人脸识别的核心算法技术是对人脸的关键特征点进行检测定位后，经过预处理后，将主要的人脸区域剔除并输入后端识别算法。

1。对人脸的关键特征点进行检测定位后，经过预处理后，可以将主人脸区域剔除并输入后端识别算法。识别算法需要完成人脸特征的提取，并与库存已知的人脸进行比较，完成最终的分类。

我们在该领域的主要工作包括:

问题:

(1)基于lgbp的人脸识别方法统计学习已经成为人脸识别领域的主流方法，但实践表明，基于统计学习的方法往往存在“泛化能力弱”的问题，尤其是在待识别的图像中。

当属性未知时，很难确定使用哪种训练图像来训练人脸模型。因此，在研究统计学习方法的同时，我们也考虑了一类非统计模式识别方法。

思路:

对于给定的人脸图像，LGBP方法首先将其与不同尺度和方向的Gabor滤波器卷积(卷积结果称为Gabor feature map)，以获得多分辨率的变换图像。

然后将每个Gabor feature map划分为几个不相交的局部空间区域。从每个区域提取局部邻域像素的亮度变化规律，从每个局部空间区域提取这些变化规律的空间区域直方图。

所有Gabor feature map和所有区域的直方图都被串联到一个高电平上。Witt直方图用于对面部图像进行编码。

最终的人脸识别是通过匹配直方图之间的相似度(如直方图交集)来实现的。下表为FERET 4人脸图像测试集与FERET97人脸图像测试集的对比结果。可见，该方法具有良好的识别性能。

此外，LGBP算法计算速度快，不需要大样本学习，泛化能力强。