人脸识别方法综述
《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。
人脸识别算法综述及算法性能比较
人脸识别算法综述及算法性能比较近年来，随着人工智能和机器学习的发展，人脸识别技术逐渐成为安保和智能化领域的重要应用之一。
传统的密码、身份证等身份验证方式已经逐渐被人脸识别技术所取代，因为它具有更加准确、无法被冒用的特点。
人脸识别技术是将人脸图像与系统库中的已知人脸图像进行比对来识别人脸的过程。
其中最核心的就是人脸识别算法，人脸识别算法是指利用计算机技术对人脸图像进行检测、特征提取、匹配等过程，从而实现人脸识别的技术。
目前，主流的人脸识别算法主要包括以下几种：1. 统计学方法统计学方法是比较早期的一种人脸识别算法，它主要通过使用数据统计方法来实现人脸识别。
该方法利用了人脸图像的统计特征，例如人脸形状、亮度、纹理等特征，然后通过比较不同人脸特征之间的差异来进行人脸识别。
常用的统计学方法主要包括主成分分析法（PCA）、线性判别分析法（LDA）等。
2. 人工神经网络方法人工神经网络方法是一种通过人类大脑的神经网络模型来进行人脸识别的方法。
该方法通过人类大脑的感知机制对输入的人脸图像进行学习和分析，并利用类似于人类大脑进行识别的方式来实现人脸识别。
在人工神经网络方法中，深度学习算法如卷积神经网络（CNN）和循环神经网络（RNN）等广泛应用于人脸识别领域。
3. 特征脸法特征脸法是一种基于图像分析和数学方法的人脸识别算法。
该算法的核心思想是通过矩阵特征分解的方法来获取人脸图像中的主要特征，并通过比较不同人脸图像之间的特征差异来实现人脸识别。
4. 特征脸法变体特征脸法变体是对特征脸法算法的改进和完善，它主要包括多尺度与多方向特征脸法（MDFL）、局部特征脸法（LBP）和Gabor小波变换特征脸法（GWFL）等算法。
这些算法主要通过引入多尺度、多角度和局部特征等方法来提高人脸特征的区分度和准确识别率。
5. 支持向量机方法支持向量机方法是一种基于统计学习理论的人脸识别算法。
该算法通过建立一个最优的非线性分类器来实现人脸识别，并利用支持向量机的孪生支持向量机方法来解决分类器的不确定性问题。
人脸识别技术综述
一、计算机人脸识别技术的基本 原理
计算机人脸识别技术的基本原理是利用图像处理和模式识别的方法，通过对人 脸图像进行预处理、特征提取和分类器设计，来对人脸进行识别。
1、人脸预处理
人脸预处理是计算机人脸识别技术的第一步，它的目的是去除图像中的噪声、 光照、表情等因素，使得人脸图像更加清晰和规整。人脸预处理的方法包括灰 度化、二值化、去噪、归一化等。
人脸识别技术综述
基本内容
随着科技的不断发展，人脸识别技术已经成为了日常生活中不可或缺的一部分。 从安防领域的身份认证到金融风控领域的风险控制，再到人机交互和智能客服 领域的用户体验优化，人脸识别技术都有着广泛的应用。本次演示将对人脸识 别技术进行综述，探讨其发展历程、现状、优缺点、挑战和未来发展方向。
相信在未来的发展中，人脸识别技术将会不断完善和提升，为人类的生活和工 作带来更加便捷和安全的应用体验。
参考内容
基本内容
随着科技的进步，计算机人脸识别技术得到了广泛的应用和发展。人脸识别技 术是一种利用计算机视觉技术来对人脸进行识别和认证的技。术，它的应用范 围已经涉及到安全监控、门禁系统、身份认证、人机交互等众多领域。本次演 示将对计算机人脸识别技术进行综述，介绍其基本原理、实现方法和发展趋势。
2、特征提取
特征提取是人脸识别的关键步骤之一，它的目的是从预处理后的图像中提取出 有效的特征，用于区分不同的人脸。特征提取的方法包括基于几何特征的方法、 基于统计特征的方法和基于深度学习的方法等。
3、分类器设计
分类器设计是人脸识别的最后一步，它的目的是利用已经训练好的分类器对人 脸特征进行分类和识别。分类器设计的方法包括支持向量机、神经网络、决策 树等。
随着人们对个人隐私保护的重视，未来的人脸识别技术将会更加注重隐私保护， 例如采用盲生化和隐私保护技术来保护用户的隐私。
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。
