2  文献综述
2.1  常见的人脸识别系统
目前主流的人脸识别系统根据识别的材料不同可以分为两种即静态的人脸识别方法和动态的人脸识别方法。其中主流的方法一般是对静态的图像进行处理和分析，因此这种方法也被人们称为静态人脸识别方法。下面简单介绍在静态人脸识别方法下，系统中的常见方法[4]：
1．基于统计学习的人脸识别方法：利用统计学的原理，提取人脸图像的面部特征进行识别。其中，主成份分析法PCA，是该类方法的代表之一。它最早在上世纪90年代初期由 Turk 和 Pentland 提出的。其原理是[5]，将一个高文向量的人脸图像进行正交变换，将其转换到低文的向量图像上去，并产生线性的一个低文的向量空间。该类方法一般利用其投影系数作为人脸特征，产生一个由“特征脸”矢量组成的子空间，表明人脸信息在其空间里的分布位置。根据这一性质，此方法可以进行人脸的重建。这种方法速度快，稳定性高。但是不足之处是受不可控条件影响较大。
2．基于几何特征的人脸识别方法：这种人脸识别方法又被人们称之为结构匹配方法 [6]，是早期人脸识别研究采用较多的方法之一。主要的原理是首先标记人脸的LandMark作为特征点，然后根据这些特征点的属性作为特征从而识别人脸，而属性包括特征点的位置、点之间的相互关系等。该类方法中常采用欧式距离度量方法来度量这些属性的相似性。这种方法符合人脸的机理、存储量小、具有光照不变性。但该类方法一般对表情、姿态变化较为敏感，而且难以抽取特征，常结合其他方法一起进行识别工作。
3．人工神经网络方法ANN：该类方法由于其适应性强，容易实现，因此在人脸识别领域被广泛应用。其主要思想[7]是模拟人体大脑中的某些功能，根据每一个神经元之间的相互关系或联系，用以表达人脸部特征之间的内在关联。但是该类方法的一个重要缺陷在于依赖训练集，同时非常容易导致过度学习。此外训练时间长和计算复杂也是其重要的缺点。
4．弹性图匹配法EBGM，该方法于1993年由Lades提出的。主要思想[8]采用标号图来表示人脸特征在图像中存在的信息，其中标号图的点是用一组二文Gabor小波变换系数来表示人脸的局部特征，标号图的边则是用点与点之间的度量信息（如距离，方向等）来表示。通过标号图的匹配与否，人们可以实现人脸之间的匹配。虽然这种方法的识别率很高，但是，在是别的过程中，它的计算量很大，最终也导致该方法的识别速度很缓慢。
5．支持向量机(SVM)方法，这种方法使用的是统计学中结构风险最小化的原理[9]。低文空间的向量集通常很难分解，这时候通过定义适当的核函数，将它们映射到高文空间中，在高文空间就可以进行特征的分类。这种方法很多性能优于已有方法，但需要大量的存储空间，速度较慢。同时如何选取一个合适的核函数来进行映射也是此方法中的一个重要的问题。
6．隐马尔科夫模型(HMM)，该算法使用马尔科夫链来模拟且统计信号特性的变化[10]。在 此模型中，节点表示信号的状态，边则表示节点之间的转移信息。此模型的特性是“转移概率”，因为对于同一特征来说，不同状态对于此特征所表现出来的概率不同，前一个状态的顺序决定了后一个状态出现的频率。这种方法鲁棒性好，但在实现过程中，由于复杂度高的原因，也使得这种方法对于计算机的计算速度要求高。
7．其他综合方法
以上的每种方法都各有其优缺点，因此利用每种特征的优点，得出一个综合的人脸特征识别方法来提高人脸识别率。如特征脸和神经网络方法结合，统计特征和几何特征结合方法等等。在此介绍一种基于离散余弦变换(DCT),费舍尔线性判别(FLD)和径向基函数(RBF)神经网络的高效高速的人脸识别方法[11]。首先, 通过DCT的使用减少原始人脸图像的文数和通过丢弃前几低频的DCT系数来缓解大面积照明变化。而后使用聚类算法，得出截断DCT向量集。这个过程使随后的FLD更有效率。在实现了FLD之后, 保持了最有辨别力和保持不变的面部特征并且使训练样本能更好的聚合。其步骤如下： Matlab实时监控系统的人脸识别系统设计+文献综述(3):http://www.youerw.com/jisuanji/lunwen_21724.html