基于LBP的人脸识别算法研究
基于LBP特征的人脸识别技术研究
基于LBP特征的人脸识别技术研究随着科技的快速发展，人脸识别技术在安防领域得到了广泛的应用。
基于LBP特征的人脸识别技术是其中一种常用的方法。
本篇文章将围绕这一主题进行深入探讨，包括LBP原理、算法、优缺点以及应用案例等方面。
一、LBP原理LBP是一种特征描述符，全称为Local Binary Pattern，中文名为局部二值模式。
其主要原理是将图像的每个像素点与周围的像素进行比较，根据比较结果判断像素点的值，最终得出该像素点的二进制特征编码。
这样，我们就可以获得每个像素点的二进制编码串，称之为LBP值。
LBP值具有旋转不变性和灰度不变性的特点，因此可用于人脸识别等领域。
二、LBP算法LBP算法的具体步骤如下：1. 选择图像像素点的半径和领域点的个数。
2. 对于每个像素点，确定其周围的领域点，并将领域点与该像素点进行比较。
3. 比较结果可分为大于中心像素点值和小于中心像素点值两种情况，分别用1和0表示。
4. 将所得比较结果按照顺序组合，得到该像素点的LBP值。
5. 将所有像素点的LBP值连接起来，得到整张图片的LBP特征。
三、LBP特征优缺点1. 优点LBP特征具有灰度不变性和旋转不变性等优点，其内存占用量小，计算速度快，适合大规模图像处理。
同时，它对光照不敏感，对噪声具有较好的容错能力，可用于复杂环境下的人脸识别。
2. 缺点LBP特征的数据密度较低，信息量不足。
有时需要通过降维等手段来增加信息量。
此外，在一些特定情况下，LBP特征不太适用，例如处于低对比度或低亮度情况下的图像。
四、LBP技术在人脸识别中的应用LBP技术在人脸识别中的应用已得到广泛验证。
其中，LBP特征经常被用来对人脸进行分类和检测。
同时，基于LBP的人脸建模方法也广泛应用于人脸识别系统中。
相比于其他人脸识别技术，基于LBP特征的人脸识别系统具有计算速度快、准确率高等优点。
在现有的人脸识别系统中，也有很多是采用基于LBP特征的方法。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计人脸识别技术是一种通过分析和研究人脸的特征来进行身份确认的技术。
基于LBPH （Local Binary Patterns Histograms）算法的人脸识别算法在近年来得到了广泛的研究和应用。
下面将对基于LBPH算法的人脸识别算法的研究与设计进行探讨。
基于LBPH算法的人脸识别算法首先需要进行人脸特征提取，LBPH算法是一种局部二值模式直方图方法，它通过计算图像中每个像素点与其邻域像素点之间的灰度差异来提取图像的局部纹理特征。
具体地说，该算法将人脸图像划分为若干个局部区域，并通过计算每个局部区域中像素点与邻域像素点之间的灰度差异，在每个局部区域中生成一个二进制模式，以此构成整个图像的局部二值模式特征。
在进行人脸识别时，算法首先要通过训练阶段学习得到每个人脸的局部二值模式特征向量，并利用这些特征向量构建人脸数据库。
在测试阶段，算法通过计算待识别人脸的局部二值模式特征向量与数据库中所有人脸的特征向量之间的距离来确定最匹配的人脸。
基于LBPH算法的人脸识别算法具有以下优点：1. 该算法对光照变化、表情变化和姿态变化相对较为鲁棒，能够在一定程度上解决人脸识别中的这些问题。
2. 算法实现简单，计算量较小，能够在实时应用中实现较快的识别速度。
基于LBPH算法的人脸识别算法也存在一些不足之处：1. 该算法对于人脸图像的分辨率要求较高，对于低分辨率的图像，识别效果不佳。
2. 该算法对于人脸图像中存在的噪声和模糊等问题比较敏感。
基于LBPH算法的人脸识别算法仍然有进一步的改进空间，可以结合其他算法，如人脸对齐算法和特征选择算法等，来提高人脸识别的准确性和鲁棒性。