人脸识别方法综述
人脸识别方法综述引言人脸识别技术作为一种生物特征识别技术，可以通过分析和比对人脸的独特特征，实现识别和认证的功能。
它在安全监控、身份验证、社交媒体等领域有着广泛的应用。
本文将对人脸识别方法进行综述，从传统方法到深度学习方法，探讨其原理、特点以及应用情况。
传统方法特征提取•颜色特征：利用人脸图像的颜色信息进行提取，包括颜色直方图、颜色统计特征等。
•纹理特征：通过分析人脸图像的纹理信息，如纹理梯度、纹理对比度等。
•形状特征：提取人脸的几何形状特征，如人脸的轮廓、距离比例等。
模型匹配•通过构建人脸特征库，采用模型匹配的方法进行人脸识别。
常用的方法包括k近邻算法、支持向量机等。
局限性•传统方法对光照、姿态、室外环境等因素较为敏感，识别准确率不高。
•特征提取过程需要手动设计，对不同场景适应性较差。
基于深度学习的方法卷积神经网络（CNN）•CNN通过层层堆叠的卷积、池化和全连接层，自动学习图像中的特征，实现人脸识别的任务。
•通过端到端的训练方式，避免了手动设计特征的繁琐过程。
人脸识别网络VGGNet•VGGNet是一种经典的深度卷积神经网络，其特点是层数较深，参数较多。
•在人脸识别领域，VGGNet通过迁移学习和微调，可以取得较好的识别效果。
FaceNet•FaceNet是由Google开发的人脸识别网络，采用三元组损失函数进行训练。
•其核心思想是通过最小化同一个人脸图像的嵌入向量之间的距离，最大化不同人脸图像的嵌入向量之间的距离。
人脸检测与对齐Haar特征+级联分类器•Haar特征是一种基于人工设计的特征，可以用于人脸和非人脸的检测。
•级联分类器通过多个弱分类器级联组成，可以快速准确地实现人脸检测。
关键点检测与对齐•通过检测人脸图像中的关键点，如眼睛、鼻子、嘴巴等，实现人脸的对齐。
•通过对齐可以减小光照、姿态等因素的影响，提高识别准确率。
应用情况•安全监控：人脸识别技术可以应用于安全监控系统，实现人员的实时识别和报警功能。
人脸识别要方法范文
人脸识别要方法范文
人脸识别，也称为脸部检测，是一种基于计算机视觉的技术，可以根
据一张照片或视频中的人脸特征，识别人脸上的独特信息，将他们与一些
特定的人建立关联。
有了人脸识别技术，可以更有效地识别出与一些人相
关的信息，提高安全监控效果。
一、基本原理
人脸识别的基本原理是通过检测图像中的特征点来判断图像是否来自
同一个人。
通常的人脸检测步骤如下：首先，将输入图像转换为模型参数。
接下来，使用各种图像特征提取算法，提取出输入图像的特征点，并将特
征点进行构建和分类。
最后，使用一定的算法，比较新拟合的特征点和建
模好的特征，来判断图像是否来自同一个人。
二、人脸识别的常用技术
1、支持向量机
支持向量机是一种有效的机器学习技术，用于分类和回归任务。
它在
解决非线性问题时非常有用，是人脸识别技术中常用的技术之一、它的工
作原理是通过在给定空间中构建一条支持向量路径，并将这条线分割开来，以分辨出不同的训练类别；支持向量机能够将特征嵌入到高维空间，然后
计算空间中特征的相关性，以判断是否来自同一个人。
2、主成分分析
主成分分析（PCA）是一种常用的特征提取技术。
人脸识别文献综述
人脸识别文献综述
人脸识别技术的文献综述可以从以下几个方面展开：
1.人脸识别技术的发展历程：介绍人脸识别技术的起源、发展历程以及各个阶段的技术特
点和应用领域。
2.人脸识别的基本原理：阐述人脸识别的基本原理，包括人脸检测、特征提取和匹配识别
等关键技术。
3.人脸识别的应用领域：介绍人脸识别技术在各个领域的应用情况，如安全、金融、交通、
教育等。
4.人脸识别的技术挑战和解决方案：分析人脸识别技术面临的技术挑战，如光照、角度、
面部朝向、面部表情等，并介绍各种解决方案和技术进展。
5.人脸识别的未来展望：预测人脸识别技术的发展趋势和未来发展方向，包括深度学习、
多模态融合、隐私保护等方面的技术发展。
6.在撰写人脸识别技术的文献综述时，需要全面收集和阅读相关文献，包括学术论文、专
利、技术报告等，并对各种文献进行分类和整理。
同时，需要对各种技术和方法进行比较和分析，总结出它们的优缺点和应用场景。
