人脸识别特征提取的研究的中期报告.docx

人脸识别特征提取的研究的中期报告
本次中期报告旨在介绍人脸识别特征提取的研究进展和现状。在本次研究中，我们将人脸识别特征提取分为传统方法和深度学习方法两大类进行讨论。
一、传统方法：
1.基于Gabor滤波器的特征提取
Gabor滤波器作为传统的特征提取手段，其原理是通过调整滤波器的参数，获取到人脸图像中的纹理信息特征，从而进行分类和识别。Gabor滤波器的优点在于能够简单有效地提取出人脸的高频和低频信息，同时适用于光照变化等复杂环境下的人脸识别。但是，该方法存在一些局限性，比如需要确定一组最佳的滤波器参数且运行速度较慢。
2.基于局部二值模式(LBP)的特征提取
LBP是一种灰度不变的特征提取方法，其主要思想是通过计算图像中局部相邻像素之间的灰度差异，得到一个二进制数，从而提取出人脸的纹理信息特征。该方法的优点在于具有较快的计算速度和较好的鲁棒性，且不受光照和噪声的影响。但是，该方法难以应对人脸姿态、表情和遮挡等复杂情况。
二、深度学习方法
1.基于卷积神经网络(CNN)的特征提取
CNN是目前应用最广泛的人脸识别特征提取方法，其主要思想是通过多层卷积和池化操作提取出图像的高层次特征，从而进行分类和识别。CNN具有对光照、姿态和表情等变化具有较好的鲁棒性，且可以自动学习到图像的最优特征表达。但是，该方法的训练和测试需要大量的数据和计算资源。
2.基于深度玻尔兹曼机(DBN)的特征提取
DBN是一种基于概率和无监督学习的深度学习模型，其主要思想是通过多层对比散度训练来提取出人脸的高层特征。该方法具有较好的特征表示能力和抗噪能力，但存在训练过程复杂、训练时间较长等问题。
综上所述，目前人脸识别特征提取的研究主要集中在传统方法和深度学习方法两大类。传统方法主要围绕Gabor滤波器和LBP等特征提取方法展开研究，具有计算速度较快和适用性较好等优点。深度学习方法则主要围绕CNN和DBN等模型展开研究，具有较好的特征表达能力和鲁棒性等优点，但需要大量的数据和计算资源。