随着深度学习的发展，基于深度学习的人脸识别方法也逐渐成为了研究的热点，未来可以探讨基于深度学习的人脸识别算法与基于LBPH算法的结合，以期得到更好的识别效果。
LBP人脸特征提取算法研究及应用
LBP人脸特征提取算法研究及应用LBP（Local Binary Patterns）是一种常用的人脸特征提取算法。
它是一种基于局部纹理的算法，通过分析图像中每个像素点的局部纹理信息，将其转换为二进制编码来描述图片特征。
LBP算法具有计算速度快、鲁棒性强等优点，因此在人脸识别、人脸表情识别等领域得到了广泛的研究和应用。
LBP算法的基本步骤如下：1.将图像转换为灰度图像，并对其进行归一化处理，使得每个像素的像素值在0-255之间。
2.对每一个像素点，选择其周围8个像素点作为参考点，根据参考点的灰度值与当前像素点的灰度值大小关系，通过比较生成一个8位的二进制编码。
3.统计图像中所有像素点生成的二进制编码的直方图，得到一个特征向量。
LBP特征具有以下优点：1.计算速度快：LBP算法只需要遍历图像的像素点进行比较和编码，因此计算速度较快。
2.鲁棒性强：LBP算法对于光照、表情等外界因素的影响较小，能够有效提取图像中的纹理特征，对于人脸的检测和识别具有较好的鲁棒性。
3.维度低：LBP特征是通过统计直方图生成的，因此维度较低，不易受到数据维度灾难的困扰。
LBP算法在人脸识别和表情识别等领域得到了广泛应用。
在人脸识别方面，LBP算法能够有效提取人脸图像的纹理特征，通过与数据库中已有的人脸特征进行比对，实现人脸的识别和认证。
在表情识别方面，LBP算法能够捕捉人脸图像中的细微纹理变化，通过与预先定义的表情特征模板进行匹配，实现对人脸表情的准确识别。
除了人脸识别和表情识别，LBP算法还可以应用于人脸表情合成、人脸美化等方面。
通过对人脸图像中的LBP特征进行分析和处理，可以实现对人脸表情的合成和美化，进一步丰富和改善人脸图像的应用。
总之，LBP人脸特征提取算法是一种基于局部纹理的算法，具有计算速度快、鲁棒性强等优点，广泛应用于人脸识别、表情识别等领域。
未来，随着计算能力的提升和算法的优化，LBP算法在人脸图像处理方面将会有更广泛的应用前景。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计关键词：人脸识别；LBPH算法；特征提取；模式匹配；识别率1.引言近年来，人脸识别技术的研究逐渐由传统的基于特征库的识别方法向基于特征提取和模式匹配的方法转化。
其中，局部二值模式（Local Binary Pattern, LBP）算法是一种常用的特征提取方法，它通过将像素点与其邻域内的像素点进行比较，得到一系列二值编码，再将这些编码组合成一个特征向量，用于描述人脸图像的局部纹理特征。
因此，可以应用LBP算法实现人脸识别，其中基于LBP算法的人脸识别方法被称为LBP-Histograms of Oriented Gradients（LBPH）算法。
LBPH算法具有简单、快速、稳健等优点，得到广泛应用。
本文的主要内容包括：对人脸识别技术进行基本原理和发展历史的介绍；对LBPH算法的基本理论和具体步骤进行分析；设计并实现一套基于LBPH算法的人脸识别系统；对该系统的性能进行测试与分析。
本文的实验结果表明，本系统可以实现较高的识别率和稳健性，具有一定的实用性和推广价值。
2.人脸识别技术的发展历史早期的人脸识别技术主要采用基于几何特征的方法，如通过计算人脸的眼、鼻、嘴等部位之间的距离和角度来确定人脸的位置、大小、姿态等信息，再通过特征匹配、模板比对等方法来实现人脸识别。
这种几何特征法具有操作简单、实现成本低等优点，但由于受到光照、姿态、表情、遮挡等影响，准确度较低，易受攻击和误识别。
随着数字图像处理技术、人工智能技术和机器学习技术的发展，人脸识别技术逐渐实现了从基于几何特征到基于生物特征的转变。
