人脸识别-Fisherface算法
线性鉴别分析在降维的同时考虑类别信息，由统计学家Sir R. A.Fisher1936年发明（《The useof multiple measurements in taxonomic problems》）。为了找到一种特征组合方式，达到zui大的类间离散度和zui小的类内离散度。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态
人脸识别系统
人脸识别-Fisherface算法
线性鉴别分析在降维的同时考虑类别信息，由统计学家Sir R. A.Fisher1936年发明（《The useof multiple measurements in taxonomic problems》）。为了找到一种特征组合方式，达到zui大的类间离散度和zui小的类内离散度。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态等属性值的能力。这个想法很简单：在低维表示下，相同的类应该紧紧的聚在一起，而不同的类别尽量距离越远。1997年，Belhumer成功将Fisher判别准则应用于人脸分类，提出了基于线性判别分析的Fisherface方法（《Eigenfaces vs. fisherfaces:Recognition using class specific linear projection》）。
图像特征的提取是比较关键的一步（上文所说的模式空间向特征空间的跨越），但对于图像处理来说也是比较初级的一步。在小区门禁应用中，人脸识别门禁系统由于操作简单、安全、便捷、智能，且无论室内还是室外均可使用的特性，一直比“认卡不认人”的IC卡更具优势。目前关于图像特征提取的方法有很多，但其实我们想一想，通常而言图像的特征还是可以归类的，例如颜色特征、纹理特征、空间关系特征、形状特征等，每一种特征都有匹配的方法，其中有一些比较经典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，小编当然不可能一一讲解，所以这里选取其中一种——HOG特征法。
常规的人脸属性识别算法识别每一个人脸属性时都是一个独立的过程，即人脸属性识别只是对一类算法的统称，性别识别、年龄估计、姿态估计、表情识别都是相互独立的算法。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态等属性值的能力。这种以“物”认人的办法存在的漏洞显而易见：“物”的丢失会导致合法的人无法被认证，以及各种信物容易被伪1造、破译。以在基本保证算法效果的前提下，将模型大小和运算速度优化到移动端可用的状态。
（作者： 来源：）
