人臉識別主要算法原理(完整版)
【正文】 匹配問題。Nastar將人臉圖像(見下圖)，其頂點用局部能量譜的多尺度描述來標記，邊則表示拓撲連接關系并用幾何距離來標記，然后應用塑性圖形匹配技術來尋找最近的已知圖形。(即特征臉200個人的”這種算法是利用人體面部各器官及特征部位的方法?，F(xiàn)在Eigenface(PCA)算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測試人臉識別系統(tǒng)性能的基準算法；而自1991年特征臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分析，F(xiàn)ERET39。實際上，特征臉反映了隱含在人臉樣本集合內部的信息和人臉的結構關系。特征臉方法（Eigenface或PCA）特征臉方法是90年代初期由Turk和Pentland提出的目前最流行的算法之一，具有簡單有效的特點,局部特征分析方法（LocalJia1.1.可變形模板法可以視為幾何特征方法的一種改進，其基本思想是同時，采用一般幾何特征只描述了部件的基本形狀與結構關系，忽略了局部細微特征，造成部分信息的丟失，更適合于做粗分類，而且目前已有的特征點檢測技術在精確率上還遠不能滿足要求，計算量也較大?；谶@種考慮，Atick提出基于局部特征的人臉特征提取與識別方法?？傊?，特征臉方法是一種簡單、快速、實用的基于變換系數(shù)特征的算法，但由于它在本質上依賴于訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。此方法的缺點是計算量非常巨大(ｘ，ｙ，Ｉ(ｘ，ｙ)目前神經(jīng)網(wǎng)絡方法在人臉識別中的研究方興未艾。(OCON)加快網(wǎng)絡的學習。Anderson和Model）2）（2）,但在單樣本時識別率不高deposition,簡稱SVD),且具有轉置不變性、旋轉不變性、位移不變性、鏡像變換不變性等重要性質,因此奇異值特征可以作為圖像的一種有效的代數(shù)特征描述。（4）Discriminant小波變換+圖形匹配（1）精確抽取面部特征點以及基于Gabor引擎的匹配算法，具有較好的準確性，能夠排除由于面部姿態(tài)、表情、發(fā)型、眼鏡、照明環(huán)境等帶來的變化。由于 PCA的算法描述：利用主元分析法:Dai等提出用Hopfield網(wǎng)絡進行低分辨率人臉聯(lián)想與識別，Gutta等提出將RBF與樹型分類器結合起來進行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用于人臉識別，國內則采用統(tǒng)計學習理論中的支撐向量機進行人臉分類。50個主元，然后用自相關神經(jīng)網(wǎng)絡
環(huán)評公示相關推薦
鄂ICP備17016276號-1