我想知道，人脸识别究竟是如何工作的？因为每个人都有不同的脸，所以你无法检测到一些“一般”的脸或其他东西。
【问题讨论】：
标签： face-recognition
您可以在这里找到答案：Face recognition
每张脸都有许多可区分的地标，即构成面部特征的不同峰谷。 FaceIt 将这些地标定义为节点。每个人脸大约有 80 个节点。软件测量的其中一些是：
* Distance between the eyes
* Width of the nose
* Depth of the eye sockets
* The shape of the cheekbones
* The length of the jaw line
这些节点被测量创建一个数字代码，称为面部指纹，代表数据库中的面部。
【讨论】：
这是一门复杂的学科，需要大量学习。我建议你先看看 OpenCV - http://opencv.willowgarage.com/wiki/ - 一个带有教程等的计算机视觉库。部分不是关于“一般面孔”，而是关于挑选特征，然后运行一个指标 - 比如多远这些特征的分开或相对方向。
【讨论】：
张军等人。 (1997) 研究了适用于计算机视觉的三种不同的人脸识别方法，每种方法本身都是一个值得注意的统计分析领域：
1) 特征脸算法
2) 弹性匹配
3) 自动关联和分类网络
特征脸方法使用某种形式的降维方法（如 PCA）对人脸图像之间的统计变化进行编码，其中在特征空间中产生的特征差异不一定对应于孤立的人脸特征，例如眼睛、耳朵和鼻子（换句话说，特征向量的不可缺少的成分不是预先确定的）。
弹性匹配生成与面部特定轮廓点（例如眼睛、下巴、鼻尖等）相对应的节点图（即线框模型），并且识别基于图像图与已知图像的比较数据库。由于图像图可以在匹配过程中进行旋转，因此该系统对图像的较大变化具有更强的鲁棒性。
分类网络识别利用与弹性匹配相同的几何特征，但根本不同之处在于它是一种有监督的机器学习技术（通常涉及使用支持向量机）。
虽然当光照或面部对齐的变化很大时，特征面部检测的性能可能不如其他方法，但它的优点是易于实现、计算效率高，并且能够以无监督的方式识别面部，因此往往是一种理想的方法。事实标准。许多最先进的检测技术在识别之前也依赖于某种形式的降维，即使特征向量提取的处理方式不同。
【讨论】：
一个好的开始方法是阅读主成分分析（PCA 也称为特征脸）、Fisher 的线性判别分析 (LDA) 和支持向量机 (SVM)。这些是对人脸分类非常有用的分类方法。
OpenCV 已经包含了 PCA 和 SVM 的出色实现。在 C++ 中用于 OpenCV 的人脸识别和分类代码的优秀资源是 this website。
this one 是一个提供人脸分类最相关方法的资源和论文链接的网站。
一个很好解释的 PCA 特征脸和 LDA 示例以及 Matlab 中的示例代码，这对我的第一个人脸分类程序 is here 非常有用。
【讨论】：