面部特征的模式识别算法探究

人脸识别或表情识别的最后一步就是采用模式分类算法对提取出的特征进行模式分类。在整个模式识别过程中，分类器的设计与特征的选择和提取是相互独立又紧密相关的两个环节。早期的模式识别方法，以统计模式识别方法与结构模式识别方法两大类为主。而在20世纪80年代，迅速发展的模糊数学理论、人工神经网络理论和人工智能方法不断深入到模式识别的各个领域和环节，出现了模糊模式识别方法、神经网络模式识别方法和人工智能模式识别方法。

统计模式识别方法是从被研究的模式中选择能足够代表它的若干特征（设有d个），每一个模式都由这d个特征组成的在d维空间的一个d维特征向量来代表，于是每一个模式就在d维特征空间占有一个位置。一个合理的假设是，同类的模式在特征空间相距很近，而不同类的模式在特征空间则相距较远，这是因为相距近的模式意味着它们的各个特征相差不多，从而这些模式处在同一类中的可能性也较大。如果用某种方法来分割特征空间，使得同一类模式大体上都在特征空间的同一个区域中。对于待分类的模式，就可根据它的特征向量位于特征空间中哪一个区域而判定它属于哪一类模式。统计模式识别的任务就是用不同的方法划分特征空间，从而实现识别的目的。(www.xing528.com)

统计模式识别方法是研究得最多的也最为深入的，也是在人脸识别和表情识别中常用的识别方法，因此本章主要介绍统计模式识别方法，最后简单介绍了神经网络模式识别方法和模糊模式识别方法。