视频美颜sdk中人脸识别的主要实现流程

小编在之前文章中多次提到过视频美颜sdk的关键技术之一“人脸识别”，此技术经过漫长的发展周期，直到今天已经迭代了非常多的实现方式，今天小编就为大家讲解一下视频美颜sdk人脸识别的几个主要实现流程以及方式。

一、特征脸

“特征脸技术”最早出现于MIT实验室，是由研究人员潘特所提出，在最初时期里此方式热度非常高，一度被作为主流的解决方案。这一理论甚至一直影响着后来的技术发展，直到今天为止基本所有的识别技术都与特征脸技术所挂钩，同时它也成了一道人脸识别性能测试的基础算法。

二、Fisher Face

“Fisher facs”翻译成中文的话可以理解为“渔夫脸”，此技术主要使用主成分析图像表现特征实现降维。在这个技术至上，先行辨别分析的方式会获得“类间散度和类内散度”。此方式的含金量非常高，时至今日依然是比较主流的视频美颜sdk人脸识别方法之一，很多开发商都会采用此技术，甚至还拓展处很多不同的分支。如：零空间法、直接LDA辨别方法等，这些解决方案都是基于方式的一些改进策略。

三、弹性图

“弹性图”的基本实现思路是利用一个属性图来描述人脸，在属性图中顶点也代表着面部关键特征点，属性是对应特征点的分辨率、不同方向的局部特征，对任意输入的人脸图像，弹性图会通过一种优化搜索的方式来定位提前定义的部分人脸关键点，同时再提取面部特征，得到输入图的属性图。最终通过计算已知属性图的相似度完成该过程。这个方式以保留面部全局结构特征的优势得以“出位”，同时它还可以对人脸关键特征进行优化。

除上述三种主流方式以外，还有一些几何特征、神经网络的实现方式，几何特征主要依靠人脸五官来判断它们之间的几何关系，这种方式比较简单，识别速度快，但准确度和识别率非常低，不适合在高精度的视频美颜sdk中使用。

几何特征是可以识别眼、鼻、嘴等的形状和它们之间的几何关系（如器官之间的距离）。这些算法识别速度快，需要的内存小，但识别率较低。神经网络主要通多样本的训练，在很多应用中，样本数量有限，但在视频美颜sdk中却是一个比较好的选择，此方式在未来会成为视频美颜sdk的主流解决方案。