哈尔滨工业大学-模式识别课程-11. 流形与集成学习2学时.pptVIP

自动人脸识别系统 所谓自动人脸识别系统，是指不需要人为干预，能够自动获取人脸图像并且辨别出其身份的系统 一个自动人脸识别系统至少要包含三个部分，即数据采集子系统、人脸检测子系统和人脸识别子系统 “人脸识别”有时是指整个自动人脸识别系统所做的工作，有时是指人脸识别子系统所做的工作 数据采集子系统 人脸识别子系统 人脸检测子系统 自动人脸识别系统 识别结果： He is …! 本征脸（eigenface）方法 是人脸识别的基准技术，并已成为事实上的工业标准 该方法基于主成分分析（PCA） PCA是将分散在一组变量上的信息集中到某几个综合指标（主成分）上的数学方法，实际上起着数据降维的作用，并保证降维过程最大化保留原数据的差异 这对最大化类间差异（即不同人之间的差异）并最小化类内差异（即同一人的不同图像间的差异）很有效 用PCA将2维数据降到1维的例子，绿色点表示二维数据，PCA的目标就是找到这样一条直线，使得所有点在这条直线上的投影点之间的平均距离最大。也就是最大化地保留了原数据的差异性 本征脸方法 高N1，宽N2的图像P 可以转化为N1×N2维的向量x 线性变换: ，其中y的维数m 远远小于x的维数n 寻找W 使得y 最大程度地保持x原有的差异（variance） W 的求法： 1) 样本集的总体散布矩阵： 2) 求出C 的本征向量和对应的本征值; 3) 将本征值排序为 ，它们对应的本征向量分别为 4) 取最前面的m个本征向量 组成变换矩阵W 本征脸方法 直接计算C 的本征值和本征向量是困难的，可以通过对矩阵 做奇异值分解间接求出 m值的选择： 如果将本征向量恢复成图像，这些图像很像人脸，因此称为“本征脸” [M. Turk A. Pentland, JCN91] 本征特征（eigenfeature）方法 利用PCA分析眼、鼻、嘴等局部特征，即本征特征方法 [R. Brunelli T. Poggio, TPAMI93] [A. Pentland et al., CVPR94] 这实际上相当于：为若干重要的特征建立本征空间，然后将多个本征空间集成起来 本征脸 vs. 本征特征 本征脸利用全局特征，本征特征利用局部特征，二者各有优势 待识别图像 本征脸识别结果 本征特征识别结果 [A. Pentland et al., CVPR94] 本征脸 vs. 本征特征 (2) (1) (3) (4) 难题——能否自动确定： 该用哪些特征？（眼睛？鼻子？嘴？……） 特征的确切位置在哪儿？（从哪儿到哪儿算眼睛？……） 将二者结合，可以得到更好的识别效果 同样，这实际上相当于：为若干重要的特征建立本征空间，然后将多个本征空间集成起来 由于嘴部受表情影响很严重，因此未考虑嘴部特征 考虑 ，选择的原则应该是： 将人脸图像中所有的矩形区域都看做一个可能的特征，这样，在每一个矩形区域都建立一个本征空间，最后将重要的本征空间集成起来 图像中包含的矩形区域的数量是非常巨大的（例如一幅34×31的图像包含的矩形区域就多达295,120个），不可能使用所有的本征空间组成集成，但可以运用选择性集成思想，从中选择出部分本征空间组成集成 本征空间本身的误差较小 本征空间之间的差异较大（即互补性较大） SEME（选择性多本征空间集成算法） 给定k个人脸图像样本（每人两张图像，一张为gallery图像，另一张为probe图像），算法将从所有N个矩形（R1, R2, …, RN.）中选择出m个 For i = 1, 2, …, N: 以gallery图像为训练集，在Ri 上训练出一个本征空间 利用该本征空间识别所有的probe图像，记下识别率ri 将Ri按照相应的ri从大到小排序 S = {R1}，A = {R2, …, Rn}，这里 m n N For t = 1, 2, …, m-1: 对A中的每一个矩形Ri，计算Ri 能够识别正确，而S中至少有一个矩形识别错误的probe图像的数目，记为ci 找到具有最大纠正误识数目ct的矩形Rt 将Rt从A中删除并添加到S中 集成与S中m个矩形相对应的本征空间用于人脸识别 选择误差小的矩形特征 选择差异大的矩形特征 SEME（选择性多本征空间集成算法） [X. Geng Z.-H. Zhou, unpub04] 实验结果 [X. Geng Z.-H. Zhou, unpub04] FERET人脸数据库上的结果 (3) (2) (1)