目前，主要的人脸识别技术包括特征提取、模式匹配、深度学习等方法。
其中，LBPH算法是一种基于特征提取的方法，具有简单、快速、稳健等优点，是目前应用最为广泛的人脸识别算法之一。
3.LBPH算法的原理及步骤LBPH算法是一种局部纹理特征提取算法，它将像素点与其周围邻域内的像素点进行比较，并将其值转换为二进制数值，然后将这些二进制数值组合成一个LBP码，最后将LBP码转换为一个十进制数值，作为该点的局部纹理特征。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计人脸识别技术是一种广泛应用于身份认证、安全监控和生物识别等领域的算法技术。
基于局部二值模式（Local Binary Pattern, LBP）算法的人脸识别技术具有良好的鲁棒性、高效性和高精度性等优点，已成为研究的重点方向之一。
本文主要研究基于LBPH算法的人脸识别算法设计与实现。
一、LBPH算法原理与特点LBPH算法最初由Ojala等人提出，是通过对图像中每个像素点的灰度值与其周围邻域像素点的灰度值对比得到局部二值模式，并将其表示为特征向量进行人脸识别。
LBPH算法的主要流程如下：1. 对于每个像素点p，判断其周围邻域像素点q的灰度值与其相对大小，分别标为1和0，得到一个二进制串。
2. 对于二进制串进行循环移位操作，得到若干个不同的二进制数值。
3. 根据得到的二进制数值生成一个特征向量，用于人脸识别。
1. 对光照、表情、姿态等变化具有较好的鲁棒性。
2. 算法实现简单，计算速度快。
3. 对图像噪声具有一定的适应能力。
1. 数据采集首先需要采集一定数量的人脸数据集，并进行数据预处理。
数据预处理包括图像灰度化、直方图均衡、切图等操作。
将处理后的数据集分为训练集和测试集。
2. 特征提取利用LBPH算法提取人脸图像的局部二值模式特征，并将特征表示为特征向量。
3. 特征匹配根据特征向量计算不同人脸之间的相似度，确定人脸图像属于哪个人。
4. 模型优化通过对算法参数的优化调整，进一步提高人脸识别算法的准确率和鲁棒性。
三、实验结果分析本文采用LBPH算法进行人脸识别实验，并对实验结果进行分析。
实验数据集采用Yale人脸数据集，训练集和测试集各为165张图像。
实验所用软件为MATLAB。
经过实验，得到了以下结论：1. LBPH算法在人脸识别任务中表现良好。
2. 实验结果表明，LBPH算法可对光照变化、表情变化等变化具有一定的鲁棒性。
3. 在模型优化中，调整图像的切图尺寸和LBPH算法中的参数值可以进一步提高模型的准确率。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析在计算机视觉和图像处理领域，人脸识别一直是一个备受关注的研究领域。
人脸识别技术应用于各种场景，如安防监控、身份验证、社交媒体等。
而且人脸识别技术也是计算机视觉领域的一个重要研究方向之一。
在图像集人脸识别中，以局部二值模式（Local Binary Pattern，简称LBP）为基础的算法是一种常用的方法。
本文将介绍以LBP为基础的图像集人脸识别算法的原理和分析。
1. LBP算法原理局部二值模式（LBP）是一种用来描述图像局部纹理特征的算法。
LBP算法的基本思想是以每个像素点为中心，利用周围像素的灰度值与中心像素的灰度值进行比较，得到二值编码。
具体来说，以图像中的一个像素点为中心，将周围8个像素的灰度值与中心像素的灰度值进行比较，若周围像素的灰度值大于中心像素的灰度值，则将该像素点编码为1，否则编码为0，得到一个8位的二进制数，称为该像素点的LBP码。
将LBP码转换为十进制数，就得到了该像素点的LBP特征值。
通过这种方式，可以描述图像中每个像素点的纹理特征。
2. 以LBP为基础的图像集人脸识别算法在图像集人脸识别中，以LBP为基础的算法通常包括以下几个步骤：- 特征提取：对每张输入图像进行LBP特征提取，得到每张图像的LBP特征向量。
