첫째, 기하학적 특징의 얼굴 인식 방법: 기하학적 특징은 눈, 코, 입의 모양과 그들 사이의 기하학적 관계(예: 그들 사이의 거리)일 수 있습니다. 이러한 알고리즘은 인식 속도가 빠르고 메모리가 작지만 인식률이 낮습니다. 둘째, 특징 얼굴(PCA) 기반 얼굴 인식 방법: 특징 얼굴 방법은 이미지 압축의 최적 직교 변환인 KL 변환에 기반한 얼굴 인식 방법입니다. KL 변환 후 고차원 이미지 공간에서 새로운 직교 염기 세트를 얻고 중요한 직교 염기는 유지하여 저차원 선형 공간으로 확장할 수 있습니다. 이러한 저차원 선형 공간에서 사람 얼굴의 투영이 분리 가능하다고 가정하면 이러한 투영은 특징 얼굴 방법의 기본 아이디어인 인식을 위한 특징 벡터로 사용할 수 있습니다. 이러한 방법은 더 많은 훈련 샘플이 필요하며 완전히 이미지 회색의 통계적 특성을 기반으로 합니다. 현재 몇 가지 개선된 형상 면 방법이 있습니다. 셋째, 신경망의 얼굴 인식 방법: 신경망의 입력은 해상도가 감소된 얼굴 이미지, 로컬 영역의 자기 상관 함수, 로컬 텍스처의 2차 모멘트 등일 수 있습니다. 이러한 방법은 또한 훈련을 위해 더 많은 샘플이 필요하며 많은 응용 프로그램에서 샘플 수가 매우 제한적입니다. 넷째, 탄성 그래프 매칭의 얼굴 인식 방법: 탄성 그래프 매칭 방법은 2차원 공간에서 일반적인 얼굴 변형에 불변하는 거리를 정의하고 속성 위상을 사용하여 얼굴을 나타냅니다. 토폴로지의 모든 정점에는 정점 근처의 얼굴 정보를 기록하는 특징 벡터가 포함되어 있습니다. 이 방법은 회색 특성과 기하학적 요소를 결합하여 비교 시 이미지에 탄성 변형을 허용하고 인식에 대한 표정 변화의 영향을 극복하는 좋은 결과를 얻었습니다. 동시에 한 사람의 훈련을 위해 여러 샘플이 필요하지 않습니다.
![얼굴 인식 방식은?_태왕테크놀로지 1]()