视频人脸识别框架
- 视频人脸检测：采用AdaBoost 算法训练的分类器进行人脸检测。目前，最流行的提取图像感兴趣区域（ROI）的方法是Viola-Jones 算法。该算法基于AdaBoost 使用一小部分的关键特征训练分类器并级联分类器来检测一个人脸，每个新的复杂度级别的增加都有助于获得一个更高准确性的结果，该算法在精度及时间复杂度方面都具有极大优势。Viola-Jones 算法用到了三种Haar 特征描述，为了最大程度上减少特征运算的复杂度，只有那些能够较好的区分正示例和负示例的特征才被选作为分类器的部分级联，其目标是构建一个类似于决策树的结构。
- 视频人脸跟踪（2017视频序列中的人脸检测与跟踪技术研究）：现有的实时跟踪技术包括：Camshift 算法，condensation 方法和自适应卡尔曼滤波，当目标远离摄像机时，该类算法未能实现有效跟踪。Camshift 算法是原始Mean Shift 算法的一种改进算法，是通过目前流行的OpenCV 库实现的。该算法通过一个颜色直方图来表示一个人脸，对于即将传入的视频帧，将计算一个像素代表人脸的概率。基于这些概率统计，通过移动人脸窗口，计算当前窗口的视角及尺寸信息，该算法是目前已知的具有较好性能的人脸跟踪算法，但当出现与跟踪目标颜色相近的其他目标时，会出现误跟踪的现象。
-
视频人脸识别（2017基于图像集合和视频序列的视频人脸识别算法研究）：视频人脸识别方法
1.基于关键帧的识别方法是通过在视频中检测代表性帧，然后采用基于静态图像的人脸识别方法以实现视频人脸识别，是较为传统的一种方法；Fisherface 方法目前仍然是主流的人脸识别方法之一，同时产生了很多的改进算法。另外，基于动态链接结构的弹性图匹配技术（Elastic Graph Matching，EGM）对一定的光照、表情和姿态变化有较好的鲁棒性。（（难以定位？？））
2.基于图像集合的视频人脸识别方法把视频处理成无序的图像集合进而可以通过融合人脸图像的多视角空间信息进行人脸识别，这类方法主要通过融合视频中的人脸多视图信息或捕捉视频中人脸的变化模式来实现人脸识别；基于图像集合的方法一般可以再细分为（基于超分辨率）、基于三维建模、基于帧选择以及基于统计建模四种。
3.基于图像集合的方法利用视频中潜在的大量样本信息，基于序列的方法在识别的过程中会同时包含排序信息。时间动态信息可以被利用来同时表征面部表情和运动变化；通过统一的跟踪与识别模式可以提高配准精度；或表示某个人的独有特征。（基于生物特征中步态的分析） -
人脸样本库：Honda/UCSD 数据库；YouTube Faces 数据库
参考流程图