- 特征选择：对提取的LBP特征向量进行特征选择，选择最具有判别性的特征。
- 训练分类器：利用选取的LBP特征向量训练分类器，如支持向量机（SVM）或者k最近邻（KNN）等分类器。
- 人脸识别：利用训练好的分类器对输入的人脸图像进行识别，得到识别结果。
3. 算法分析以LBP为基础的图像集人脸识别算法具有以下优点：- 简单高效：LBP算法特征提取过程简单，计算效率高，适合对大规模图像集进行处理。
- 鲁棒性好：LBP特征对灰度变化不敏感，具有一定的鲁棒性，对光照、表情等变化具有一定的稳定性。
- 不受图像几何变换的影响：LBP特征不受图像的平移、旋转等几何变换的影响，具有一定的不变性。
基于LBP的人脸识别算法研究
基于LBP的人脸识别算法研究人脸识别是一种广泛应用于安防、人机交互等领域的重要技术。
其中，基于局部二值模式（Local Binary Patterns，LBP）的人脸识别算法由于其计算简单、鲁棒性强等特点，已经成为一种受关注的方法。
LBP算法是一种描述图像局部纹理特征的算法，具有计算效率高、可扩展性好的优势。
LBP算法的基本思想是对图像的每个像素点，根据其邻域像素与中心像素的灰度值关系，将其编码为一个二进制数。
具体来说，对于中心像素周围的像素点，如果该像素点的灰度值大于等于中心像素的灰度值，将该像素点的位置用1表示，否则用0表示。
根据这种编码方式，可以得到一个LBP模式，通过统计不同LBP模式的出现频率，可以获得图像的纹理特征。
在基于LBP的人脸识别算法中，通常采用以下步骤进行特征提取和识别：1.图像预处理：对输入的人脸图像进行预处理，如灰度化、直方图均衡化等，将彩色图像转化为灰度图像，并增强图像质量。
2.图像划分：将预处理后的人脸图像划分成不同大小的局部区域，通常是将图像划分为若干个重叠的小块。
3.特征提取：对每个局部区域进行LBP编码，得到相应的LBP特征向量。
4.特征融合：将所有局部区域的LBP特征向量进行融合，形成全局特征向量。
5.特征分类：通过比较待识别人脸的全局特征向量和已知人脸的特征向量，采用分类算法（如最近邻分类器、支持向量机等）进行识别。
虽然基于LBP的人脸识别算法具有一定的优势，但也存在一些问题和挑战。
例如，LBP算法对光照变化和表情变化具有较好的鲁棒性，但对尺度变化、姿态变化等仍然比较敏感。
为了提高算法的性能，研究者们还提出了一系列的改进方法，如多尺度LBP、旋转不变LBP、加权LBP等。
此外，结合其他算法和技术，如主成分分析、线性判别分析、深度学习等，也可以进一步提升基于LBP的人脸识别算法的性能。
总之，基于LBP的人脸识别算法具有计算简单、鲁棒性强等优势，已经成为一种受关注的方法。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析随着人工智能技术的快速发展，图像识别技术也得以持续提升。
人脸识别作为人工智能技术中的重要应用之一，能够解决身份认证、安全监管等领域的问题。
本文将介绍一种以LBP为基础的图像集人脸识别算法，在人脸识别领域拥有一定的研究和应用价值。
1、LBP特征LBP（Local Binary Pattern）特征是一种用于纹理描述的局部特征。
LBP特征的基本思想是以像素点为中心，按照一定的邻域半径和点的数量统计该中心像素点与邻域点的灰度值大小关系，再将这些大小关系编码为二进制数，从而产生由二进制数构成的本征模式，表示该中心像素点所在位置的局部纹理特征。
以一个8邻域为例，可以按照如下的方式计算LBP特征值：（1）将像素点的邻域设置为$r$半径内的8个像素点。
（2）计算邻域内8个像素点的灰度值差异。
