Abstract—本文主要講解Gabor特徵在人臉識別中的使用。
      在此不講Gabor濾波器的原理，網上有很多部落格已經介紹了大量關於Gabor濾波器。此文講下提取出來後的Gabor濾波器的處理。
      通常我們使用的Gabor濾波器有8個方向，5個尺度，這些引數都可以調節。Gabor濾波器分為實數部分和虛數部分，如圖1所。圖1a為實數部分，圖1b為虛數部分。

圖1a Gabor濾波器實數部分

圖1b Gabor濾波器虛數部分

      從圖1a和圖2a可以清楚看出，每一列為尺度變化，一共有5個尺度。每一行為方向變化，一共有五個方向。
      把人臉影象分別用對應的實部虛部濾波器進行濾波，再進行平方相加開根號。就可以得到人臉的Gabor特徵了，如圖2待提取的人臉影象。圖2為Gabor的特徵圖。

圖2 待提取的人臉影象
圖3 Gabor的特徵圖

圖2為Gabor特徵的特徵圖，影象大小為100*70，假設不損失邊緣進行濾波，那麼將得到100*70*40=28w特徵，這個特徵太大！（1）不適合儲存。（2）有很多不需要的特徵，導致維數災難。
      下面我介紹一種特徵降維的方法，稱為pooling，在Deep learning有用到過。對特徵圖可以進行max pooling或者mean pooling。如圖4所示

圖4 人臉特徵影象分塊方式

      每一個小塊，我們可以取平均或者這個小塊的最大值，取平均叫mean pooling，取最大值為max pooling。假設每一個小塊為10*10，那麼一張feature map大小為7*10。對於40張feature map，總特徵維度為7*10*40=2800。這樣的特徵便於儲存。
當然還有其他特徵處理的方式

• 關鍵點取樣(SIFT,SURF關鍵點都可以)
• 定點取樣，壞處在於不知道採的特徵是否具體代表性。
• Adaboost等方法特徵選擇方法選擇特徵。