人臉識別主要算法原理(存儲版)
【正文】 只適合于錄象資料的回放識別，對于現(xiàn)場的適應(yīng)性很差。6.PrincipleLee等將人臉的特點用六條規(guī)則描述，然后根據(jù)這六條規(guī)則進行五官的定位，將五官之間的幾何距離輸入模糊神經(jīng)網(wǎng)絡(luò)進行識別，效果較一般的基于歐氏距離的方法有較大改善，Laurence等采用卷積神經(jīng)網(wǎng)絡(luò)方法進行人臉識別，由于卷積神經(jīng)網(wǎng)絡(luò)中集成了相鄰像素之間的相關(guān)性知識，從而在一定程度上獲得了對圖像平移、旋轉(zhuǎn)和局部變形的不變性，因此得到非常理想的識別結(jié)果，Lin等提出了基于概率決策的神經(jīng)網(wǎng)絡(luò)方法彈性圖匹配技術(shù)是一種基于幾何特征和對灰度分布信息進行小波紋理分析相結(jié)合的識別算法，由于該算法較好的利用了人臉的結(jié)構(gòu)和灰度分布信息，而且還具有自動精確定位面部特征點的功能，因而具有良好的識別效果，適應(yīng)性強識別率較高，該技術(shù)在FERET測試中若干指標名列前茅，其缺點是時間復(fù)雜度高，速度較慢，實現(xiàn)復(fù)雜。利用有限元分析的方法進行曲面變形，并根據(jù)變形的情況判斷兩張圖片是否為同一個人。(ⅠＷｉｓｃｏｔｔ等人在此基礎(chǔ)上作了改進，用ＦＥＲＥＴ圖像庫做實驗，用KL變換是圖象壓縮中的一種最優(yōu)正交變換，人們將它用于統(tǒng)計特征提取，從而形成了子空間法模式識別的基礎(chǔ)，若將KL變換用于人臉識別，則需假設(shè)人臉處于低維線性空間，且不同人臉具有可分性，由于高維圖象空間KL變換后可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓(xùn)練樣本集的統(tǒng)計特性來獲得，KL變換的生成矩陣可以是訓(xùn)練樣本集的總體散布矩陣，也可以是訓(xùn)練樣本集的類間散布矩陣，即可采用同一人的數(shù)張圖象的平均來進行訓(xùn)練，這樣可在一定程度上消除光線等的干擾，且計算量也得到減少，而識別率不會下降。)并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征3000幅圖像中得到如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進行比較、判斷與確認。96測試結(jié)果也表明，改進的特征臉算法是主流的人臉識別技術(shù)，也是具有最好性能的識別方法之一。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。也稱為基于主成分分析(principalFace等由正面灰度圖中線附近的積分投影模擬側(cè)面輪廓圖是一種很有新意的方法。基于幾何特征的方法是最早、最傳統(tǒng)的方法，通常需要和其他算法結(jié)合才能有比較好的效果；2.基于模型的方法則有基于隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。采用幾何特征進行正面人臉識別一般是
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1