设像素点$p(x,y)$的灰度值为$I(x,y)$，邻域内第$i$个像素点$(x_i,y_i)$的灰度值为$I(x_i,y_i)$，则第$i$个像素点与中心像素点$P$的灰度值差异可以用$I(x_i,y_i)-I(x,y)$表示，即：$d_i=I(x_i,y_i)-I(x,y)$（3）将邻域内8个像素点与中心像素点的灰度值差异进行二值化。
如果灰度值差异小于等于0，则将其二值化为0，否则将其二值化为1。
二值化后得到的8位二进制数可以表示当前二进制数所对应的LBP特征值。
假设二进制数的第$i$位的值为$b_i$，则当前二进制数的LBP特征值可以表示为：$LBP_8=P(\{b_0,b_1,b_2,…,b_7\})=\sum\limits_{i=0}^{7} b_i 2^i$对于选定的像素点来说，计算得到的LBP特征值作为该像素点的特征描述符，反映了该像素点所在位置的局部纹理特征。
（1）图像预处理首先需要将原始的人脸图像进行预处理。
预处理主要包括图像归一化、直方图均衡化、去除噪声等步骤。
归一化能够使得不同大小的人脸图像有相同的尺寸，从而方便后续的特征提取和识别。
- 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)。
基于LBP的人脸识别算法研究一、应用背景随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。
在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。
相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。
人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。
人脸识别目前主要运用在如下三个方面：第一，刑侦破案方面。
例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。
第二，证件验证方面。
如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。
第三，人口控制方面。
此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。
世界上很多国家都在积极地开展对人脸识别技术的相关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。
在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述：（1）人脸检测，主要的方法有：基于轮廓（或肤色等）信息人脸检测方法，基于Adaboost 算法人脸检测方法，基于支持向量机（SVM）人脸检测方法以及基于神经网络的人脸检测方法等；（2）人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征（PCA）特征提取方法，基于独立元特征的特征提取算法，如Gabor等，还有2D 和3D 形变模型方法等；（3）人脸特征降维，主要方法：线性降维方法如主成分分析PCA和LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入(ISOMAP)、拉普拉斯特征映射(LE)、局部切空间调整(LTSA)、基于黎曼法坐标的快速流形学习(FMLBRNC)等；（4）人脸属性特征分类与人脸识别，主要的技术方法包括：最近邻和K 近邻分类，线性判别方法（LDA），核线性判别方法（K-LDA），支持向量机方法（SVM），人工神经网络法（ANN），隐马尔可夫模型方法（HMM）等；人脸识别算法的选择深受人脸识别系统具体应用的环境的影响，同时不同的应用场景对人脸识别系统也有着不同的要求，因此不可能存在通用的人脸识别算法，而是需要综合所有的情况选择最适合的人脸识别算法。
