无约束人脸识别方法绪论.pptVIP

小组成员： 无约束人脸识别方法 无约束人脸识别的任务 检测并提取人脸区域 对人脸区域进行预处理 提取人脸特征 在数据库或模型中匹配识别 传统方法 基于全局特征的方法 Eigenface, Fisherface… 基于局部特征的方法 几何特征, Gabor, LBP, 基于模型 基于神经网络的方法 基于SVM的方法 光照 年龄 姿态 表情 遮挡 …… 影响 人脸识别的新发展 近年来，基于度量学习的人脸识别方法逐渐成为人脸识别领域中的研究热点，不断有新的方法提出。 LDML Matthieu Guillaumin等 @2009 ICCV 识别率：79.27% CSML Hieu V. Nguyen等 @2010 ACCV 识别率： 88.00% PMML Zhen Cui等 @2013 CVPR 识别率：89.35% DDML Junlin Hu等 @2014 CVPR 识别率：90.68% 新方法介绍： 2013 IEEE Conference on Computer Vision and Pattern Recognition Fusing Robust Face Region Descriptors via Multiple Metric Learning for Face Recognition in the Wild [Zhen Cui, Wen Li, Dong Xu, Shiguang Shan, Xilin Chen] 提出了一种新的特征描述子（SFRD/STFRD） 提出了一种成对约束多度量学习方法（PMML） 在LFW,YTF这两个数据集上是当时最好的方法 方法流程图 获得人脸图像 将人脸图像分区域 抽取块 特征提取 PMML方法 提取特征 非负稀疏编码 用k-means聚类学习得到一个过完备的视觉词典D。 把所有的样本块p作为稀疏编码的输入，得到他们的编码c。 Sum pooling 第k个区域的TF特征可以通过下式得到 提取特征 白化PCA 我们把所有训练图像的第k个区域的TF特征的协方差矩阵记作 .协方差矩阵的特征分解为 白化PCA就是取前m个最大的特征值组成 ，目的是为了降低特征的维数。(mM) 为第k个区域的SFRD/STFRD PMML 度量学习 一对训练样本之间的距离定义为： Information theoretic metric learning 采用the LogDet divergence PMML 则我们要求解的问题就转化为： 它的优点在于联合地学习了每个区域的 ，隐含了全局的信息。 实验结果 DDML 实验结果 DDML算法在LFW和YTF上都表现了很好的性能。 总结 新方法的优点： 提高了鲁棒性 对无监督人脸识别的效果提高了 缺点： 相对传统方法更复杂 Thank you！ * * 人脸识别的主要任务是对于采集的人脸图像，通过各种手段从已有的带标签的图像库中 匹配出最接近的结果。无约束环境下的人脸识别系统由训练过程和识别过程构成。。。。 * * 常见的传统人脸识别算法有：基于全局特征的方法（如，特征脸、fisher脸等）；基于局部特征的方法 （如，基于几何特征的方法、基于Gabor小波的方法、基于LBP的方法，基于模型的方法（如，弹性模型、隐马尔科夫模型））； 另外，神经网络、支持向量机等方法也常常被应用于人脸识别问题中。 在无监督环境下，光照、姿态、表情、遮挡、年龄等问题都会对识别造成困难，比如，光照的变化有可能使得原本属于不同人 的人脸在某些特征上呈现很高的相似性，从而造成错误的识别。 * * * 近年来，基于度量学习（Metric Learning）的人脸识别方法越来越受到人们的关注。 Matthieu Guillaumin等人在2009年的ICCV会议上提出了一种基于Logistic判别的度量学习方法（LDML）。（说的时候就讲有人在09年的ICCV上提出了。。。不要讲人名） Hieu V. Nguyen等与2010年的ACCV上提出了一种基于余弦相似度的度量学习方法（CSML）来解决人脸识别中的人脸验证问题。 最近，Zhen Cui等人在2013年又在CVPR上提出了用成对多度量学习（PMML）进行人脸识别的方法，并取得了较好的识别效果。 除了基于度量学习的方法外，基于深度神经网络的人脸识别方法也引起了人们的广泛兴趣。 在2014年的CPVR上，Junlin Hu等人提出了利用深度神经网络进行度量学习的方法，取得了很好的结果。 * * * 人脸识别的主