稀疏演算法人臉

A. 基於稀疏表示的人臉識別用MATLAB實現的演算法,請哪位好心人給我發發郵箱是[email protected]

一定要稀疏的么 matlab中文論壇 我搜了下 沒有特別合適的 但其他的 有人臉庫和源代碼

B. 做稀疏表示的人臉識別，需要參考一些什麼書，比如MATLAB應該看那些，圖像處理的嗎

圖像處理的書是基礎，比如岡雷薩斯的經典版本，裡面有MATLAB小程序，比較有參考價值；另外，還有一個很好的學習MATLAB的網站http://www.ilovematlab.cn/；模式識別的方面的書也可以參考下；cnki等資料庫里的論文也是很好的；祝早日成功！

C. 求基於稀疏表示的人臉識別的演算法（可以用matlab或者C++編程），最好配上中文說明

兩階段方法已經有人做過了的呢？怎麼還去弄呀？
兩階段方法是根據稀疏表示的理論，
第一階段，先用所有training samples去線性表示每一個testing sample；
第二階段，對每一個testing samples的線性表示進行排序，取前一部分較好的表示；用這些表示去重新線性表示，來得出testing sample的類別。
完畢！

D. 人臉識別系統與人工相比有什麼優勢

第一個很明顯的優勢就是速度快，人臉識別系統是機器識別，速度定是比肉眼識別來得快的，第二個就是准確，肉眼識別有時候很難分別出細微的差別，而機器是通過演算法來識別的，根據人臉上的特徵點來識別，因此會更加准確。雲脈的人臉識別系統一般在一兩秒內就可以識別出一個人了，而且可以對人臉三維朝向，做精準到「度」的判斷，且對人臉特徵點進行「像素級」定位，輕松判斷眼睛開合狀態，因此能夠更快更准。

