原创 OpenCV（2）

       新版本的OpenCV加入FaceRecognizer类，用于进行人脸识别，支持Eigenfaces、Fisherface、Local Binary Patterns Hisograms算发，对应函数分别是createEigenFaceRecognizer()、createFinsherFaceRecognizer()、createLBPHFaceRecognizer()。

       我们的大脑会针对不同的场景（线、边、角或者运动等）的局部特征有专门的神经细胞做出反应。显然大脑没有把眼前的世界看成零散的块块，我们的视觉皮层必须以某种方式把不同的信息转化成有用的模式。人脸自动识别就是如何从一幅图像中提取有意义的特征，然后把它对他们进行分类。基于几何特征的人脸识别是最直观来进行人脸识别的方式之一。通过标记点（眼睛、耳朵、鼻子等的位置）用来构造一个特征向量（点与点之间的距离、角度等）。通过计算测试和训练图像的特征向量的欧式距离来进行识别。这样的方法对于光照变化很稳健，但也有很大的缺点：标记点的确定是很复杂的，即使是使用最先进的算法，单靠几何特征不能提供足够的信息用于人脸识别。

        特征脸的方法是使用一个全面的方法来识别人脸，面部图像是一个点，这个点是从高维图像空间找到它在低维空间表示，这样分类变得很简单。低维子空间是使用主元分析（Principal Component Analysis，PCA）找到的，他可以找到拥有最大方差的那个轴。虽然这样的转换是从最佳重建角度考虑的，但是它没有把标问题考虑进去。如果变化的是基于外部来源，比如光照。轴的最大方差不一定包含任何有鉴别性的信息，因此此时分类是不可能的。因此，一个使用线性鉴别（Linear Discriminant Analysis，LDA）的特定类投影方法被提出来解决人脸识别问题。其中一个基本方法就是，使类内方差最小的同时，使类外方差最大。

       最近几年，各种局部特征提取方法出现。为了避免输入的图像的高维数据，仅仅使用的局部特征描述图像的方法被提出，提取的特征对局部遮挡、光照变化、小样本等情况更强健。

有关局部特征提取的方法有Gabor Waelets，离散傅立叶变换，局部二值模式。