基于统计的人脸识别方法研究——GLRAM与LPP的子空间法的综述报告.docx

基于统计的人脸识别方法研究——GLRAM与LPP的子空间法的综述报告
人脸识别是近年来研究的热点之一，其中基于统计的方法受到了广泛关注。GLRAM和LPP都是基于统计的人脸识别方法中的子空间法，本综述报告将对这两种方法进行介绍与比较。
一、GLRAM方法
GLRAM方法中，首先将人脸图像进行归一化处理，并对其进行灰度变换。接着，将特征提取为GLRAM特征，这是根据对人脸图像进行分块并计算各块局部自相关函数（LACF）得到的。将得到的GLRAM特征向量组成矩阵，对其进行主成分分析（PCA）降维后，构建投影矩阵进行特征脸的提取。在识别时，将待识别人脸图像按照与训练集相同的方式提取特征，再利用构建的投影矩阵获取其特征向量，最后利用最小距离分类器进行识别。
GLRAM方法的优点是：对于人脸图像的光照、姿态和表情等变化具有一定的鲁棒性，并且具有较高的识别精度。但其缺陷也比较明显，主要表现为需要较大的样本集合并且时间复杂度较高。
二、LPP方法
LPP方法中，将人脸图像按照局部二阶统计特征进行特征提取。接着，将得到的特征向量组成矩阵，对其进行局部线性嵌入降维处理。该过程中，先构建近邻矩阵，再构建权重矩阵，最后通过最小化重构误差获得投影矩阵。在识别时，将待识别人脸图像按照与训练集相同的方式提取特征，再利用投影矩阵获取其特征向量进行分类识别。
LPP方法的优点是：对于人脸图像的光照、姿态和表情等变化具有一定的鲁棒性，且其时间复杂度较低。但其缺陷在于对于特征具有一定的依赖性，若特征不具备局部特征集结性，则其不适用于基于LPP方法的人脸识别。
三、GLRAM与LPP的比较分析
相较于GLRAM方法，LPP方法具备时间复杂度较低、可适用于较小样本集合等优势。GLRAM方法出现较早，具备较高的识别精度，但对于较大的训练集合会产生较高的计算复杂度，适用性较差。此外，LPP方法也具备一定的局限性，对于特征不具备局部特征集结性的人脸图像并不适用。因此，在实际应用中，需要根据具体情况进行选用。
总之，这两种基于统计的人脸识别方法通过对人脸图像进行特征提取与降维处理，能够有效地进行人脸识别，在理论上和实际中都有广泛的应用价值。