人脸识别技术综述：从传统特征到深度学习

人脸识别综述：从子空间回归到深度学习 人脸识别技术是计算机视觉和模式识别领域的热门话题之一，随着深度学习技术的发展，人脸识别技术也得到了长足的进步。本文对人脸识别技术进行了综述，从子空间回归到深度学习，深入分析了以图像梯度方向和韦伯脸为代表的“浅层”特征所引发的零和差异现象，以PCANet代表的将卷积神经网络与经典的“特征图-模式图-柱状图”特征提取框架相结合的编码原理。 人脸识别技术可以分为两大类：一类是基于传统的机器学习方法，另一类是基于深度学习方法。传统的机器学习方法主要基于子空间回归、图像梯度方向和韦伯脸等浅层特征，而深度学习方法则基于卷积神经网络和深度学习架构。 在人脸识别技术中，特征提取是非常重要的一步骤。传统的特征提取方法主要基于图像梯度方向和韦伯脸等浅层特征，而深度学习方法则基于卷积神经网络生成的深度特征。本文总结了鲁棒特征提取的基本要素，深入分析了以图像梯度方向和韦伯脸为代表的“浅层”特征所引发的零和差异现象，以PCANet代表的将卷积神经网络与经典的“特征图-模式图-柱状图”特征提取框架相结合的编码原理。 在人脸识别技术中，遮挡问题是非常重要的一个问题。本文对现有的方法进行了综述，从鲁棒分类器的设计和鲁棒特征提取两方面回顾了现有的方法。充分利用人脸图像和遮挡自身所固有的结构来表示、抑制或消除遮挡或由遮挡引发的误差是目前设计鲁棒分类器的关键思路。 本文还对现有方法的有效性进行了大规模测试，指出了现有方法的适用面及局限性，并指出了有遮挡人脸识别给计算机视觉带来的挑战，现有方法在优化算法和特征提取方面存在的主要问题，以及未来利用卷积神经网络处理遮挡问题需重点考虑的问题。 本文对人脸识别技术进行了综述，从子空间回归到深度学习，深入分析了以图像梯度方向和韦伯脸为代表的“浅层”特征所引发的零和差异现象，以PCANet代表的将卷积神经网络与经典的“特征图-模式图-柱状图”特征提取框架相结合的编码原理，为读者提供了一个全面的了解人脸识别技术的机会。