人臉識別的核心算法技術是對人臉的關鍵特征點進行檢測定位后，經過預處理后，將主要的人臉區域剔除并輸入后端識別算法。 1。對人臉的關鍵特征點進行檢測定位后，經過預處理后，可以將主人臉區域剔除并輸入后端識別算法。識別算法需要完成人臉特征的提取，并與庫存已知的人臉進行比較，完成最終的分類。 我們在該領域的主要工作包括: 問題: (1)基于lgbp的人臉識別方法統計學習已經成為人臉識別領域的主流方法，但實踐表明，基于統計學習的方法往往存在“泛化能力弱”的問題，尤其是在待識別的圖像中。 當屬性未知時，很難確定使用哪種訓練圖像來訓練人臉模型。因此，在研究統計學習方法的同時，我們也考慮了一類非統計模式識別方法。 思路: 對于給定的人臉圖像，LGBP方法首先將其與不同尺度和方向的Gabor濾波器卷積(卷積結果稱為Gabor feature map)，以獲得多分辨率的變換圖像。 然后將每個Gabor feature map劃分為幾個不相交的局部空間區域。從每個區域提取局部鄰域像素的亮度變化規律，從每個局部空間區域提取這些變化規律的空間區域直方圖。 所有Gabor feature map和所有區域的直方圖都被串聯到一個高電平上。Witt直方圖用于對面部圖像進行編碼。 最終的人臉識別是通過匹配直方圖之間的相似度(如直方圖交集)來實現的。下表為FERET 4人臉圖像測試集與FERET97人臉圖像測試集的對比結果?？梢?，該方法具有良好的識別性能。 此外，LGBP算法計算速度快，不需要大樣本學習，泛化能力強。