得到一个平均人脸形状向量x.pptVIP

blessing of dimenisonality 维数低时可不用训练，直接用原图； 维数高时作者提出的random face主要是降维，不是提特征。 乘一个每一行都0均值的正规化随机矩阵。 五.特征提取 四.SRC（SparseRepresent-based Classification） 六.阻挡、噪声 如果一小部分像素被完全遮挡了，那么认知会基于剩下的像素。 四.SRC（SparseRepresent-based Classification） 七.实验效果 四.SRC（SparseRepresent-based Classification） Face Recognition 郑哲东 Overview 1.人脸识别是什么？ 人脸的特点：唯一性、易获得（无限潜力）、广泛的应用需求 2.人脸识别怎么利用信息？ 人脸的先验信息(1.圆2.脸结构信息) 3.人脸识别的主要难点 侧脸、强的光照、oneshot learning（商业化） 感觉--知觉 Outline 人脸特征提取 Local Binary Patterns Histogram 人脸特征点 ASM（Active Shaped Model） 稀疏脸 SparseRepresent-based Classification 一.ASM（Active Shaped Model） Introduction： Given a rough starting approximation, an instance of a model can be fit to an image. (X,Y,s,θ,b) 一.ASM（Active Shaped Model） 效果： 可以看出主要是利用边缘信息 landmark来匹配，后面我们会说到AAM，则是利用整个apperance信息 一.ASM（Active Shaped Model） 初始化： label a set of landmark points lankmark three different types: 1.边上尖的点 sharp corner of boundary、中间的洞(easy to find) 2.某个方向上的最高点、曲率大的点(difficult，necessary) 3.链接1、2类点的(necessary) 小结： 1.landmark用来描述单个物体或空间上相关的物体； 2.第3类点足够多，就可以达到要求，第3类点是相对重要的。 一.ASM（Active Shaped Model） 对齐 通过 大小变化、缩放、平移 使得图片尽可能一致 （最小化不同图片中相同点的欧式距离） 不动的w大，动的w小 一.ASM（Active Shaped Model） 对齐算法 1.每张图和第一张图对齐；（实验证明和对齐到哪张图无关，所以可以是任意一张） 2.Repeat 计算平均图像 平均图像方向，大小归一化 重新对齐 3.直到不再变化 注：结果与第一张图片选取无关 一.ASM（Active Shaped Model） 对齐后的图形做PCA 对齐后仍旧是n个点，2n个坐标 可以求得平均的x，y，并得到dx，dy p为 的特征向量 #PCA的主要思想是寻找到数据的主轴方向，由主轴构成一个新的坐标系，这里的维数可以比原维数低，然后数据由原坐标系向新的坐标系投影。 一.ASM（Active Shaped Model） b来做特征 （像kmeans，t个轴就像k个类，而b就像是看有几个点在第几个聚类中） 简而言之，这里的b成为抽象出来可以描述特征的物理量了。 同时也具有实际意义。（如右图） 而t取多少？就像kmeans中k取多少？ （可用实际效果验证，一般是前a%即可）右图手有72个landmask，t取6即可表示96% 一.ASM（Active Shaped Model） 回顾： 以上就完成了一个点的training过程 注意：P是不同的。 一.ASM（Active Shaped Model） 局部特征 either side取k个点 Mahalanobis 一.ASM（Active Shaped Model） Model匹配-ASMsearch 其中 更新b直到小于一个阈值 一.ASM（Active Shaped Model） MR-ASM 一.ASM（Active Shaped Model）小结