E. 想問一下有沒有比較方便的人臉識別演算法，求推薦

主流的人臉識別技術基本上可以歸結為三類，即：基於幾何特徵的方法、基於模板的方法和基於模型的方法。
1. 基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他演算法結合才能有比較好的效果；
2. 基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網路方法、動態連接匹配方法等。
3. 基於模型的方法則有基於隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。
1. 基於幾何特徵的方法
人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以做為人臉識別的重要特徵。幾何特徵最早是用於人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，並由這些顯著點導出一組用於識別的特徵度量如距離、角度等。Jia 等由正麵灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。
採用幾何特徵進行正面人臉識別一般是通過提取人眼、口、鼻等重要特徵點的位置和眼睛等重要器官的幾何形狀作為分類特徵,但Roder對幾何特徵提取的精確性進行了實驗性的研究，結果不容樂觀。
可變形模板法可以視為幾何特徵方法的一種改進，其基本思想是 :設計一個參數可調的器官模型 (即可變形模板),定義一個能量函數，通過調整模型參數使能量函數最小化，此時的模型參數即做為該器官的幾何特徵。
這種方法思想很好，但是存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數優化過程十分耗時，難以實際應用。 基於參數的人臉表示可以實現對人臉顯著特徵的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，採用一般幾何特徵只描述了部件的基本形狀與結構關系，忽略了局部細微特徵，造成部分信息的丟失，更適合於做粗分類，而且目前已有的特徵點檢測技術在精確率上還遠不能滿足要求，計算量也較大。
2. 局部特徵分析方法（Local Face Analysis）
主元子空間的表示是緊湊的，特徵維數大大降低，但它是非局部化的，其核函數的支集擴展在整個坐標空間中，同時它是非拓撲的，某個軸投影後臨近的點與原圖像空間中點的臨近性沒有任何關系，而局部性和拓撲性對模式分析和分割是理想的特性，似乎這更符合神經信息處理的機制，因此尋找具有這種特性的表達十分重要。基於這種考慮，Atick提出基於局部特徵的人臉特徵提取與識別方法。這種方法在實際應用取得了很好的效果，它構成了FaceIt人臉識別軟體的基礎。
3. 特徵臉方法（Eigenface或PCA）
特徵臉方法是90年代初期由Turk和Pentland提出的目前最流行的演算法之一，具有簡單有效的特點, 也稱為基於主成分分析(principal component analysis,簡稱PCA)的人臉識別方法。
特徵子臉技術的基本思想是：從統計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協方差矩陣的特徵向量，以此近似地表徵人臉圖像。這些特徵向量稱為特徵臉(Eigenface)。
實際上，特徵臉反映了隱含在人臉樣本集合內部的信息和人臉的結構關系。將眼睛、面頰、下頜的樣本集協方差矩陣的特徵向量稱為特徵眼、特徵頜和特徵唇，統稱特徵子臉。特徵子臉在相應的圖像空間中生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。
基於特徵分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特徵的形狀參數或類別參數等一起構成識別特徵向量，這種基於整體臉的識別不僅保留了人臉部件之間的拓撲關系，而且也保留了各部件本身的信息，而基於部件的識別則是通過提取出局部輪廓信息及灰度信息來設計具體識別演算法。現在Eigenface(PCA)演算法已經與經典的模板匹配演算法一起成為測試人臉識別系統性能的基準演算法；而自1991年特徵臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分析，FERET'96測試結果也表明，改進的特徵臉演算法是主流的人臉識別技術，也是具有最好性能的識別方法之一。
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。Turk和Pentland提出特徵臉的方法，它根據一組人臉訓練圖像構造主元子空間，由於主元具有臉的形狀，也稱為特徵臉 ,識別時將測試 圖像投影到主元子空間上，得到一組投影系數，和各個已知人的人臉圖像比較進行識別。Pentland等報告了相當好的結果，在 200個人的 3000幅圖像中得到 95%的正確識別率，在FERET資料庫上對 150幅正面人臉象只有一個誤識別。但系統在進行特徵臉方法之前需要作大量預處理工作如歸一化等。
在傳統特徵臉的基礎上，研究者注意到特徵值大的特徵向量 (即特徵臉 )並不一定是分類性能好的方向，據此發展了多種特徵 (子空間 )選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實上，特徵臉方法是一種顯式主元分析人臉建模，一些線性自聯想、線性壓縮型BP網則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權和，這些向量是訓練集叉積陣的主特徵向量，Valentin對此作了詳細討論。總之，特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的演算法，但由於它在本質上依賴於訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。
基於KL 變換的特徵人臉識別方法
基本原理:
KL變換是圖象壓縮中的一種最優正交變換，人們將它用於統計特徵提取，從而形成了子空間法模式識別的基礎，若將KL變換用於人臉識別，則需假設人臉處於低維線性空間，且不同人臉具有可分性，由於高維圖象空間KL變換後可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓練樣本集的統計特性來獲得，KL變換的生成矩陣可以是訓練樣本集的總體散布矩陣，也可以是訓練樣本集的類間散布矩陣，即可採用同一人的數張圖象的平均來進行訓練，這樣可在一定程度上消除光線等的干擾，且計算量也得到減少，而識別率不會下降。
4. 基於彈性模型的方法
Lades等人針對畸變不變性的物體識別提出了動態鏈接模型 (DLA)，將物體用稀疏圖形來描述 (見下圖)，其頂點用局部能量譜的多尺度描述來標記，邊則表示拓撲連接關系並用幾何距離來標記，然後應用塑性圖形匹配技術來尋找最近的已知圖形。Wiscott等人在此基礎上作了改進，用FERET圖像庫做實驗，用 300幅人臉圖像和另外 300幅圖像作比較，准確率達到 97.3%。此方法的缺點是計算量非常巨大 。
Nastar將人臉圖像 (Ⅰ ) (x，y)建模為可變形的 3D網格表面 (x，y，I(x，y) ) (如下圖所示 )，從而將人臉匹配問題轉化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形，並根據變形的情況判斷兩張圖片是否為同一個人。這種方法的特點在於將空間 (x，y)和灰度I(x,y)放在了一個 3D空間中同時考慮，實驗表明識別結果明顯優於特徵臉方法。
Lanitis等提出靈活表現模型方法，通過自動定位人臉的顯著特徵點將人臉編碼為 83個模型參數，並利用辨別分析的方法進行基於形狀信息的人臉識別。彈性圖匹配技術是一種基於幾何特徵和對灰度分布信息進行小波紋理分析相結合的識別演算法，由於該演算法較好的利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特徵點的功能，因而具有良好的識別效果，適應性強識別率較高，該技術在FERET測試中若干指標名列前茅，其缺點是時間復雜度高，速度較慢，實現復雜。
5. 神經網路方法（Neural Networks）
人工神經網路是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網路方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個主元，然後用自相關神經網路將它映射到 5維空間中，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好；Intrator等提出了一種混合型神經網路來進行人臉識別，其中非監督神經網路用於特徵提取，而監督神經網路用於分類。Lee等將人臉的特點用六條規則描述，然後根據這六條規則進行五官的定位，將五官之間的幾何距離輸入模糊神經網路進行識別，效果較一般的基於歐氏距離的方法有較大改善，Laurence等採用卷積神經網路方法進行人臉識別，由於卷積神經網路中集成了相鄰像素之間的相關性知識，從而在一定程度上獲得了對圖像平移、旋轉和局部變形的不變性，因此得到非常理想的識別結果，Lin等提出了基於概率決策的神經網路方法 (PDBNN),其主要思想是採用虛擬 (正反例 )樣本進行強化和反強化學習，從而得到較為理想的概率估計結果，並採用模塊化的網路結構 (OCON)加快網路的學習。這種方法在人臉檢測、人臉定位和人臉識別的各個步驟上都得到了較好的應用，其它研究還有 :Dai等提出用Hopfield網路進行低解析度人臉聯想與識別，Gutta等提出將RBF與樹型分類器結合起來進行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用於人臉識別，國內則採用統計學習理論中的支撐向量機進行人臉分類。
神經網路方法在人臉識別上的應用比起前述幾類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網路方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。因此人工神經網路識別速度快，但識別率低 。而神經網路方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。
PCA的演算法描述：利用主元分析法 (即 Principle Component Analysis,簡稱 PCA)進行識別是由 Anderson和 Kohonen提出的。由於 PCA在將高維向量向低維向量轉化時，使低維向量各分量的方差最大，且各分量互不相關，因此可以達到最優的特徵抽取。

