[工学]人脸识别.pptVIP

Zhang Weiwei 数字图像处理技术 ——人脸识别 1.报告的组成 第一章 人脸识别的定义、特征提取方法； 第二章 人脸识别的具体算法（PCA、BP神经网络）； 第三章 人脸识别用途、优势、缺陷及面临的困难； 第一章 第一节 人脸识别的定义； 第二节 原始特征的提取方法； 第三节 本章总结； 1.人脸识别定义 人脸识别技术是基于生物特征的识别方式，利用人类自身所拥有的、并且能够唯一标示其身份的生理特征或行为特征进行身份验证技术。也就是给定一场景的静止或视频图象，利用训算机里存储的人脸数据库，确定场景中的一个或多个人。 人脸识别的应用：相机的人脸自动对焦和笑脸快门，门禁系统，公安刑侦破案，摄像监视，网络应用，身份辨识，信息安全； 人脸识别过程需要完成以下几方面的工作： 人脸检测：从各种场景中检测出人脸的存在，并从场景中准确分离出人脸区域； 预处理：校正人脸尺度、光照以及旋转等方面的变化，得到规范化的人脸图像； 特征提取：从人脸图像中提取出人脸具有代表性的特征信息，并用一定的方式加以描述； 人脸识别：根据所提取的特征信息，将待识别的人脸与数据库中的人脸进行比较，找到数据库中最相似的人脸 由于各方面对人脸识别系统的迫切需求，人脸特征提取与识别是人脸识别系统的重点。 2.原始特征提取 人脸特征提取是对人脸进行特征建模(精细建模)的过程，目的是提取出原高维人脸模式的低维特征，以用于后续的分类任务。主要是分为基于整体的方法和基于局部的方法。 Gabor特征——最接近人类视觉特性； LBP特征——广泛应用于纹理分析领域； HOG特征——在跟踪监测领域用于描述物体的关键点； Gabor特征 冲击响应函数 其中： 该函数是二维高斯函数和二维调制谐波函数的乘积。高斯函数以空间抽样点为中心， 为方差；调制谐波函数以1/λ为空间频率，φ为其方向；与其他短时傅里叶变换相比，此函数能达到最小时频积，对于分析信号细节非常有帮助；在众多公开数据库和评测中取得了较好的效果，是目前在人脸识别领域公认性能最好的特征提取方法； LBP特征 LBP算子是一种非常强大的特征描述算子，高度的鉴别性、低复杂度以及对图像单调灰度变化的不变性，使得它在包括纹理分析在内的众多领域得到广泛的应用； LBP首先计算图像中每个像素与其局部邻域点在灰度上的二值关系； 然后，对二值关系按一定规则加权形成局部二值模式； 最后，采用多区域直方图序列作为图像的．二值模式 HOG特征 在计算机视觉和图像处理领域用于目标检测的特征描述算子，记录图像局部区域各梯度方向出现的频率； HOG算子对人脸局部图像单元格进行梯度直方图统计的特性使之对于一些几何和光照变化具有不变性； HOG算子处理步骤 (1)将规范化大小的检测窗口作为输入，通过梯度算子计算水平和垂直方向上的梯度。 (2)将输入图像块分成若干块，block和block之间可以有重叠，每块再分成若干格子，我们把这些格子叫细胞单元(cel1)。利用三线性插值的方法。对cell统计其中所有像素的一维梯度直方图。 (3)在块内进行对比度归一化，以消除光照的影响。 (4)将检测窗口中所有重叠的块的HOG特征串联起来，并将它们结合成最终的特征向量，这就成为最终这个区域的描述子，以便后面分类使用。 3.本章总结 随着监控和安全的需要，人脸识别技术得到了更多的重视，全局特征由不同局部描述算子对整幅人脸图像进行运算产生，局部特征按空间位置的不同划分由直接抽取全局特征子集构成； 以上方法根据实际应用中对人脸识别系统速度和精度的不同要求具体选择；多种算法融合效果更佳，若算法计算结果之间差异较大，应该是由于训练与测试样本不充分造成。 第二章 人脸识别具体算法 第一节 PCA算法介绍、计算步骤以及应用； 第二节 BP神经网络识别算法、计算步骤、应用及优势； 1.PCA算法 PCA算法简介； PCA算法的主要步骤； 特征脸计算； PCA算法在人脸识别中的应用； PCA算法 PCA算法介绍 　令x为表示环境的m维随机向量。假设x均值为零，即：E[x]=0. 　令w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x和w的内积，表示为： 而主成分分析的目的就是寻找一个权值向量w使得表达式E[y2]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的训应该满足下式： 即使得上述式子最大化的w是矩阵Cx的最大特征值所对应的特征向量。 主成分的求解步骤 （1）构建关联矩阵：Cx=E[x*xT],Cx∈Pn*n. 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x1,x2,…，xN,是各个原始灰度图像所有象素点对