人脸识别文稿.ppt

主要内容 什么是人脸识别 人脸识别的发展 人脸识别的基本方法 人脸识别的主要用途 人脸识别的定义 人脸识别的研究内容 人脸的检测与定位 人脸的特征提取 人脸的识别 人脸识别的发展 非自动识别阶段 主要研究如何提取人脸识别所需的特征。通过简单的语句描述人脸数据库，形成待识别人脸逼真的摹写，来提高面部识别率。这是需要手工干预的阶段 人脸识别的基本方法 几何特征的人脸识别方法 基于特征脸（PCA）的人脸识别方法 神经网络的人脸识别方法 弹性图匹配的人脸识别方法 线段Hausdorff 距离(LHD) 的人脸识别方法 支持向量机(SVM) 的人脸识别方法 人脸的检测与定位 图像预处理 尺寸归一化 人脸图像的尺寸归一化包括图像的平移、旋转、缩放和标准切割等处理过程， 光照归一化 目前，光照变化是制约人脸识别系统的瓶颈。一方面是因为光照变化造成人脸的类内差异甚至大于类间差异；另一方面是光照变化本质上是一个无限维的，光照变化对人脸图像的影响除了光源本身的因素外，还跟人脸表面的几何特征、反射率等诸多因素相关。针对光照因素的研究，目前总体来说有三种算法：1）基于传统的图像预处理方法，如直方图均衡；2）提取对光照不敏感的特征；3）基于光照的模型，给光照变化规律建立统一的模型。 特征提取 基于知识的特征提取方法 基于统计的特征提取方法 基于代数特征的提取方法 神经网络简介 离散型HopfieId(DHNN)神经网络的工作方式 Hopfield神经网络训练识别流程图 基于Hopfield神经网络的人脸识别系统流程图 基于Hopfield神经网络人脸识别算法 * * 作为一个知识分子，我们怎样用严谨的态度，缜密的思维，准确的判断哪个是“凤姐”？ 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。 人机交互阶段 这一阶段虽然实现了一定的自动化，但还需要操作员的某些先验知识，仍然不是一个完全自动的识别系统。 自动识别阶段 这一阶段真正实现了机器自动识别，产生了众多人脸识别方法，出现了多种机器全自动识别系统。近十余年来，随着高速度、高性能计算机的发展，人脸识别方法有了较大的突破，提出了多种机器全自动识别系统。 模板匹配的方法 建立一个确定的人脸模板，再通过计算人脸模板与候选图像位置上的局部图像的相关程度来判断其是否是人脸区域，若它超过某个预定门限，则认为找到人脸。 基于知识的方法 利用人的知识建立若干规则，从而将人脸检测转化为假设检验问题。 基于特征不变性的方法 这类方法是基于这样一种假设：人们能够毫不费力的发现不同姿势、不同光线下的物体，所以他们必然存在这些变化下的不变的特征。基于不变特征的人脸检测方法主要有采用人脸特征的检测，基于皮肤颜色纹理特征的检测，以及基于多个特征综合的检测。 人脸识别是当前图像工程领域的研究热点之一，它属于生物鉴别技术 (Biometrics)的一部分。在人的各种形式的生物特征中，人脸是一个人区别于他 人的最自然、最主要的特征。人脸识别方法的研究已取得了很大的进展，各种新 方法、新思路层出不穷。但由于人脸图像存在获取过程中的不确定性和人脸模式 的多样性，使得目前人脸识别的效果与实际应用的要求仍然有较大的差距，而且 所有的算法都是在一定的假设和条件下取得的，例如有些算法对光照变化鲁棒性 好，而可能在姿态变化时识别率低。影响人脸识别效果的关键因素是特征提取的 方法。目前已有的人脸特征提取方法有很多种，总体上分为两种类型：基于知识 的特征提取方法和基于统计学习的特征提取方法。 基于知识的特征提取方法主要是根据人脸器官的形状描述以及它们之间的 距离特性来获得有助于人脸分类的特征数据，即几何特征，是最早、最传统的方 法。Kelly用几何量作为人脸的特征，这些几何量包括眼角、嘴角、鼻孔、下 巴这些点之间的距离以及所成的角。Craw提出了更复杂的人脸模板，包含了 头发线条、眼睛、眉毛、鼻子、嘴和面额。此外，我国学者王华和李介谷给出了 人脸斜视图像的特征提取方法。 几何特征是人脸的直观特征，基于几何特征的识别方法符合人类识别人脸的 机理，易于理解；对每幅图像只需存储一个特征矢量，存储量小；另外对光照变 化不太敏感。早期的人脸识别研究主要是基于几何特征的，基于几何特征识别方 法的主要缺点是：从图像中提取稳定的特征比较困难；对强烈的表情变化和 姿态变化的鲁棒性较差；一般几何特征忽略了局部细微特征，造成部分信息丢失。 近年来提出的方法大多数是基于统计特征的，其中取得很好效果的弹性图匹配法实际上是基于局部统计特征的。