5）基于神經(jīng)網(wǎng)絡(luò)的方法

　　Gutta等［26］提出了混合神經(jīng)網(wǎng)絡(luò)、Lawrence等［27］通過一個(gè)多級(jí)的SOM實(shí)現(xiàn)樣本的聚類，將卷積神經(jīng)網(wǎng)絡(luò)CNN用于人臉識(shí)別、Lin等［28］采用基于概率決策的神經(jīng)網(wǎng)絡(luò)方法、Demers等［29］提出采用主元神經(jīng)網(wǎng)絡(luò)方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)進(jìn)一步壓縮特征，最后采用一個(gè)MLP來實(shí)現(xiàn)人臉識(shí)別。Er等［30］采用PCA進(jìn)行維數(shù)壓縮，再用LDA抽取特征，然后基于RBF進(jìn)行人臉識(shí)別。Haddadnia等［31］基于PZMI特征，并采用混合學(xué)習(xí)算法的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)是通過學(xué)習(xí)的過程獲得對(duì)這些規(guī)律和規(guī)則的隱性表達(dá)，它的適應(yīng)性較強(qiáng)。

　　6）彈性圖匹配方法

　　Lades等提出采用動(dòng)態(tài)鏈接結(jié)構(gòu)（DLA，Dynamic Link Architecture）［32］的方法識(shí)別人臉。它將人臉用格狀的稀疏圖如圖3所示。

　　圖3 人臉識(shí)別的彈性匹配方法

　　圖3中的節(jié)點(diǎn)用圖像位置的Gabor小波分解得到的特征向量標(biāo)記，圖的邊用連接節(jié)點(diǎn)的距離向量標(biāo)記。Wiskott等人使用彈性圖匹配方法，準(zhǔn)確率達(dá)到97.3%。Wiskott等［33］將人臉特征上的一些點(diǎn)作為基準(zhǔn)點(diǎn)，構(gòu)成彈性圖。采用每個(gè)基準(zhǔn)點(diǎn)存儲(chǔ)一串具有代表性的特征矢量，減少了系統(tǒng)的存儲(chǔ)量。Wurtz等［34］只使用人臉I(yè)CI部的特征，進(jìn)一步消除了結(jié)構(gòu)中的冗余信息和背景信息，并使用一個(gè)多層的分級(jí)結(jié)構(gòu)。Grudin等［35］也采用分級(jí)結(jié)構(gòu)的彈性圖，通過去除了一些冗余節(jié)點(diǎn)，形成稀疏的人臉描述結(jié)構(gòu)。另一種方法是，Nastar等［36］提出將人臉圖像I（x，y）表示為可變形的3D網(wǎng)格表（x，y，I（x，y）），將人臉匹配問題轉(zhuǎn)換為曲面匹配問題，利用有限分析的方法進(jìn)行曲面變形，根據(jù)兩幅圖像之間變形匹配的程度識(shí)別人臉。

　　7）幾種混合方法的有效性

　?。?）K-L投影和奇異值分解（SVD）相融合的分類判別方法。

　　K-L變換的核心過程是計(jì)算特征值和特征向量。而圖像的奇異值具有良好的穩(wěn)定性，當(dāng)圖像有小的擾動(dòng)時(shí)，奇異值的變化不大。奇異值表示了圖像的代數(shù)特征，在某種程度上，SVD特征同時(shí)擁有代數(shù)與幾何兩方面的不變性。利用K-L投影后的主分量特征向量與SVD特征向量對(duì)人臉進(jìn)行識(shí)別，提高識(shí)別的準(zhǔn)確性［37］。

　?。?）HMM和奇異值分解相融合的分類判別方法。

　　采用奇異值分解方法進(jìn)行特征提取，一般是把一幅圖像（長(zhǎng)為H）看成一個(gè)N×M的矩陣，求取其奇異值作為人臉識(shí)別的特征。在這里我們采用采樣窗對(duì)同一幅圖片進(jìn)行重疊采樣（如圖4），對(duì)采樣所得到的矩陣分別求其對(duì)應(yīng)的前k個(gè)最大的奇異值，分別對(duì)每一組奇異值進(jìn)行矢量標(biāo)準(zhǔn)化和矢量重新排序，把這些處理后的奇異值按采樣順序組成一組向量，這組向量是惟一的［38］。

　　圖4 采樣窗采樣

　　綜合上述論文中的實(shí)驗(yàn)數(shù)據(jù)表明［39］，如表1：

　　表1 人臉識(shí)別算法比較