人臉識(shí)別主要算法原理-文庫(kù)吧在線文庫(kù)
【正文】 通過(guò)提取人眼、口、鼻等重要特征點(diǎn)的位置和眼睛等重要器官的幾何形狀作為分類特征,但Roder對(duì)幾何特征提取的精確性進(jìn)行了實(shí)驗(yàn)性的研究，結(jié)果不容樂觀?；趨?shù)的人臉表示可以實(shí)現(xiàn)對(duì)人臉顯著特征的一個(gè)高效描述，但它需要大量的前處理和精細(xì)的參數(shù)選擇。主元子空間的表示是緊湊的，特征維數(shù)大大降低，但它是非局部化的，其核函數(shù)的支集擴(kuò)展在整個(gè)坐標(biāo)空間中，同時(shí)它是非拓?fù)涞?，某個(gè)軸投影后臨近的點(diǎn)與原圖像空間中點(diǎn)的臨近性沒有任何關(guān)系，而局部性和拓?fù)湫詫?duì)模式分析和分割是理想的特性，似乎這更符合神經(jīng)信息處理的機(jī)制，因此尋找具有這種特性的表達(dá)十分重要。,識(shí)別時(shí)將測(cè)試但系統(tǒng)在進(jìn)行特征臉方法之前需要作大量預(yù)處理工作如歸一化等。事實(shí)上，特征臉方法是一種顯式主元分析人臉建模，一些線性自聯(lián)想、線性壓縮型ＢＰ網(wǎng)則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權(quán)和，這些向量是訓(xùn)練集叉積陣的主特征向量，Valentin對(duì)此作了詳細(xì)討論。%。3Ｄ網(wǎng)格表面3Ｄ空間中同時(shí)考慮，實(shí)驗(yàn)表明識(shí)別結(jié)果明顯優(yōu)于特征臉方法。Networks）人工神經(jīng)網(wǎng)絡(luò)是一種非線性動(dòng)力學(xué)系統(tǒng)，具有良好的自組織、自適應(yīng)能力。)樣本進(jìn)行強(qiáng)化和反強(qiáng)化學(xué)習(xí)，從而得到較為理想的概率估計(jì)結(jié)果，并采用模塊化的網(wǎng)絡(luò)結(jié)構(gòu)而神經(jīng)網(wǎng)絡(luò)方法通常需要將人臉作為一個(gè)一維向量輸入，因此輸入節(jié)點(diǎn)龐大，其識(shí)別重要的一個(gè)目標(biāo)就是降維處理。PCA)進(jìn)行識(shí)別是由Markov多重模板匹配方法該方法是在庫(kù)中存貯若干標(biāo)準(zhǔn)面像模板或面像器官模板，在進(jìn)行比對(duì)時(shí)，將采樣面像所有象素與庫(kù)中所有模板采用歸一化相關(guān)量度量進(jìn)行匹配。,具有無(wú)需提取眼嘴鼻等幾何特征的優(yōu)點(diǎn)value特定人臉子空間(FSS)算法該技術(shù)來(lái)源于但在本質(zhì)上區(qū)別于傳統(tǒng)的特征臉人臉識(shí)別方法。Analysis，LDA）（3）本征臉法（2）Gabor濾波器將Gaussian網(wǎng)絡(luò)函數(shù)限制為一個(gè)平面波的形狀，并且在濾波器設(shè)計(jì)中有優(yōu)先方位和頻率的選擇，表現(xiàn)為對(duì)線條邊緣反應(yīng)敏感。PCA在將高維向量向低維向量轉(zhuǎn)化時(shí)，使低維向量各分量的方差最大，且各分量互不相關(guān)，因此可以達(dá)到最優(yōu)的特征抽取。(即5維空間中，再用一個(gè)普通的多層感知器進(jìn)行判別，對(duì)一些簡(jiǎn)單的測(cè)試圖像效果較好；Intrator等提出了一種混合型神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行人臉識(shí)別，其中非監(jiān)督神經(jīng)網(wǎng)絡(luò)用于特征提取，而監(jiān)督神經(jīng)網(wǎng)絡(luò)用于分類。83個(gè)模型參數(shù)，并利用辨別分析的方法進(jìn)行基于形狀信息的人臉識(shí)別。)，從而將人臉匹配問(wèn)題轉(zhuǎn)化為可變形曲面的彈性
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1