人脸识别工作汇报.ppt

* C A S I P P 人脸识别工作汇报 C A S I P P 人脸识别的一般概念：给定一个场景中的静态图像或视频，利用给定的人脸数据库信息，鉴别或确认该场景中的一位或多位人的过程。 一个完整的人脸识别系统一般包括三个部分： （1）图像获取 （2）人脸检测与分割 （3）人脸识别（特征选择与提取、模式匹配） 人脸识别的概念 C A S I P P 特征选择与提取 （1）当实际用于分类识别的特征数目d给定后，直接从已获得的n个原始特征中选出d个特征，根据这d个特征来判断。 （2）根据某一类别可分性判据原则，对n个原始特征进行变换，使之变换到较低维空间或便于分类的空间，在变换后的空间对它进行分类识别。 C A S I P P 人脸识别方法的分类（根据特征提取方法） 第一类：基于表象（全局特征）的方法 全局匹配方法是用整个人脸区域作为输入，作为一个整体与已知人脸数据库进行匹配。如Eigenfaces、Fisherfaces、SVM等。 第二类：基于结构（局部特征）的方法 基于局部特征的结构匹配方法是根据人脸图中的局部特征（眼睛、鼻子、嘴巴等）在人脸图像中的位置和各自自身的结构确定对人脸图像进行识别。如Hidden Markov Model Based Methods（HMM）等。 C A S I P P 特征脸的含义 人脸图像中包含着大量有意义的人脸局部和全局特征信息，这些特征不仅包含如眼睛、鼻子、头发等仅凭人的直觉就能感受到的特征，还包含其它一些人的直觉没法体会的重要特征。这些特征以一定的形式分布在人脸图像中，从一张人脸图像中抽取相关的信息并尽可能有效的方式表示出来，然后，将以这种方式表示的人脸与以同样方式表示的人脸模型库相比较。 C A S I P P 从数学的观点，可以将人脸图像作为高维空间的一个点或一个向量，而且这些高维向量的在空间中的分布没有一定的规律性。如果能将这个高维向量映射到维数较低的向量空间，或者映射到分布规律明显的空间，用映射空间的向量表示人脸图像，则更方便我们进行人脸识别。 C A S I P P 人们想到了用主成份分析方法，又称离散K-L变换、Hotelling变换，它是用原始空间中的随机变量X的协方差矩阵的特征向量构成的特征矩阵作为变换矩阵，对原始空间中的向量进行变换，使原始空间中高维、复杂的向量变成变换后的特征空间中的低维、简单的向量。 这种变换是一种基于统计特性的最佳正交变换，变换之后具有如下特性： （1）变换后的新的分量正交或不相关； （2）以部分新的分量表示原向量均方误差最小； （3）变换后的向量更趋确定、能量更趋集中。 C A S I P P 在人脸识别中，人们用离散K-L变换对人脸图像的原始空间进行转换，即构造人脸图像数据集的协方差矩阵，对之进行正交变换，求出协方差矩阵的特征向量，再依据特征值的大小对这些特征向量进行排序，每一个向量表示人脸图像中一个不同数量的变量 ，这些特征向量表示特征的一个集合，它们共同表示一个人脸图像。在人脸识别领域，人们能常称这些特征向量为特征脸 。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。 C A S I P P 特征脸的构造与计算 人脸图像集： 向量形式 ： 训练集的平均脸 ： 人脸图像与平均脸的差 ： C A S I P P 用正交变换求出协方差矩阵的特征向量和特征值： 人脸图像集的协方差矩阵： 变换后的特征空间为： C A S I P P 由于离散K-L变换使能量相对集中，且与特征向量相对应的特征值具有如下性质： 由于精确地构造图像是不必要的，一个较小的m个特征向量对识别就足够了 ，因此，我们可以取前m个特征向量，构成变换后的特征脸空间。 因此，对于取前m个特征所对应的特征向量，对原始空间中的向量进行变换，变换后的均方误差取最小值。 C A S I P P 在特征脸空间进行人脸匹配 一幅人脸图像将它映射到特征脸上可用下式运算求得： 它在特征脸空间中的向量： 得到特征脸空间后，对人脸图像的识别可以将原始的高维空间向量映射到该特征空间，再进行模式匹配。 C A S I P P 确定相似性度量方法 在人脸识别中，以上进行的工作是只是人脸特征提取与选择，下一步要做一工作是对这些提取后的特征向量进行分类。为此要确定一种相似性度量方法，求出各提取后的特征向量之间的相似度，进而确定待分类识别的人脸是否属于某一已知类别。 C A S I P P 平均欧式距离法 在统计模式识别方法中，我们抽取和选择的是能代表这个模式的特征，用这些特征构成的特征向量占有由它们构成的特征空间的一个点。显然，两个模式如