机器人科技.pptVIP

输出一个比对结果 * 按相似度高低，输出一组人脸照片 * 人脸识别比对 人脸识别建模 人脸识别的主要算法 1.2人脸识别工作原理 人脸识别的主要算法 1.3基于PCA和BP神经网络的人脸识别流程 人脸识别的主要算法 1 : 1 的验证过程 人脸识别的主要算法 1 : N 的辨识过程（1 : N） 人脸识别的主要算法 1.4人脸识别特征点提取建模流程 人脸识别技术的主要算法 1.5各种人脸识别方法优缺点比较 人脸识别的主要算法 2.1特征脸的方法 特征脸法又称为主成分分析（Principal Component Analysis，PCA）法，是由Turk 和 Pentland 在上世纪 90 年代初提出的一种经典的算法，根据图像的统计特征进行正交（即 Karhunen-Loeve Transform，K-L）变换，以消除原有向量各分量间的相关性，得到对应特征值依次递减的特征向量，即特征脸。 人脸识别的主要算法 2.2核心思路 将图像经K-L变换后由高维向量转换为低维线性向量，把人脸投影到这个低维空间得到的投影。系数作为识别的特征矢量，这样就形成了一个由特征脸矢量张成的子空间，每个人脸图像向其投影都会得到一组坐标系数，表明人脸在子空间中的位置，因此该法可以重建和识别人脸，通过人脸向量向特征子空间作投影得到的向量称之为主分量。 人脸识别的主要算法 从图可以看出数据集投影到1号轴上抓住了数据的主要特征,即具有双峰(即在它的结构上有两个聚类)的特点。 数据投影到轴1的方差比投影到别的轴上的大。相反,当映射到轴2上时,数据内在的双峰特征则完全模糊。 标号为1和2的旋转坐标轴是应用这个数据集的主变量分析产生的结果。 为了说明主成分分析的应用,考虑双变量(二维)数据集的例子,假设两个特征轴的标度近似相同 2.3PCA经典例子 人脸识别的主要算法 虽然,带有聚类结构的数据集在带有水平轴和垂直轴的二维平面图上很明显,但是在实际中并不总是这样。在更一般的高维数据集中,可以想象数据固有的聚类结构被隐藏,更想看到它必须进行与主成分分析相似的统计分析,以使得数据在更低维空间中表现出一定的聚类性质,从而提高系统的识别效率。 2.4重要结论: 人脸识别的主要算法 主成分分析法是模式识别判别分析中最常用的一种线性映射方法,该方法是根据样本点在多维模式空间的位置分布,以样本点在空间中变化最大方向,即方差最大的方向,作为判别矢量来实现数据的特征提取与数据压缩的。 从概率统计观点可知,一个随机变量的方差越大,该随机变量所包含的信息就越多,如当一个变量的方差为零时,该变量为一常数,不含任何信息。 2.5PCA基本概念 人脸识别的主要算法 主成分就是原始数据的m个变量经线性组合(或映射)后得到的变量,该变化使得其变换后的变量方差为最大(第一主成分)的部分。各个主成分之间是相互线性无关的(正交的),从第一主成分往后,主成分按方差大小的顺序排列(对应特征值按大小顺序排列)。 对于特征值为 的主成分, 也是该主成分的方差,该值表示样本点在该主成分方向上的离散程度。 主 成分的贡献率愁可用下式表示： 人脸识别的主要算法 主成分中方差较小或 较小的主成分被认为包含的是噪声,在分析时不使这些变量引入模型,这样使分析的主成分减少,以达到降维的目的。 主成分中任两个,可构成判别分析平面,因此可实现高维空间向两维平面及其他维平面映射的目的。一般取方差较大的几个主成分构成判别分析平面。 人脸识别的主要算法 2.6PCA原理 令 为表示环境的m维随机向量。假设 均值为零,即: 令ω表示为m维单位向量,x在其上投影。这个投影被定义为向量 和ω的内积,表示为: 满足约束条件: 人脸识别的主要算法 而主成分分析的目的就是寻找一个权值向量ω使得表达式 的值最大化: 根据线性代数的理论,可以知道满足式子值最大化ω的应该满足下式: 即使得上述式子最大化的ω是矩阵的 最大特征值所对应的特征向量。 人脸识别的主要算法 在实际应用中,由于原始数据的数学期望不容易求解,我们可以利用下式来近似构造关联矩阵: 其中 ， ,..., 是各个原始灰度图像所有象素点对应的向量,N是原始图像的个数。计算出前m个特征值对应正交的特征向量构成ω。 将原始数据在特征向量ω上进行投影,即可获得原始图像的主特征数据。人脸识别过程就是将人脸图像映