最后，需要结合自己的理解和见解，对人脸识别技术的未来发展进行预测和展望。
需要注意的是，人脸识别技术是一个跨学科的领域，涉及到计算机视觉、机器学习、模式识别等多个学科。
因此，在撰写文献综述时需要有一定的专业背景和技术基础，以便更好地理解和分析相关文献。
人脸识别的几种方法
人脸识别的几种方法
人脸识别的方法主要有以下几种：
1. 基于几何特征的方法：这种方法通过提取人脸的几何特征，如眼睛、鼻子、嘴巴等部位的形状和大小，以及它们之间的几何关系（如距离、角度等），来进行人脸识别。
这种方法简单易行，但识别率较低，且对光照、表情等因素较为敏感。
2. 基于模板的方法：这种方法将人脸图像与预先存储的模板进行比对，找到最相似的模板作为识别结果。
常见的模板匹配方法有基于特征的方法、基于子空间的方法、基于神经网络的方法等。
这种方法识别率较高，但计算复杂度较高，且对模板的选择和存储要求较高。
3. 基于模型的方法：这种方法通过建立人脸模型，将人脸图像与模型进行比对，找到最相似的模型作为识别结果。
常见的模型方法有隐马尔可夫模型（HMM）、支持向量机（SVM）、神经网络等。
这种方法能够处理复杂的表情和光照变化，但需要大量的人脸数据来训练模型，且计算复杂度较高。
4. 基于深度学习的方法：这种方法通过训练深度神经网络来学习人脸特征，并进行人脸识别。
常见的深度学习算法有卷积神经网络（CNN）、循环神
经网络（RNN）等。
这种方法能够自动提取有效特征，对光照、表情等因
素具有较强的鲁棒性，但需要大量的计算资源和训练数据。
总之，人脸识别的不同方法各有优缺点，应根据具体应用场景和需求选择合适的方法。
- 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)。
人脸识别方法报告人脸识别（Face Recognition）是指给定一个静止或动态图像，利用已有的人脸数据库来确认图像中的一个或多个人。
人脸自动识别系统包括人脸检测与定位和特征提取与人脸识别两个主要技术环节，如图所示：1.人脸检测与定位部分检测图像中是否有人脸图像，若有，将其从背景中分割出来，并确定其在图像中的位置。
在某些控制拍摄条件的场合，如证件照等，背景相对简单，定位比较容易。
而在复杂背景下获得的图像，由于人脸在图像中的位置是未知的，此时人脸的检测与定位将受到以下诸因素的影响：( 1) 人脸在图像中的位置、旋转角度和尺度的变化；( 2) 发型和化妆会遮盖某些特征；( 3) 图像中的噪声。
2.特征提取与人脸识别这部分主要分为三个部分，分别是图像预处理、特征提取、人脸识别。
图像预处理：为了更精确地获得图像的有效特征信息，在特征提取前一般需要对图像做几何归一化和灰度归一化的处理。
前者是指根据人脸定位结果将图像中的人脸位置、尺度调整到同一位置和同样大小；后者主要是采用光照补偿等处理方法解决光照变化对检测的影响。
特征提取：进行特征提取时根据所采取识别方法的不同，具体提取的特征形式也不相同。
如在基于几何特征的识别方法中，需要提取特征点，然后构造特征矢量；在基于统计的特征脸方法中则是提取图像相关矩阵的特征矢量来构造特征脸；在模板匹配法中提取相关系数做为特征；而在基于神经网络的识别中一般不需要专门的特征提取过程。
人脸识别：特征提取结束后，下一步就是人脸识别。
在数据库中预先存放了已知的人脸图像或有关的特征值，识别的目的就是将待识别的图像或特征与数据库中数据进行匹配。
识别任务分为两类：人脸辨认，确定输入图像为库中哪一个；人脸证实，验证某人的身份是否属实。
常用的人脸识别方法有：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，是在抽取人脸图像上显著特征的相对位置及其参数的基础上进行识别。
早期的人脸识别是用手工确定人脸特征点的位置并将其输人计算机中，其工作的流程：检测出面部特征点，通过测量这些关键点之间的相对距离（欧式距离)，得到描述每个脸的特征矢量，如眼睛、鼻子和嘴的位置和宽度，眉毛的厚度和弯曲程度等，以及这些特征之间的关系。
用这些特征来表示人脸，未知脸和库中已知脸中的特征矢量比较,寻找最佳匹配。
Yuille提出基于弹性模板的人脸检测方法。