二、理论依据2.1 基于几何特征的人脸识别方法基于几何特征的人脸识别方法是最早出现的人脸识别方法之一，主要是利用人脸的五官的形状以及器官间的几何位置的关系，如嘴巴、鼻子、眼睛等人脸器官的局部形状特征以及其几何位置关系特征进行识别。
几何特征的人脸识别方法主要是采用人脸器官的结构的先验知识来提取以器官形状以及器官间的空间位置关系为基础的特征，构成人脸特征向量，此类方法的实质就是提取出的几何特征向量间的匹配。
基于几何特征的人脸识别方法原理比较简单，只是用到人脸器官的形状特征和器官间几何特征，算法思想也容易理解，但是识别效果不理想同时鲁棒性也较差。
原因有二：第一，只是简单的采用人脸器官的形状特征和器官间几何特征，人脸图像中保留的信息量过少，根本就不利于后期的人脸识别工作的展开；第二，由于人脸容易受环境因素的影响如光照、物体遮挡、姿态等，大部分情况下是很难进行五官特征的精确分割和提取工作。
2.2 基于统计特征的人脸识别方法由于人脸图像容易受到环境因素的影响如光照、障碍物遮挡、姿态变化和表情变化等，另外人脸图像中富含丰富的特征信息，如采用像基于几何特征的方法很难去准确的描述人脸图像信息。
而近年来比较流行的基于统计特征的人脸识别方法，可以得到不错的识别效果。
基于统计特征的人脸识别方法通常是采用某种映射方法将原图像空间中的像素点映射到另一个投影空间中去，而原空间向量称之为空间域向量，被映射到的投影子空间的那个向量被称之为变换域向量，此方法的目的也显而易见，便是寻找一种两个空间域变换的最优表示，可以把这个经过空间域变换后的优化的那个向量称之为特征图像，经过空间域的变换使得每类样本在变换后的分布更加具有规律可循，当然对于进行人脸识别也更加有利。
基于统计特征的人脸识别的方法具有代表性的有主成分分析方法(PCA)、独立分量分析(ICA)以及线性鉴别分析方法(LDA)。
（1）主成分分析方法（PCA ）主成分分析(简称 PCA)是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法。
我们从数学角度来进行定义解释 PCA 算法：假设给定 N 个点，12X=[,,,] ,each D N i x x x x R ∈，然后将这些高维空间(D 维)里的点被映射到低维空间(d 维)后对应的点为12Y [,,,],each D N i yy y y R =∈，此处d<<D ，此时从将向量从D 维空间映射到d 维空间。
PCA 算法核心思想是通过寻找一组最优的单位正交子空间，而用来表征此单位正交子空间的单位正交向量则称之为 PCA 的主成分，让原样本空间的向量通过主成分的线性组合转换到此正交空间中来，使得新的样本和原样本之间满足 PCA 模型定义的优化标准，比如最小化重构误差、距离保持和最大化方差保留等，而最常用的优化标准是最小化重构误差。
PCA 方法最大的优势就是可以将图像的特征进行降维，降维后进行识别，可以大大的加快人脸识别的速度。
PCA 方法的缺点也很明显，它要求人脸图像都是正面人脸，不这样的话，PCA 算法的人脸识别效果就会大不如人意，这也是该算法的最大不足之处。
（2）独立分量分析（ICA ）独立主元分析法 (Independent Component Analysis ，ICA)主要应用于信号分离技术中，采用 ICA 方法可以得到信号中的二阶和高阶的统计信息，而对于人脸图像来讲，许多重要局部纹理信息包含在高阶统计信息中，所以 ICA 被尝试着用来描述人脸图像中的高阶局部纹理信息。
独立分量分析计算量比较大且计算复杂，因此该算法实时性不足；同时对于独立分量的选择，由于目前还没有一个较好的算法来对其进行选择，一般都是依据经验来选取，这也一定程度上限制了 ICA 算法在人脸识别领域的应用。
