如何实现人脸检测的极致速度？

人脸识别有很多种方法。以下是人脸识别的一些主要方法。

基于(1)几何特征的人脸识别方法

几何特征可以是眼睛、鼻子、嘴等的形状。以及它们之间的几何关系(比如它们之间的距离)。这些算法识别速度快，内存小，但识别率低。

(2)基于特征脸的人脸识别方法

特征脸方法是一种基于KL变换的人脸识别方法，KL变换是一种图像压缩的最优正交变换。KL变换后的高维图像空间得到一组新的正交基，保留重要的正交基，由此可以生成一个低维线性空间。如果假设人脸在这些低维线性空间中的投影是可分的，那么这些投影就可以作为识别的特征向量，这就是特征脸方法的基本思想。这些方法需要更多的训练样本，并且完全基于图像灰度的统计特性。目前有一些改进的特征脸方法。

(3)基于神经网络的人脸识别方法。

神经网络的输入可以是分辨率降低的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这种方法还需要更多的样本进行训练，而在很多应用中，样本的数量是非常有限的。

(4)基于弹性图匹配的人脸识别方法。

弹性图匹配方法定义了二维空间中对常见人脸变形不变的距离，用属性拓扑图来表示人脸。拓扑图的任意顶点都包含一个特征向量，用来记录顶点位置附近人脸的信息。该方法结合了灰度特征和几何因素，可以允许图像在比较时有弹性变形，在克服表情变化对识别的影响方面取得了很好的效果，同时也不再需要为单个人训练多个样本。

(5)基于Hausdorff距离的人脸识别方法

心理学研究表明，人类识别等高线图(如漫画)的速度和准确率，并不比识别灰度图差。LHD基于从人脸灰度图像中提取的线图，定义了两个线段集之间的距离。不同的是，LHD并没有在不同线段集合中的线段之间建立一一对应的关系，因此更适合线段图之间的微小变化。实验结果表明，LHD在不同光照条件和不同姿态下的识别效果都很好，但在大表情情况下识别效果不佳。

(6)基于支持向量机(SVM)的人脸识别方法

支持向量机(support vector machine，SVM)是近年来统计模式识别领域的一个新热点，它试图使学习机在经验风险和泛化能力上达成妥协，从而提高学习机的性能。支持向量机主要解决一个2-分类问题，其基本思想是试图将一个低维线性不可分问题转化为高维线性可分问题。通常的实验结果表明，SVM具有较好的识别率，但需要大量的训练样本(每类300个)，在实际应用中往往不现实。而且支持向量机的训练时间长，方法复杂，如何得到这个函数也没有统一的理论。

人脸识别的方法有很多种，目前的研究方向之一是多种方法的融合，提高识别率。

在人脸识别中，第一类变化要放大作为区分个体的标准，而第二类变化因为能代表同一个体，所以要剔除。一般来说，第一种变化叫类间变化，第二种变化叫类内变化。对于人脸来说，类内变异往往大于类间变异，这使得在类内变异的干扰下，利用类间变异区分个体变得异常困难。因为以上原因，直到265438+20世纪初，人脸识别才开始在国外商业化。然而，由于人脸识别算法的复杂性，它只能使用庞大的服务器，并基于强大的计算机平台。