完整人脸识别技术大总结,文档.docVIP

完整人脸识别技术大总结,文档 完整人脸识别技术大总结,文档 PAGE / NUMPAGES 完整人脸识别技术大总结,文档 人脸鉴别技术大总结 百度《人脸鉴别技术大总结》 ，感觉应该跟大家分享，这里给大家转摘到百度。 篇一：人脸鉴别技术的主要研究方法、绪论人脸鉴别是经过解析脸部器官的唯一形状和地址来进行身份鉴别。 人脸鉴别是一种重要的生物特点鉴别技术，应用特别广泛。 与其他身份鉴别方法对照，人脸鉴别拥有直接、友好和方便等特点，所以，人脸鉴别问题的研究不但有重要的应用价值，而且在模式鉴别中拥有重要的理论意义，目先人脸鉴别已成为当前模式鉴别和人工智能领域的研究热门。 本章将简单介绍几种人脸鉴别技术的研究方法。 要点词：人脸鉴别、人脸鉴别技术的主要研究方法当前在国内和外国研究人脸识其他方法有很多，常用的方法有：基于几何特点的人脸鉴别方法、基于代数特点的人脸鉴别方法、基于连接体系的人脸鉴别方法以及基于三维数据的人脸鉴别方法。 人脸鉴别流程图如图．所示：图．人脸鉴别流程图、基于几何特点的人脸鉴别方法基于特点的方法是一种自下而上的人脸检测方法，由于人眼能够将人脸在不此研究人员认为有一个潜藏的假设：人脸或 人脸的部件可能拥有在各种条件下都不会改变的特点或属性， 如形状、肤色、纹理、边缘信息等。 基于特点的方法的目标就是搜寻上述这些不变特点，并利用这些 特点来定位入脸。 这类方法在特定的环境下特别有效且检测速度较高， 对人脸姿态、 表情、旋转都不敏感。 但是由于人脸部件的提取平时都借助于边缘算子，所以，这类方 法对图像质量要求较高，对光照和背景等有较高的要求，由于光照、 噪音、阴影都极有可能损歹人脸部件的边缘， 进而影响算法的有效性。 模板般配算法第一需要人作标准模板 (固定模板 )或将模板先行参 数化 (可变模板 )，思想报告专题尔后在检测人脸时，计算输入图像与模板之间的相关值，这个相关值平时都是独立计算脸部轮廓、眼睛、鼻子和嘴各自的般配程度后得出的综合描述，最后再依照相关值和起初设定的阈值来确定图像中可否存在人脸。 基于可变模板的人脸检测算法比固定模板算法检测收效要好很多，但是它仍不能够有效地办理人脸尺度、姿态和形状等方面的变化。 基于外观形状的方法其实不对输入图像进行复杂的预办理，也不需要人工的对人脸特点进行解析或是抽取模板，而是经过使用特定的方 (如主成分解析方法 ()、支持向量机 ()、神经网络方法 ()等)对大量的人脸和非人脸样本组成的训练集 (一般为了保证训练获取的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上 )进行学习，再将学习而成的模板也许说分类器用于人脸检测。 所以，这也是种自下而上的方法。 这类方法的优点是利用富强的机器学习算法迅速牢固地实现了很 好的检测结果，而且该方法在复杂背景下，多姿态的人脸图像中也能获取有效的检测结果。 但是这类方法平时需要遍历整个图片才能获取检测结果，而且在训练过程中需要大量的人脸与非人脸样本，以及较长的训练时间。 近几年来，针对该方法的人脸检测研究相比较较活跃。 、基于代数特点的人脸鉴别方法在基于代数特点的人脸鉴别中，每一幅人脸图像被看作是以像素点灰度为元素的矩阵，用反响某些性质的数据特点来表示人脸的特点。 设人脸图像 ),(为二维 ×灰度图像，范文写作同样能够看作是 ×=维列向量，可视为 ×维空间中的一个点。 但这样的一个空间中，其实不是空间中的每一部分都包括有价值的信息，故一般情况下，需要经过某种变换，将这样巨大的空间中的这些点照射到一个维数较低的空间中去。 尔后利用对图像投影间的某种胸襟来确定图像间的相似度，最常有的就是各种距离胸襟。 在基于代数特点的人脸鉴别方法中，主成分解析法（）和线性鉴别解析（）是研究最多的方法。 本章简要介绍介绍了。 完满的 ()人脸识其他应用包括四个步骤：人脸图像预办理；读入人脸库，训练形成特点子空间；把训练图像和测试图像投影的上一步骤中获取的子空间上；选择必然的距离函数进行鉴别。 详细描述以下：读入人脸库一归一化人脸库后，将库中的每个人 选择必然数量的图像组成训练集，设归一化后的图像是 ×，按列相连就组成维矢量，可视为维空间中的一个点，能够经过 -变换用一个低维子空间描述这个图像。 计算．变换的生成矩阵训练样本集的整体散布矩阵为产生矩阵， 即也许写成 :式中为第个训练样本的图像向量， | 为训练样本的均值向量，为训练样本的总数。 百度为了求 ×维矩阵 ∑的特点值和正交归一化的特点向量，要直接计算的话，计算量太大，由此引入奇异值分解定理来解决维数过高的问题。 利用奇异值分解 ()定理计算图像的特点值和特点向量设是一个秩 为的行 ×维矩阵，则存在两个正交矩阵和对角阵： 其中凡 !其中为矩阵的 非零特点值，把训练图像和测试图像投影到特点空间每一副人脸图像向