F. 稀疏表示分類是一種分類器還是一中將為演算法

准確地說，是一種分類器演算法。

稀疏表示分類器

稀疏表示可作為基礎理論用於構建稀疏表示分類器(Sparse Representation Classifier, SRC)。SRC 假定當測試樣本所在類的訓練樣本數足夠多時，測試樣本可由這些訓練樣本進行線性表示，而其它類的樣本對重構該測試樣本的貢獻為 0，從而將一般信號的分類問題轉化為了一種稀疏表示問題。大量實驗證明，這類分類器能夠較好地應用於圖像分類和目標跟蹤問題。Wright 指出 SRC 對數據缺損不敏感，當所求系數足夠稀疏時，特徵空間的選取變得不再重要；這些優勢使得 SRC成為一種非常優秀的分類演算法。雖然大量實驗證明基於SRC是一種具有潛力的圖像分類器，但近期一些文獻[20][21]指出，對於小樣本分類問題，系數的稀疏性對分類准確率並沒有實質的幫助。針對此題，Huang等在文獻[4]中指出結合線性判別分析技術能夠提升類間的區分度，提升稀疏分類效果。Shenghua等在文獻[22]中成功將核函數(Kernel)技巧與稀疏分類結合在了一起，此文獻提出了基於Feature-Sign Search(FSS)的核函數稀疏分類(KSRC)演算法並將其成功應用於人臉識別問題中。然而，Cuicui Kang等在文獻[6]中指出使用FSS方法求取KSRC中凸優化問題的效率較低，此文獻提出了核函數坐標下降法(KCD)用以求解凸優化問題，並結合LBP特徵構建了人臉識別系統。

G. 如何學好基於稀疏演算法的人臉識別

多練練心算能力...

H. 榮耀10支持2D人臉識別，2D與3D有什麼區別

1、圖像數據的獲取不同。2D人臉識別以2D圖像為基礎，這也就給了虛假照片、視頻或人臉硅膠面套的可乘之機。3D人臉識別是過3D攝像頭立體成像，可以識別視野內空間得每個點位的三維坐標信息，從而提升分析判斷的准確性。

2、安全性不同。3D結構光生物人臉識別，簡單的說就是在空間上的投影，不僅僅是長和寬，還有高，也就是xyz軸，安全系數非常高，還支持了人臉支付的操作。2D傳統的人臉識別就只是進行簡單圖片的比對，安全系數很低，基本上沒有什麼實用性。

3、人臉特徵的提取方式不一樣。3D結構光人臉識別，與2D識別不同的是，對人臉採集了3萬多個採集點。2D人臉識別主要是基於可見光圖像的人臉識別，在暗光環境下無法解鎖，可以使用照片解鎖的安全問題等。

