人臉識(shí)別主要算法原理(編輯修改稿)
2025-09-01 00:58 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 特征臉的基礎(chǔ)上，研究者注意到特征值大的特征向量(即特征臉)并不一定是分類性能好的方向，據(jù)此發(fā)展了多種特征(子空間)選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。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。總之，特征臉方法是一種簡(jiǎn)單、快速、實(shí)用的基于變換系數(shù)特征的算法，但由于它在本質(zhì)上依賴于訓(xùn)練集和測(cè)試集圖像的灰度相關(guān)性，而且要求測(cè)試圖像與訓(xùn)練集比較像，所以它有著很大的局限性。基于KL變換的特征人臉識(shí)別方法基本原理: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(jì)特征提取，從而形成了子空間法模式識(shí)別的基礎(chǔ)，若將KL變換用于人臉識(shí)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(jì)特性來(lái)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(lái)進(jìn)行訓(xùn)練，這樣可在一定程度上消除光線等的干擾，且計(jì)算量也得到減少，而識(shí)別率不會(huì)下降。4.基于彈性模型的方法Ｌａｄｅｓ等人針對(duì)畸變不變性的物體識(shí)別提出了動(dòng)態(tài)鏈接模型(ＤＬＡ)，將物體用稀疏圖形來(lái)描述(見下圖)，其頂點(diǎn)用局部能量譜的多尺度描述來(lái)標(biāo)記，邊則表示拓?fù)溥B接關(guān)系并用幾何距離來(lái)標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來(lái)尋找最近的已知圖形。Ｗｉｓｃｏｔｔ等人在此基礎(chǔ)上作了改進(jìn)，用ＦＥＲＥＴ圖像庫(kù)做實(shí)驗(yàn)，用300幅人臉圖像和另外300幅圖像作比較，準(zhǔn)確率達(dá)到%。此方法的缺點(diǎn)是計(jì)算量非常巨大Nastar將人臉圖像(Ⅰ)(ｘ，ｙ)建模為可變形的3Ｄ網(wǎng)格表面(ｘ，ｙ，Ｉ(ｘ，ｙ))(如下圖所示)，從而將人臉匹配問題轉(zhuǎn)化為可變形曲面的彈性匹配問題。利用有限元分析的方法進(jìn)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(gè)人。這種方法的特點(diǎn)在于將空間(ｘ，ｙ)和灰度Ｉ(ｘ,ｙ)放在了一個(gè)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。Lanitis等提出靈活表現(xiàn)模型方法，通過自動(dòng)定位人臉的
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1