Einige Gesichtserkennungsalgorithmen basieren auf Merkmalen, die aus einem Bild des Gesichtes der Person extrahiert wurden. Es handelt sich um Gesichtsmerkmale. Zum Beispiel kann ein Algorithmus die relative Position, Größe und / oder Form von Augen, Nase, Mund, Wangenknochen und Wangen analysieren. Diese Merkmale werden dann während der Suche in einer Gruppe von Bildern für die Vergleichs-Funktionen verwendet. Andere Algorithmen normalisieren die Gesichtsbilder und komprimieren die Gesichtsdaten die für die Gesichtserkennung von Bedeutung sind. Ein getestetes Bild wird dann mit den Daten verglichen.
Vor der Merkmalsextraktion sollten alle Bilder vorverarbeitet und normalisiert werden.
Ein Teil der Vorverarbeitung ist die Dimensionsreduktion aller Eingabebilder auf eine definierte Größe. Der Einsatz eines Kontrast beschränkten adaptiven Histogrammausgleichs (contrast limited adaptive histogram equalization -- CLAHE) – kann verwendet werden. Die normalisierten Bilder können maskiert werden, um den Hintergrund auszublenden und nur den Gesichtsbereich zu behalten.
Das Hauptziel des Normierungsverfahrens besteht darin, die unkontrollierten Variationen, die während des Akquisitionsprozesses auftreten zu minimieren und die beobachteten Unterschiede bei den Gesichtsmerkmalen zu erhalten.
Auch eine Änderung der Körperhaltung kann zu Variationen in den Bildern führen.
Die Merkmalsextraktion umfasst die Verringerung der Menge von Ressourcen, die für die Beschreibung einer großen Datenmenge erforderlich sind. Während der Gesichtserkennung wird die Analyse einer großen Datenmenge durchgeführt. Die Analyse mit einer großen Anzahl von Variablen erfordert im Allgemeinen eine große Menge an Speicher und Rechenleistung. Die Merkmalsextraktion führt zu einer Reduzierung der benötigten Variablen und Daten.
Für die Extraktion von Gesichtsmerkmalen werden am häufigsten die Kantennachweisverfahren eingesetzt. Sehr gute Ergebnisse werden auch mit Local Binary Patterns (LBP) erreicht.
Kantenerkennung Bezeichnet eine Reihe von mathematischen Methoden, deren Hauptziel es ist, die Punkte in einem digitalen Bild zu erkennen, bei dem sich die Helligkeit stark ändert. Diese Spezielle Kantenoperatoren sollen die Übergänge zwischen den Bildpunkten erkennen und diese Reihen von gekrümmten Liniensegmenten als Kanten markieren.
Die am häufigsten verwendeten Funktionen für die Kantenerkennung sind Sobel-Operator (auch Sobel-Filter genannt), Prewitt-Operator oder Gabor-Filter.
Die Extraktion von Gesichtsmerkmalen aus vorverarbeiteten Bildern kann über LBP-Histogramme durchgeführt werden. LBP-Histogramme sind eine der besten Merkmale zum Erkennen von Gesichtern auch in Fällen, wo nur eine begrenzte Anzahl von Proben zur Verfügung steht und können leicht in Echtzeit [5] (Abb. 2.1) berechnet werden.