弹性模板是由一个根据被测物体形状而设定的参数可调模板和与之对应的能量函数构成，能量函数可依据图像的灰度信息、被测物体轮廓等先验知识来设计。
用弹性模板进行人脸检测时，将可调模板在待测图像中移动，并动态地调整其参数，计算能量函数，当能量函数到达最小值时，根据其位置和参数所决定的可调模板形状即是与人脸形状的最佳拟合，这样就检测到了一幅人脸.这种方法的优点是由于所使用的弹性模板可调,所以能够检测不同大小、不同偏转角度的人脸物体，其缺点是检测前必须根据待测人脸的形状来设计弹性模板的轮廓，否则会影响收敛的结果；当对图像进行全局搜索时，由于要动态地调整参数和计算能量函数，计算时间过长。
基于几何特征的识别算法具有存储量小、对光照不敏感的特点，但该方法对获得图像的质量要求很高，对特征点的定位要求非常准确，倘若人脸有一定的侧向或有装饰物则会影响识别率。
所以这种方法做为早期的识别方法，现在常是作为其它识别方法的辅助手段。
2.基于统计特征的人脸识别方法基于统计特征的人脸识别方法，不只针对人脸的某一特征，它是从整个人脸的角度出发，利用统计原理，从多张人脸图像中提取出人脸共有的一些规律，利用这些规律来进行人脸的识别。
由于人脸图像的复杂性，人脸特征的显式描述具有很大困难，因此基于统计的方法越来越受到重视。
典型的方法是特征脸( Eigenface)方法、Fisher脸方法和隐马尔可夫模型( HMM)方法。
（1）本征脸（Eigenface）方法本征脸方法是由Turk和Pentland等人首先提出的，是从主成分分析( PCA)导出的一种人脸识别和描述技术。
PCA由K-L展开的网络递推实现，K-L变换(最优正交变换)首先应用于图像的压缩，其生成矩阵由训练样本的总体散度矩阵构成。
其中，x k为第k个训练样本的图像向量，m k为训练样本集的平均图向量，N为训练样本总数。
本征脸方法是将包含人脸的图像区域看作随机向量，采用K- L变换获得其正交K-L基，对应其中较大特征值的基具有与人脸相似的形状，因此又称之为特征脸，如图所示：利用这些基的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别与合成。
其识别过程是将人脸图像映射到由本征脸张成的子空间上，通过比较待测人脸与已知人脸在本征脸空间中的位置差别来识别。
本征脸方法产生的最大特征向量(本征脸)考虑了图像之间所有的差异，但是它不能区分这些差异是由人脸本身带来的还是外在因素带来的，所以该方法有一定的局限性。
研究者在此基础上提出了许多改进的方法，如双子空间法、相形歧义分析方法、Fisher脸方法等。
（2）Fisher脸方法Fisher脸方法是Belhumeur提出的，该方法又称为线形判别分析( LDA)方法。
用LDA方法可找出使类内数据尽量集中，类间数据尽量分散的线性变换关系。
它是本征脸方法的一种最优改进,所以可以得到较好的识别结果。
其变换公式如下：由于LDA方法需要使用PCA降维，而PCA方法在降维的同时丢失了很多帮助判别的有用信息，因此很多人开始寻找直接使用LDA降维的方法。
Yu和Yang提出的DLDA方法，大量实测结果表明：Fisher脸方法优于本征脸方法，即FLDA的降维效果要优于PCA的降维效果；而基于直接进行LDA降维的人脸识别方法优于Fisher脸方法。
两者的区别就在于不使用PCA降维,使判别信息得到了最大程度的保留。
（3）LBP特征脸方法使用LBP 手段描述人脸，具体表现为运用纹理描述符对人脸局部展开详细的绘制处理，然后将其组合成一体。
其中是窗口中心像素，p是相邻像素个数，i c是窗口中心像素的灰度值，i n是相邻像素的灰度值，s是一个符号函数，定义如下：人脸图像被分割成几个局部区域，从这些不同的区域提取纹理描述符，并共同构成人脸的整体视图。
把脸部区域分成确定的m 份Ｒ0、Ｒ1、Ｒ2、…、Ｒm－1，直方图将依序计算每个区域，M 的直方图计算结果整合在一起形成空间，空间增加M×N大小的直方图，其中的n表示一个直方图的大小。
空间增强的直方图可以有效地描述3个不同层次的脸部，具体的3个层次分别为：直方图LBP 标识包含一个像素级别的信息；地域级是由小的区域上的标志集结构成的；这些区域的直方图连接起来，最终形成完整的人脸。