(8)稀疏演算法人臉擴展閱讀

3D人臉模型比2D人臉模型有更強的描述能力，能更好的表達出真實人臉，所以基於3D數據的人臉識別不管識別准確率還是活體檢測准確率都有很大的提高。

2D人臉識別的優勢是實現的演算法相對比較多，有一套比較成熟的流程，圖像數據獲取比較簡單，只需一個普通攝像頭即可，所以基於2D圖像數據的人臉識別是目前的主流，在安防、監控、門禁、考勤、金融身份輔助認證、娛樂等多種場景中都有應用。

3D人臉識別在市場上根據使用攝像頭成像原理主要分為：3D結構光、TOF、雙目立體視覺。

3D人臉識別處理的是3D的數據，如點雲、體素等，這些數據是完整的，立體的，能表達出物體各個角度的特徵，不管一個人正臉還是側臉，理論上都是同一個人。但是因為點雲等3D數據具有數據量大、而且點雲數據具有無序性、稀疏性等特點，3D人臉識別開發難度比較大。

I. 可鑒別的多特徵聯合稀疏表示人臉表情識別方法

基於稀疏表示的人臉表情識別系統研究

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2015）25-0137-03
人臉的表情包含了人體行為的情感信息和心理信息，這是人們在進行非語言的交流時所採取最有效的手段。人們可以根據表情來充分地將自己的思想以及情感表達出來，同時根據人臉表情來對對方內心世界和對方的態度來加以了解，所以說人臉的表情在日常生活當中扮演著極為重要的角色。表情能夠將很多的語言以及聲音不能夠表達出來的信息給表達出來，其在醫療和語言學以及相關的服務行業中都在發揮著極為重要的作用。
1 人臉表情識別的技術現狀
1.1 提取人臉表情特徵
由於提取人臉表情特徵採取的圖像類型不一樣，對此我們可以將其分成靜態表情的圖像特徵進行提取以及序列表情的圖像特徵進行提取這兩種。第一種提取的是表情靜止時的特徵，第二種提取的是表情在運動過程中的特徵，對於第一種的提取方法一般為Gabor小波，主成份分析（PCA）以及線性的判斷分析（LDA）等的方法；而針對與第二種的提取方法有特徵點跟蹤，查分圖像法以及光流法等。
1）提取靜態的表情特徵的常用方法
PCA主要是用在抽取原始特徵以及降維，這種方法運算的中心思想是把二維的圖像轉為一維向量，根據從大到小的排列順序對特徵值以及特徵向量加以調整，並且通過K-L的變換投影獲得正交基，對其加以取捨進而得到人臉的表情特徵其子空間。其實際上識別表情的過程就是把測試的樣本進行比較投影進表情特徵的子空間里，之後再將其跟測試的樣本加以比較判定出它的表情類別。Gabor小波這種方法是現在我們比較常用的一種表示特徵的方法，它能夠有效地將環境噪音加以清除，使提取的圖像特徵有效加強，主要是通過圖像在不同方向不同尺度上的頻率信息對圖像的特徵加以表明。
2）提取變動的表情特徵常用的方法
對於序列圖像特徵加以提取的代表性方法就是光流法。這種方法在1981年被第一次提出，主要是根據對視頻圖像里的表情特徵光流加以計算進而得到每一個特徵點的運動情況，這就是表情特徵。
第一種提取特徵的方法它採集較方便，計算更快捷，但是不能夠對更大時間和空間信息加以探知。而第二種提取特徵的方法雖可以對運動的表情信息加以提取，進而使得到的識別效果較好，但這種方法其計算的數據量較龐大，且具有很高的重復率，實際的操作當中比較困難。因此從目前來看，提取表情特徵應該朝著將各種提取方法相互融合來對信息加以特徵提取。
1.2傳統的人臉表情識別系統中存在的問題
對於人類表情識別的研究中可以依據人類對不同的表情加以區別上獲得啟發，但運用計算機的視覺技術准確地對人臉表情進行識別的系統，實際運用中還有很多難題。
1） 不容易建立起理想的人臉表情相關模型
因為人臉是比較柔的，所以把人的表情和情感進行分類，在此基礎上再建立一個模型，把人類的表情特徵以及情感信息再相對應這就顯得十分的困難。
2）表情資料庫不完善
現在很多研究的實驗結果都是在各自研究團隊里研發出來的表情資料庫的基礎上得到的，我們知道每一個表情庫由於噪音或者是光照等環境方面的影響都各不相同，再加上每個表情庫里的人臉圖像在文化，種族當中都存在著比較大的區別，所以實驗的結果應該多次加以重復驗證，增加推廣能力。
3）學科方法和技術有自身的局限性
盡管我們在對人臉識別的系統中研究工作正在逐步加深，得到了很大的進步，但因為很多的研究者都是自己展開工作，在新技術和新方法將優點充分發揮出來的同時也不可避免地有著自身的局限性，多種技術相互融合上面的工作開展得還比較慢。
2 提取改進LBP的人臉表情特徵
局部二元模式（LBP）指的是一個能描述運算元的有效圖像紋理特徵，根據存在於圖像中的任意一點和它相鄰那點的灰度值中發生的大小關系來判定圖像中部分紋理空間構造，從這方面上來看，它有旋轉和抗亮度變化的能力。
2.1 原始的LBP運算元
LBP一開始先將圖像中各個像素點之間的灰度值加以計算，將在各個像素點和跟她相鄰的點存在於灰度值上的二值關系加以計算，根據計算後得出的二指關系根據相應規則來形成局部二值的模式，同時將多區域的直方圖序列當做這個圖像的一個二值模式。

