的分类问题，通过稀疏信号表示的理论解决该分类问题。
该方法的主要思路是：对于待识别的人脸图像，利用训练集图像的线性组合进行重构，然后利用重构过程中得到的稀疏表示的重构系数进行人脸分类。
与传统的PCA等方法不同，稀疏表示是基于L1范数的求解过程，它的主要目的是找到一组稀疏的重构系数来重构人脸图像，并且通过这种稀疏表示来对测试图像进行分类。
稀疏表示可以很好的处理人脸识别中的两个关键问题：特征提取和对遮挡的鲁棒性。
由于稀疏表示与传统的人脸表示方法使用了不同的思路，且使用稀疏信号来表示人脸符合人类的视觉特性，目前该方法受到了越来越多的人脸识别研究者的关注。
4.2局部表示同人脸的全局表示相比，局部表示充分考虑了人脸图像的视觉、纹理等特性，在实际使用中，局部表示取得了相比全局表示更理想的效果，下面介绍几种当前比较有代表性的局部表示方法。
4.2.1 加伯变换Gabor小波是一种信号和数字图像处理中的滤波技术，自从2003年Liu 等人把Gabor小波用于人脸识别后[12]，Gabor小波以其优良的空间位置，方向选择以及空间频率等图像描述特性，一度成为人脸表示的热点。