在JPEG缩域使用量化系数的低复杂度有效的脸部识别方法.pptxVIP

在JPEG压缩域使用量化系数的低复杂度、有效的脸部识别方法;问题提出 研究现状 算法原理 实验结果与分析 总结与展望;问题的提出;;研究现状;在上述的研究中，脸部识别是使用DCT系数来完成的。;使用的数据库 ——FERET是本研究中使用的一个脸部图像数据库。使用数据库中尺寸为384*256像素，256灰度级/像素，8bit/像素的灰度图像 ;算法框图;A.图像标准化与配准 在识别过程之前，脸部图像应该要归一化处理，这样可以减少多余元素带来的不良影响。 图像尺寸修改为152*128像素。 使用直方图均衡来调节图像的对比度。 ;B. JPEG压缩 ;C.主元分析预选系数 给定一个S维的向量来表示一个训练集图像中的每个脸部，PCA就会找到一个基本矢量与源图像最大方差相关的t维的子空间。 ;D. 方差分析预选系数 脸部图像中方差越高所含的信息量越大 1196张参考图像用来计算图像的所有坐标的方??，选择最高方差的系数;E. 距离测量 在不同情况下在这些度量法之间选择最合适的度量是这篇文章的目标之一，下面是几种度量方法： （1）Citybiock ;E. 距离测量 （2）欧几里德距离 （3）余弦距离 ;E. 距离测量 （4）标准相关距离 ;F. 排序及性能评估 在压缩域计算了输入人脸图像（探测图像）与参考图像之间的距离之后，获得了一个排序的队列L={L1，L2，…, Ln}，其中L1是参考图像集中与探测图像具有最大相似性的那幅图像，Ln是最小相似度的那幅图像。 识别的等级n的计算： Rn是在等级n的图像检测聚集中正确识别的数目，|P|是检测图像的总数。;F. 排序及性能评估 另一个评估度量方法是累计识别等级n 其中：;实验结果与分析;实验结果与分析;实验结果与分析;所提方法与其他方法的比较：可以看到，所提出的方法胜于其他三个线性子空间方法，即PCA，LDA和ICA;计算及空间复杂度分析 原空间复杂度：假设图像的像素为N，参考图像的数目为G，探测图像的所有像素与参考图像中的所有与之相关的像素进行比较，那么在匹配阶段中这个方法的时间复杂度阶就相当于O（N×G）每图像。 改进的空间复杂度：用P（PN）系数的系数预选方法，只有P个系数比较，而不是N个???数。则计算和空间复杂度阶将为O（P×G） 在程序运行时间的一个N/P的加速比和在运行识别算法所需存储空间的一个P/N的减少率。 ;与解压的计算复杂度相关的改善 原解压的复杂度：熵编码O（N log N），系数变换O(N)以及DCT转换(N2)。 改进的复杂度：排除DCT变换和系数转换阶段，所提出方法的复杂度比其在像素域的识别复杂度低O(N2+N)，比其在其他压缩域识别方法低O(N)。 ;总结 在JPEG解压图像中使用量化系数的脸部识别结果是令人满意的，避免系数转换和DCT变换可以使计算复杂度降低至O(N2+N)，而不会导致识别效果显著降低。;下步工作 对于下步工作，为了继续优化计算复杂度，可以考虑是否可以研究基于AC和DC系数的压缩域识别 同时，这篇文章只对静态的标准脸部图像进行识别，没有对照明、脸部表情等因素进行考虑，这是可以扩展的地方。;Thank you