KNN经典算法和主成分分析以与人脸检测应用.pdfVIP

模式识别相关文献综述 1、基本算法——KNN （K Nearest Neighbors ） 2 、前沿研究——人脸检测 目 3 、普遍研究算法——1.LBP 录 2.PCA 第一章 基本算法——KNN KNN算法最早由Cover和Hart提出的一种非参数分类算法，现已 广泛应用于模式识别和数据挖掘的各个领域。 KNN的分类思想：给定一个待分类的样本X ，首先找出与X最接 近的或最相似的k个已知类别标签的训练集样本，然后根据这k 个训练样本的类别标签确定样本X 的类别。 第一章 基本算法——KNN KNN算法步骤 1、构建训练样本集合D 2、设定k的初值 3、在D中选出与待测样本最近的k样本。 样本间的“近邻”一般由欧式距离来度量。 第一章 基本算法——KNN 传统KNN的优缺点与改进 优点：简单、直观、易实现、应用广泛，不需要 进行模型的训练。 缺点：计算复杂导致速度慢，准确度不高。 改进：基于特征加权的KNN算法 第二章 前沿研究——人脸检测 人脸检测源于人脸识别的研究。 人脸检测的挑战 （1）人脸犹豫外表、表情、肤色等不同，具有模式的可变性； （2 ）一般意义下的人脸可能包括眼镜、胡子、头发等附属物； （3 ）人脸的影像会受到光照产生的阴影的影响。 第二章 前沿研究——人脸检测 人脸检测主要是特征提取与特征综合。 第二章 前沿研究——人脸检测 人脸模式的特征综合 ① 肤色区域分割与人脸验证方法 ② 基于启发式模型的方法 ③ 基于概率模型的方法 ④ 基于支持向量机的方法 ⑤ 基于统计模型的方法 第二章 前沿研究——人脸检测 研究现状 随着人机交互技术的发展, 人脸检测问题越来越受到重视。 由于人脸检测问题的复杂性, 实现通用的人脸检测方法还不现 实, 因此解决特定约束条件下或某种应用背景下的人脸检测问 题仍将是该领域研究的主要课题。 第三章 普遍研究方法——LBP 局部二进制模式（LBP） 最初是由芬兰科学家Timo等提出的，它是一种有效的纹理描述算子。 LBP能有效的描述图像的局部特征，对灰度变化不敏感，且它的计 算简单快速，所以在图像检索、人脸识别、运动分析、图像的恢复 等计算机视觉领域的应用表现出了良好的性能。 第三章 普遍研究方法——LBP 基本原理 首先计算图像中每个像素与其局部领域在灰度上的二值关系，然后对 二值关系按一定规则加权形成像素的LBP码，提取人脸图像子区域的 LBP直方图序列作为图像的特征描述。 先确定3*3个像素，把中间像素作为阈值与其他8个像素比较，对它们 的像素进行二值化，然后根据位置不同加权平均，于是可以得到这些 像素的LBP值： fc表示中心像素的灰度值 fp表示对应中心像素的周围像素灰度值 第三章 普遍研究方法——LBP LBP先对图像每个像素的８邻域采样，每个采样点与中心像素做灰 ｐ 度二值化运算。如果对每个采样点赋予不同的权系数２ ，则可以得 到一个对应的中心点唯一的LBP编码： LBP算法能更快地从原始人脸图像中提取出来，维数较小且 处于较低维空间，同时仍然保留有效的人脸信息。 第三章 普遍研究方法——PCA 主元分析法(PCA) 基于原始数据空间，通过构造一组新的潜隐变量来降低原始数据空间的 维数，再从新的映射空间抽取主要变化信息，提取统计特征，从而构成 对原始数据空间特性的理解。 第三章 普遍研究方法——PCA 人脸识别中的特征提取是一种从高维测量空间到低维特征空间的一 种映射。这种映射通常要遵循2个原则： ① 特征空间必须保留测量空间的主要分类信息 ② 特征空间维数远小于测量空间维数 PCA满足上述准则，它能将人脸图像投影到低维特征空间各个正交 集上产生特征向量。