圖1 基本的LBP運算元計算的過程
一個基本的LBP運算元應該是上圖1所示那樣，將其定義成3*3的窗口，有8個鄰域的像素點，把窗口中心點的灰度值對窗口內的像素點其灰度值執行二值化，再依據不同的像素點位置來加權求和，進而得到這個窗口LBP編碼值。
2.2 改進的LBP運算元
從上面我們可以知道原始的演算法自身紋理描述力是很強的，但在特定的局域內，原始LBP運算元只考慮到了存在於中心像素點跟鄰域的像素點之間灰度值的差異，把中心像素點作用以及鄰域像素點其灰度值之間的互相關系忽略掉了，因而造成在某些情況下把局部的結構特點信息有所忽略。如下圖2就是某種特定的情況。圖2 原始的LBP運算元在特定情形中的編碼
圖2中所產生的11111111主要是對暗點以及會讀平坦的區域進行檢測，可以說是特徵檢測器。我們在此基礎上，對原始的LBP運算元進行改進，根據使一位二值編碼增加的方式來加以擴展，提出了多重心化的二值模式也就是MLBP，具體的改進過程如圖3所示。

圖3 改進的LBP運算元計算的過程（P=8、R=1）
由圖3中獲得的兩個8位子編碼將其當做獨立的兩 個MLBP的自編碼，繼而對所有模式直方圖加以計算，根據這個直方圖來加以分類或者是識別。LBP具體的演算法公式如下：

在這當中，N，R分別表示的是臨域點的個數和半徑，gc表示的是像素點，gn表示的是它的臨域點。根據這個改進的MLBP運算元我們可以看出，它根據使一位二值的編碼增加的形式，在將原始LBP運算元的優勢得到保持前提下，將中心像素點作用和鄰域像素點二者間灰度值的關系又加以利用。跟原始的相比，改進的運算元並沒有時特徵模式有所增加，而且還可以將原始的運算元中沒有考慮到的中心像素點和鄰域像素點灰度值間關系產生的結構特點提取出來，讓其鑒別能力得到提高。
3 人臉識別系統的設計
3.1 系統構成
該系統主要是被硬體平台以及軟體開發的平台這兩部分構成。硬體平台指的就是那些採集圖像的設備和計算機系統，而軟體開發的平台就是本文中所描述到的在上述所說的演算法中改進開發出來的一種人臉識別的系統。
3.2 系統軟體
系統軟體的構造。系統軟體可以劃分成以下兩個部分。首先是獲取圖像，當進入到主界面中時，點擊打開圖像或者是打開視頻，系統初始化的硬體設備能夠根據直接打開的靜態表情圖像或者是視頻等，來對人臉表情圖像進行獲取並將圖像顯示出來，之後再對人臉開始進行檢測和定位。其次，就是提取相應的表情特徵並對其進行識別。
下面為了對該系統在進行識別表情時的效果進行驗證，本文進行了幾組對比實驗。先將Gabor跟采樣降維相結合的特徵提取方式下得出的不同分類器效果加以比較，再將該系統下的分類跟其他的分類器效果進行比較。具體如下圖4所示。

