人臉識別算法有哪些分類
導語：人臉識別算法有哪些分類?小編你已經將相關的內容教程分享給大家了，希望文章大家能夠喜歡！
用三維的方法：
三維人臉識別方法有：
1.基于圖像特征的方法：
采取了從3D結構中分離出姿態的算法。首先匹配人臉整體的尺寸輪廓和三維空間方向;然后，在保持姿態固定的情況下，去作臉部不同特征點(這些特征點是人工的鑒別出來)的局部匹配。
2.基于模型可變參數的方法：
使用將通用人臉模型的3D變形和基于距離映射的矩陣迭代最小相結合，去恢復頭部姿態和3D人臉。隨著模型形變的關聯關系的改變不斷更新姿態參數，重復此過程直到最小化尺度達到要求。基于模型可變參數的方法與基于圖像特征的方法的最大區別在于：后者在人臉姿態每變化一次后，需要重新搜索特征點的坐標，而前者只需調整3D變形模型的參數。
用二維的方法：
人臉識別算法主要有：
1.基于模板匹配的方法:
模板分為二維模板和三維模板，核心思想:利用人的臉部特征規律建立一個立體可調的模型框架,在定位出人的臉部位置后用模型框架定位和調整人的臉部特征部位,解決人臉識別過程中的觀察角度、遮擋和表情變化等因素影響。
2.基于奇異值特征方法：
人臉圖像矩陣的奇異值特征反映了圖像的本質屬性，可以利用它來進行分類識別。
3.子空間分析法：
因其具有描述性強、計算代價小、易實現及可分性好等特點，被廣泛地應用于人臉特征提取，成為了當前人臉識別的主流方法之一。
4.局部保持投影(Locality Preserving Projections，LPP)是一種新的子空間分析方法：
它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統線性方法難以保持原始數據非線性流形的缺點，又解決了非線性方法難以獲得新樣本點低維投影的缺點。
5.主成分分析(PCA)PCA模式識別領域一種重要的方法：
已被廣泛地應用于人臉識別算法中，基于PCA人臉識別系統在應用中面臨著一個重要障礙：增量學習問題。增量PCA算法由新增樣本重構最為重要 PCS，但該方法隨著樣本的增加， 需要不斷舍棄一些不重要PC，以維持子空間維數不變， 因而該方法精度稍差。
6.其他方法：
彈性匹配方法、特征臉法(基于KL變換)、人工神經網絡法、支持向量機法、基于積分圖像特征法(adaboost學習)、基于概率模型法。
【人臉識別算法有哪些分類】相關文章：
人臉識別算法有哪些難點問題04-01
人臉識別有哪些核心算法04-01
人臉識別的方法有哪些04-01
人臉識別系統有哪些難點04-01
人臉識別的算法原理是什么04-01
人臉識別考勤機怎么分類04-01
人臉識別考勤機具有哪些特點04-01
人臉識別考勤機要注意哪些問題04-01
安裝人臉識別考勤機要注意哪些問題04-01