利用Multi LBP和PCA LDA進行人臉識別

在深度學習盛行的大趨勢下，還在開發傳統的人臉識別方法，顯得有些無奈；但是在伺服器問題解決之前，我覺得還是有必要了解並實現一下的。

實現如題的人臉識別主要分為五部：

1、clm擷取人臉關鍵點：用於進行人臉標定；同時也用於測試**《blessing of dimensionality: high-dimensional feature and its efficient compression for face verification》。

2、multi-lbp：具體主要參考**《multi-scale local binary pattern histograms for face recognition》，實現的時候記得區分多尺度lbp和多解析度lbp；我這裡用的是多尺度lbp，多解析度的沒有測試，效果應該差不多。

3、pca的訓練：首先跟人眼位置擷取人臉區域，收集人臉資料；然後opencv自帶的pca進行訓練；儲存特徵均值和特徵向量。

4、lda訓練：測試為收集18個人，每個人20張影象，共360張影象；用pca降維後直接送入lda進行分類學習；lda來自opencv。

5、余弦距離進行相似度判斷。

測試結果：

1、用lbp高維資料進行測試，可以區分，但是同一人的相似度比非同一人的相似度高出範圍在0-0.3之間。

2、用pca降維後結果和lbp差不多

3、用lda對映後，部分資料效果比較理想，對於證件驗證也比較不錯，但是會出現錯誤。（可能學習的樣本太少，類數太少）

4、《blessing of dimensionality: high-dimensional feature and its efficient compression for face verification》的效果比mlbp原始特徵得到的比對結果好點，不過證件比對這塊差不多。

總結：該方法速度很快，效果有待提高，後續會加大樣本，同時改進驗證策略，看效果是否會提高。