圖4 不同的分類器下表情識別比較圖
在圖4中，橫坐標1-7分別表示的是生氣、厭惡、恐懼、高興和瓶頸、傷心以及驚奇，數字8表示的是所有的表情。
結論：
根據圖4我們可看出，在特徵提取條件相同情況下，整體實驗數據中稀疏表示明顯比另兩種分類型的性能要好，而且BP神經網路分類效果也非常良好，但是最近鄰之間的分類器的精準度沒有前兩種表現得好。
該文中運用的這種提取特徵方法的效果明顯比Gabor跟采樣降維相結合的方法效果要好。
上面進行的對比實驗，充分驗證了本文中的分類系統的優越感。下面跟文獻中已經有的方案進行對比，具體如下圖5所示。
[不同人臉表情識別方法＼&識別率＼&Gabor+彈性模板匹配[5]＼&80%＼&特徵塊PCA+最近鄰分析器[8]＼&75.45%＼&本文方法＼&85.71%＼&]
圖5 跟文獻中含有的方案進行比較效果
根據圖5所示，我們可以看出，跟其他文獻中採用的方法來看，本文採用的方法在表情識別上有著明顯的優勢。具體的我們還可以從下圖6的人臉表情識別界面中看到本文中設計的人臉識別系統具體應用情況。

圖6 人臉表情識別的界面
3.3簡析人臉識別演算法
1）優點
這種演算法將以前在迭代過程中的迭矩陣計算大大簡化，而且在識別的速度上也得到了有效的提升，能跟隨光照的變化進行有效的識別，對人臉進行識別的主要困難就是遮擋、單樣本等這些問題，而稀疏表示在這些問題的前提下仍然能具備潛在的發展力，我們可以進一步對其加以研究，這也是現在研究的一個重點方向。
2） 缺點
在上面實驗中我們發現其分類器表現出了良好的使用效果，但這種演算法也存在著一些不足之處，由於數據量不斷地增加，稀疏表示分類需要的時間也會隨之而增加。此外，這種表示方法雖然在速度上明顯優於其他，但是其產生的識別率並不是很高，也就是說不能准確地對表情進行有效識別。
4 展望人臉表情識別的系統
這種新型的對人臉表情加以識別的系統利於將人們的生活品質提高。當人們一旦從比較寒冷的地方或者是比較炎熱的地方回到室內時，可以根據這個表情識別的系統快速地把人們面部表情與最佳溫度中人臉表情相對比，進而讓空調自動把室內的溫度調轉至最佳。此外，在醫療行業中，可以將表情識別運用到電子護士護理中來。尤其是對於那些重症病人，在對其進行治療的過程中可以根據這個具有表情分析能力的機器人護士對病人實行實時的看管護理。除以上幾點外，在對兒童實行教育時也可以將其應用其中，可以根據兒童在某種情形下所產生的表情以及行為進行具體分析和觀察，有效挖掘他們潛在的氣質和能力，引導我們更好地對兒童實行教育，促進兒童的健康成長。
5 結語
綜上所述，對人臉表情加以識別是具有很大挑戰的新興課題，筆者主要對存在於人臉表情識別演算法中的問題進行了簡要的分析，並在此基礎上提出了改進的演算法進而提出了對人臉表情加以識別的系統。但從目前來看，我國關於人臉識別的系統研究當中還存在著一些問題，因此，對於我們來說將更加智能化的關於人臉表情識別的系統加以實現還是一個十分艱巨的任務，還需要我們不斷的努力。
參考文獻：
[1] 趙曉龍. 安防系統中的基於稀疏表示的人臉識別研究[D].西北大學，2014.
[2] 朱可. 基於稀疏表示的人臉表情識別[D].西北大學，2013.
[3] 萬川. 基於動態序列圖像的人臉表情識別系統理論與方法研究[D].吉林大學，2013.
[4] 歐陽琰. 面部表情識別方法的研究[D].華中科技大學，2013.
[5] 王哲偉. 基於稀疏表示殘差融合的人臉表情識別[D].五邑大學，2011.
[6] 張慕凡. 基於稀疏表示的人臉識別的應用研究[D].南京郵電大學，2014.
[7] 趙曉. 基於稀疏表示的人臉識別方法研究[D].北京工業大學，2013.
[8] 何玲麗. 基於核稀疏表示的人臉識別方法研究[D].湖南大學，2014.