（2）人脸特征表示：即采取不同的方式来表示人脸的特征。

（3）人脸识别：即将获取的人脸与数据库已知的人脸进行比对，得出相关信息，识别 出人脸。

（4）表情与姿态分析：对待识别的人脸表情与姿态进行分析，并加以归类。

（5）生理分析与分类：分析人脸的生理特征，得出其生理的相关信息。

2。3 人脸识别技术的研究现状

2。4  人脸识别技术发展趋势

2。5 人脸识别技术的算法研究

人脸识别的算法简单原理就是：系统输入的是一张或者一连串的未知的、不确定的人 脸图像，包括人脸数据库中的许多已知、确定的人脸图像或是相应的编程、代码，而系统 输出的是一系列的相似度成分，表明需要识别的人脸的身份。

人脸识别的技术基本上可以归为三类：基于几何特征的方法、基于模板的方法和基于 模型的方法。

（1）基于几何特征的方法是最早、最传统的方法，往往需要与其他算法相配合才能 获得较好的效果。

（2）基于模板的算法可以分为基于相关匹配的方法、特征脸方法、线性判别的方法、 奇异值分解方法、神经网络方法、动态连接匹配方法等。

（3）基于模型的方法则有基于隐马尔科夫模型，主动形状模型和主动外观模型方法 等。论文网

其中 PCA 方法是一种重要的方法，已被广泛地运用到人脸识别的领域中。其主要的 应用是数据简化和维度降低。使用 PCA 算法不需要对图像进行过多的预处理，而且运行过

程相对简单，只需处理图像的数据和矩阵的运算。同时是由低维子空间表示，即有一定程 度上压缩了图像数据，从而达到运行速度的提高和计算量的减少。PCA 方法的优点是通过 各种变换方法来提取主分量，代数特征向量是具有一定的稳定性。基于该方法的识别体统 对不同角度和表情的图像识别有一定的鲁棒性，即健壮性，同时能使均方误差达到最小。 3 PCA 方法

PCA 是 Principal component analysis 的缩写,中文翻译为主成分分析。主成分又称主分

量、主元素。它是统计学中分析数据的一种有效的方法,在多特征的研究过程中，因为特征 数目太多，而且它们相互之间有一定的相关性，从而使得所观测到的数据在一定程度上有 重叠的信息。当特征越多时，研究样本在高维空间中的分布就更加麻烦。其目的是找到一 组在数据空间中的向量以尽可能地解释数据的方差,将数据从原始的 R 维空间的降维投影 到 M 维空间(R>M),降维后保存了数据中的主要信息,使得数据更容易处理。在数学上，主 成分分析就是通过求解本征值问题，以对角化协方差矩阵 S。

3。1 PCA 方法的原理

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA 方法叫做主成 分分析或称主分量分析,也是数学上处理降维的一种方法。

PCA 方法的基本原理就是将高维图像空间经过 KL 变换后得到一组新的正交基，对这 些正交基作一定的取舍，保留其中的一部分生成低维的人脸空间（人脸的特征子空间）。 其实质上就是通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数 据的主要特征分量，常用于高维数据的降维。通俗的讲，PCA 方法的原理就是利用 KL 变 换抽取人脸的主要部分，构成特征脸空间，识别时将测试图像投影到此空间，得到一组投 影系数。通过与各个人脸图像进行比较识别，最后输出结果。

对于基于 KL 变换的识别仅仅是做投影运算或相关运算，因此识别时间相对较少。一 般是已知人脸和存储特征空间的变换矩阵在特征空间上的投影特征，故而，构建人脸库所 需的存储空间较小。KL 变换在进行特征提取时，既压缩了维数又保留了类别鉴别信息， 同时突出了模式之间的差异性，又能消除原来特征之间的相关性，便于进一步特征的选择。