（3）线性鉴别分析方法（LDA ）基于线性鉴别分析的人脸识别方法的基本思想是寻找一个适当的Fisher 函数，使得原样本空间在该Fisher 函数的方向上的投影后的样本空间达到最优，即在投影后达到使得样本的类间离散度最大和类内离散度最小的目的。
LDA 方法的目标是通过在高维特征空间中去寻找最优的低维特征，所选择最优的低维特征需满足样本类间离散度和样本类内离散度的比值达到最大。
LDA 算法应用于人脸识别领域时，仍然存在图像列向量维数过高的问题，这使得很难甚至是无法求解LDA 的特征方程。
2.3 基于机器学习的人脸识别方法基于机器学习的人脸识别算法中，用于分类和识别的人脸的特征是通过机器学习算法从预先建立好的人脸样本特征库中学习而来，当然这些训练学习得到的人脸特征的分布规律和特征的判别函数会随着所选择的学习算法的不同会有所不同。
下面将主要介绍基于人工神经网络的人脸识别学习算法和基于支持向量机的人脸识别学习算法。
（1）基于人工神经网络的人脸识别学习算法人工神经网络(artificial neural network，ANN)的人脸识别方法首先将人脸灰度化处理得到人脸的灰度图，然后充分利用了神经网络在表现人脸图像中细微的形状信息方面的优势来描述人脸特征，同这样避免了一般人脸识别方法中需要采取复杂的特征提取工作。
ANN 方法很少用在人脸特征提取方面，同时如果样本的类别过大还会出现过拟合和过学习等问题。
但是其在人脸图像中细微的形状信息方面的优势，使得ANN 算法对于特征分类和识别方面有着自己得天独厚的优势。
（2）基于支持向量机的人脸识别学习算法支持向量机(support vector machine，SVM)的人脸识别学习算法，是目前最热门的机器学习算法之一，基本的算法的思想是基于结构风险最小化原理寻找最优分类面，该分类面是能够将不同类的样本在样本空间分隔的超平面。
SVM是由线性可分的两类分类问题的最优分类面发展而来，对于多类的分类问题，也可以转化为多个二类问题，它的基本思想可以用下图2-1 的二维情况所示。
图2-1 最大间隔分类超平面在二维线性空间中，线性判别函数的一般形式为：(x)w x bg=⋅+，其中，最优分类线的方程的规范化形式为：w x+b=0⋅。
上图2-1 中黑空心圆和白空心圆分别代表着不同的两类样本，L是用来划分两类样本的直线，称其为分类线，L1和L2分别为过黑白两类样本的同时离分类线L最近且平行与L的直线，L1和L2两直线间的距离称之为两类样本的分类间隔。
而最大间隔分类线是，不但能正确分开不同类的样本，同时分类间隔达到最大值。
由直线间的数学定理可证得：L1和L2之间的距离为：2w ，即分类间隔为2w。
SVM 具有非常好的分类效果，但是如果直接使用SVM 进行人脸识别，会遇到很大的计算困难，首先遇到的问题便是在训练SVM 的时候，需要去求解二次规划的问题，该二次规划的问题的求解计算复杂度极高，就目前而言对于二次规划的求解并没有什么很好的方法；其次是当训练样本个数较大时，会得到的大量的支持向量，使分类器计算量过高。
2.4 基于局部模式的人脸识别方法在比较理想的外界环境中，上述所提出的倾向于整体的人脸图像识别算法可以达到不错的效果，但是真实的环境中，人脸图像需要受到环境的干扰，比如图像曝光问题、光照问题、人脸表情多变问题以及遮挡问题等，这些都严重的影响着人脸识别算法的识别准确率和识别效率。
而人脸局部特征信息如人脸局部的纹理特征、人脸局部灰度特征、人脸局部轮廓特征等对光照、人脸表情变化以及遮挡具有着良好鲁棒性。
LBP 特征是描述一个局部区域的纹理特征非常好的方法，本质上来讲，LBP 也是一种统计特征，所以稳定行好，通用性强。
它能很好的描述一个局部区域的纹理特征，由于它采用的是统计的方式，所以，有一定的抗旋转能力，能承受一定的光照影响。
该特征提取方法，有着良好的效果且它具有旋转不变性和灰度不变性等显著的优点，所以很适合用于人脸识别领域。