计算机视觉算法在图像识别方面的一些难点：
1）视角变化：同一物体，摄像头可以从多个角度来展现；
2）大小变化：物体可视的大小通常是会变化的（不仅是在图片中，在真实世界中大小也是由变化的）；
3）形变：很多东西的形状并非一成不变，会有很大变化；
4）遮挡：目标物体可能被遮挡。有时候只有物体的一部分（可以小到几个像素）是可见的； 5）光照条件：在像素层面上，光照的影响非常大；
6）背景干扰：物体可能混入背景之中，使之难以被辨认；
7）类内差异：一类物体的个体之间的外形差异很大，如椅子。这一类物体有许多不同的对象，每个都有自己的外形
人脸识别算法主要包含三个模块：
-
人脸检测（Face Detection）：确定人脸在图像中的大小和位置，也就是在图像中预测anchor；
-
人脸对齐（Face Alignment）：它的原理是找到人脸的若干个关键点（基准点，如眼角，鼻尖，嘴角等），然后利用这些对应的关键点通过相似变换（Similarity Transform，旋转、缩放和平移）将人脸尽可能变换到标准人脸；
-
人脸特征表征（Feature Representation）：它接受的输入是标准化的人脸图像，通过特征建模得到向量化的人脸特征，最后通过分类器判别得到识别的结果。关键点是怎样得到不同人脸的有区分度的特征，比如：鼻子、嘴巴、眼睛等。
早期算法：
-
子空间(线性降维)
PCA(主成成分分析) ：尽量多地保留原始数据的保留主要信息，降低冗余信息；
LDA(线性判别分析)：增大类间差距，减小类内差距。 -
非线性降维： 流形学习、加入核函数。
-
ICA(独立成分分析)：比PCA效果好，比较依赖于训练测试场景，且对光照、人脸的表情、姿态敏感，泛化能力不足。
-
HMM(隐马尔科夫) : 和前面这些算法相比，它对光照变化、表情和姿态的变化更鲁棒。
早期：数据和模型结构；
后期：loss，从而得到不同人脸的有区分度的特征。
常用算法总结
- 特征提取（找到若干个关键点）
(1) SIFT （尺度不变特征变换） 具有尺度不变性，可在图像中检测出关键点。
(2) SURF（加速稳健特征，SIFT加速版）
核心：构建Hessian矩阵，判别当前点是否为比邻域更亮或更暗的点，由此来确定关键点的位置。
优：特征稳定；
缺：对于边缘光滑的目标提取能力较弱。
(3) ORB
- 结合Fast与Brief算法，并给Fast特征点增加了方向性，使得特征点具有旋转不变性，并提出了构造金字塔方法，解决尺度不变性.
- ORB算法的速度是sift的100倍，是surf的10倍。
经显示观察到，ORB算法在特征点标记时数量较少，如图:
(4) FAST角点检测
FAST的方法主要是考虑像素点附近的圆形窗口上的16个像素
如果要提高检测速度的话，只需要检测四个点就可以了，首先比较第1和第9个像素，如果两个点像素强度都在中心像素强度t变化范围内（及都同中心点相似），则说明这不是角点，如果接下来检测第5和13点时，发现上述四点中至少有三个点同中心点不相似，则可以说明这是个角点。
非极大值抑制：如果存在多个关键点，则删除角响应度较小的特征点。
(5) HOG (方向梯度直方图)
(6) LBP(局部二值特征）论述了高维特征和验证性能存在着正相关的关系，即人脸维度越高，验证的准确度就越高。
(7)Haar