山世光——人脸识别技术概述.ppt

人脸识别技术概述;引子;提纲;无处不在的身份验证;传统方法有什么问题？;一种新的技术手段;Biometrics;生物特征识别技术(Biometrics);Biometrics孰优孰劣？;Biometrics比较;为什么要做人脸识别？;应用模式;人脸识别相关研究内容;与其他生物特征识别的比较;技术挑战;;没有想象的那么简单！;没有想象的那么简单！; 人脸识别的基本原理及其计算模型探讨;我们人类靠什么识别？;人类视觉识别系统特性简介及其借鉴意义 ;局部特征 vs 全局特征;平均脸;局部特征 vs 全局特征;人类视觉识别系统特性简介及其借鉴意义;Mark;人类视觉识别系统特性简介及其借鉴意义;人脸识别的分类;基于可见光的人脸识别;简化的人脸成像模型;人脸图像的生成要素;理想的识别模型;退而求其次…;从“图像”中识别的道理何在？;问题分解;Face Detection;自动人脸识别系统;Face Recognition;基于几何特征的例子;;国内外研究现状——研究机构;人脸识别的最高学术水平;人脸识别的最高学术水平;从评测看当前人脸识别技术的研究水平;从评测看当前人脸识别技术的研究水平;从评测看当前人脸识别技术的研究水平;从评测看当前人脸识别技术的研究水平;从评测看当前人脸识别技术的研究水平;国际研究现状;Who is who in FR community;人脸图像数据库;文献来源;国际商业系统;人脸检测典型方法介绍;人脸检测方法;基于肤色特征的检测;多种肤色模型;颜色空间;高斯肤色模型;高斯肤色模型;;提取肤色区域 ;肤色模型的缺点;基于Appearance的方法;基于AdaBoost的快速人脸检测;AdaBoost算法简介;人脸的特征表示方法;Haar-like特征的表示;问题;需要一幅辅助图像（积分图）如下图所示：;从左到右、从上到下扫描一遍图像，对图像进行如下操作，得到每个像素位置的积分图像ii(x,y) ii(x,y)=ii(x,y-1)+s(x,y) s(x,y)=s(x-1,y)+I(x,y) ;Haar-Like特征的快速计算;输入图像;何以快速？;AdaBoost分类器;AdaBoost用于人脸模式分类;AdaBoost用于人脸模式分类;Adaboost学习算法流程;AdaBoost学习算法;AdaBoost学习算法;AdaBoost学习算法;人脸检测器;检测系统的构建——遍历所有位置;检测系统的构建——遍历不同大小;如何进一步加速？;类比一下;基于AdaBoost的快速人脸检测;分级分类器的构建;检测过程流程图;分级分类器的训练算法;一些检测结果;Project 2;;发展 阶段;典型方法;重点介绍的几个方法;基于可变形模板的面部特征自动定位;面部特征提取;用可变形模板进行面部特征定位;特征形状模板;可变形模板——以下巴检测为例;搜索流程;检测结果;;主成分分析PCA方法;主成分分析PCA概况;如何去相关？;PCA：协方差矩阵的特征值分解;PCA：协方差矩阵计算;PCA：计算方法;PCA：用于降维;PCA降维: Theory;PCA降维: Practice;数据约减：理想情况图示;数据约减：非理想情况图示;PCA降维: 数据损失分析;PCA : 小结;主动统计模型;主动形状模型ASM;主动形状模型ASM;ASM: 搜索过程图示;特征点局部纹理模型匹配;统计形状模型约束(PCA);ASM评价;ASM结果示例;Face Alignment;主动表观模型AAM;AAM: 训练数据准备(续); AAM : 形状模型;AAM : 纹理模型;主动表观模型AAM;AAM : 示例;AAM: 用于图像分析;AAM及其搜索策略;AAM: 搜索算法 ;AAM：基于合成的图像分析;AAM 优化搜索过程实例;AAM总结与评价;基于面部几何结构的人脸识别 基于模板匹配的人脸识别方法;基于几何特征的例子;基于模板匹配的例子;Eigenface;Eigenface人脸识别方法;Eigenfaces—Eigenvectors of the Covariance matrix;EigenFace-based face recognition method;Fisherface：子空间线性判别分析;Fisher判??分析——Fisherface;基本思想;FDA的计算;Bayesian方法;基于双子空间分析的Bayesian方法;类内差别与类间差别(3);类条件概率密度的计算;类条件概率密度的计算;类条件概率密度的计算;Bayesian方法的实现;若干值得关注的技术趋势;局部特征与全局特征的融合;基于3D变形模型的人脸建模：Analysis-by-Synthesis技术的一个应用;基于3D变形模型的人脸建模;基于3D变形模型的人脸建模;3