2) 基于代数特征的方法[22]

在该方法中，将每一个输入的人脸图像看做是一个矩阵或者向量空间，从数学知识的角度，提取某些数字特征来表示人脸。当然，在这个输入的向量空间中并不是所有的点都包含着有意义的信息，因此我们需要进行处理，保留有用的点，去掉无意义的点，这样做使输入的人脸图像的整体的规模减小了，也为后面的学习、分类操作降低了难度。这一处理过程就是将高维向量空间通过特征向量映射到一个低维空间，而且保证任何的有用信息都不会丢失，可以采用主成分分析（PCA）、奇异值分解（SVD）等方法实现。

3) 基于三维数据的方法[23]来*自~优|尔^论:文+网www.chuibin.com +QQ752018766*

由于二维的人脸图像的平面表示的特征有限，容易受光照、附着物、拍摄角度等因素的影响，所以人们考虑到可以用能够获取更多信息的三维数据作为输入。

4) 隐马尔科夫模型的方法

将人脸图像根据不同器官分成多个部分的序列，通过有限状态自动机实现分类。

5) 基于神经网络的人脸识别方法

神经网络主要用于对已经提取主特征的人脸图像进行分类。神经网络模型是模拟人的大脑对图像的处理过程，这类的模型一般有大量的参数，需要较多的训练样本来训练，而且其训练过程漫长耗时。

2。2  常用方法介绍

神经网络模型广泛应用于人脸识别，其基本原理是利用其学习能力提取人脸部分的特征，并根据提取的特征识别人脸。常用的神经网络模型包括：多层感知机、径向基函数网络等模型。

2。2。1 多层感知机(Multilayer Perceptron,MLP)

MLP[24]是一种多层前向神经网络，一般采用Back Propagation算法作为权重的更新策略。下面对其从模型结构和学习算法两个方面进行具体阐述。

1) 网络结构

MLP一般由三层组成：输入层、隐含层和输出层。每个神经元就是一个感知器。

2) MLP的训练的BP学习算法