人脸识别的相似性度量

人脸识别是上下文模式识别的一个成熟分支形象和视觉。会议不断涌现，全新技术不断涌现它的出现提供了越来越准确的识别率。但什么是脸认可？问题陈述可以这样表述：“给出静止或视频场景图像，使用存储的人脸数据库”[1]。人脸识别分支在许多应用中都是核心涉及人脸识别的算法针对不同的应用如生物特征识别、身份验证、嫌疑人识别等。本章提供了概述什么是相似性和相似性度量。

闵可夫斯基距离真的值得为自己写一整章。根据参数p的值选择，在下面的介绍中进行了解释，Minkowski距离的概念分为不同的距离度量，即通常称为出租车（p=1）、欧氏（p=2）和切比雪夫距离(

如果两个矢量来自同一潜在分布，则距离它们之间的距离可以用马氏距离来计算，这是欧几里得一。此外，它可以定义为在马哈拉诺比斯空间。此外，还存在基于城市街区的马哈拉诺比斯距离和其他版本，包括基于角度和余弦的版本。很大程度上利用二维人脸数据进行人脸识别，马哈拉诺比斯获得了很大的收益PCA算法性能良好。

当两个集的大小不同时，可以计算Hausdorff距离在它们之间，即使一个集合的基数是无限的。此的不同版本距离被提出并用于人脸验证，其中修正的豪斯道夫距离是最著名的。需要注意的重要一点是，在最常用的相似性度量中，Hausdorff距离是唯一的一种已经被广泛应用于3D数据的方法。

余弦距离通过返回来比较两个图像的特征向量两个向量之间夹角的余弦。其他基于余弦和角度的度量包括Tanimoto差异性和Jaccard指数，以及其他相关性；它们被用于依赖PCA、ICA、NN、，和Gabor小波，尤其是在二维人脸数据上。仅相关性系数已应用于三维点云。

其他距离用于人脸识别，但在领域的优势不如前几个领域。本章收集了这些措施，这些距离被称为瓶颈距离、普鲁斯特距离、推土机距离和巴塔查里亚距离。关于表演的小节仅针对巴塔查里亚（Bhattacharyya）距离，虽然在人脸识别领域的应用并不广泛，但分行最有效的措施之一。

面之间的距离也可能被视为错误。错误类型多种多样和可能因应用而异，但已用于人脸识别。主要结果已经收集，并在这一简短但关键的章节中报告。

相似函数不是距离，而是旨在评估两个物体之间的相似性。其中一些与之前解释的其他一些相关余弦距离等度量。其他是统计或概率的，或依赖于模糊逻辑。无法提供识别率的综合表，因为要比较的数据不同。

其他度量用于计算面之间的相似性。尽管其中一些非常流行，例如编辑距离或转弯功能距离可能更常用于对象、向量或形状比较，而较少用于面。本段收集了所有这些措施及其用于面部的作品认可。其中，动态时间扭曲（DTW）、隐马尔可夫模型（HMM）和Fréchet距离已应用于3D数据。

一篇关于人脸识别相似性度量的详尽而有组织的论文是提出了。所有这些措施都适用于不同的识别类型算法，因此不可能对其性能进行直接和概要的比较。然而，许多作者在他们的算法和根据距离比较结果。这些作品对对这些措施进行评估和效率比较，以给出概述可用于人脸识别的方法。这是本章的目的。此外，还分析了人脸识别算法的需求为嫌疑人的身份验证和识别应用程序提供。

本章主要介绍了这项工作的未来研究提示激发了灵感。拥抱3D是这个简短分析的主要结果。