（4）隐马尔可夫模型（HMM）方法一种人脸识别方法的效果取决于图像的原始信息的利用程度。
所以一些研究者尝试用一组数值特征来描述人脸的各个器官，并且利用这组数值特征对人脸进行识别。
仅简单地利用一组数值特征并不能使人脸识别问题得到满意地解决，而应当把人脸作为一个整体来描述，不仅包括各个器官的数值特征，还应当包括各个器官的不同表象和相互关联。
隐马尔可夫模型已成功应用于语音识别，在该模型中，观测到的特征可看作是一组不可观测“状态”产生的一系列实现，可用不同的HMM参数来表征不同的人脸,同一个人由于姿态和表情变化产生的多个观测序列可以通过同一个HMM模型来表征，所以在理论上获得了很大的进步。
下图为人脸图像的一个典型HMM模型：多数研究者在利用HMM进行人脸识别时，都采用矩形窗口进行某种变换的方法来提取特征，常见的变换有2D-DCT、KLT、小波变换、奇异值分解等。
得到观察向量，构建HMM人脸模型，然后用EM算法训练。
利用该模型就可以算出每个待识别人脸观察向量的概率，从而完成识别。
为解决一维HMM识别率不高的问题，可以采用二维HMM方法。
二维HMM方法在AT& T人脸库测试的结果获得了较高的识别率。
（5）Harr特征脸方法Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征。
Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板。
特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。
Haar特征值反映了图像的灰度变化情况。
例如：脸部的一些特征能由矩形特征简单的描述，如：眼睛要比脸颊颜色要深，鼻梁两侧比鼻梁颜色要深，嘴巴比周围颜色要深等。
但矩形特征只对一些简单的图形结构，如边缘、线段较敏感，所以只能描述特定走向（水平、垂直、对角）的结构。
对于图中的A, B和D这类特征，特征数值计算公式为：v=Sum白-Sum黑，而对于C来说，计算公式如下：v=Sum白-2*Sum黑；之所以将黑色区域像素和乘以2，是为了使两种矩形区域中像素数目一致。
通过改变特征模板的大小和位置，可在图像子窗口中穷举出大量的特征。
上图的特征模板称为“特征原型”；特征原型在图像子窗口中扩展（平移伸缩）得到的特征称为“矩形特征”；矩形特征的值称为“特征值”。
利用积分图可以快速求出所有矩形特征；然后通过AdaBoost算法来训练和分类。
公式如下：3.基于连接机制的人脸识别方法（1）弹性图匹配（DLA）方法弹性图匹配是基于动态链接结构( DLA)的方法，用格状的稀疏图表示人脸，图中的节点由图像位置的Gabor小波分解得到的特征向量标记图的边用连接节点的距离向量标记，如下图所示：匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，由节点位置逼近输入图像模型图的对应点的位置进行识别。
Wiscott使用弹性图匹配方法,用FERET图像库数据实测，识别准确率达到97. 3%。
弹性图匹配方法对光照、位移、旋转及尺度变化都不敏感，是一种优于本征脸的人脸识别方法。
此方法的主要缺点是需要对每个存储的人脸计算其模型图，计算量和存储量都较大。
Wiskott在原有方法的基础上提出聚束图匹配，在聚束图中，所有节点都已经定位在相应目标上。
对于数据量很大的库，可以大大减少识别时间。
利用聚束图还能够匹配不同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜等相关信息。
（2）神经网络方法Kohonen自联想映射网络是早期用于人脸识别的一种神经网络，主要用于人脸的“回忆”，当输入图像上的人脸受噪声污染严重或部分缺损时，Kohonen网络可恢复原来完整的人脸，Cottrell 使用级联BP神经网络进行人脸识别，该方法对部分受损人脸、光照有所变化人脸的识别效果较好。
BP神经网络的公式为：E. Osuna提出的基于支持向量机网络( SVM)结合BP神经网络的人脸识别方法，可以避免BP网络结构设计上的盲目性,学习目标函数的凸性,使网络训练过程从根本上避免了局部最优等非线性优化问题。