人臉識別技術研究背景與方法-資料下載頁
2025-06-06 00:52本頁面
【正文】 得非凡的性能。Agui等人提出了層次神經元網絡進行人臉檢測。使用2個并行的子網組成了第一階段，其輸入是原始圖像的灰度值和使用3 X 3 Sobel濾波器濾波的灰度值。輸入到第二階段網絡的是子網絡的輸出和提取的特征值如輸入模式象素值的標準偏移量、窗口中的白象素和所有的二值象素的比率和幾何矩等。第二階段的輸出值指出人臉在輸入區(qū)域是否存在。實驗結果表明，如果所有的人臉在測試圖像中有相同的尺寸，則這種方法能夠檢測人臉。Propp和Samal提出了分層神經網絡用于人臉檢測。他們的網絡由4層組成，共有 1024個輸入單元，第一隱含層共有256個單元，第二隱含層共有8個單元和2個輸出單元。Soulie等人提出用具有時間延遲的神經元網絡(具有20X25象素的感受域)掃描圖像進行人臉檢測。輸入圖像利用小波變換進行分解。他們在120幅測試圖像上進行實驗，%%的錯誤接受率。Burel和Carel提出用于人臉檢測的神經元網絡，其中大量的人臉和非人臉的訓練樣本使用Kohonen的自組織映射(SOM)算法被壓縮為幾個樣本。多層感知器用于學習這些樣本并對人臉和非人臉分類。Lin等人提出使用基于概率決策的神經元網絡進行人臉檢測系統(tǒng)(PDBNN) 。PDBNN的結構類似于具有改進的學習規(guī)則和概率解釋的徑向基函數(shù)(RBF)網絡。他們首先提取人臉區(qū)域中的密度和邊緣信息的特征向量，人臉區(qū)域中包括眼眉、眼睛和鼻子，代替了將整個人臉圖像轉換為用于神經元網絡的密度值向量。提取的兩個特征向量被反饋到兩個PDBNN并將輸出融合確定分類器的結果。他們的實驗結果表明其性能優(yōu)于其他主要基于神經元網絡的人臉檢測器。Rowley等人用多層神經元網絡從人臉/非人臉圖像中學習人臉和非人臉模式其方法的局限性是只能檢測垂直的正面人臉。后來，Rowley等人均各這種方法擴展用于旋轉的人臉檢測，使用的是ruuter神經元網絡，根據(jù)每個輸入窗決定可能的人臉方向，然后將窗旋轉到規(guī)范的方向。旋轉窗被送到上述的神經元網絡。然而，新系統(tǒng)對垂直人臉的檢測率比垂直檢測器要低。不過，%，而只有很少的錯誤接受。楊前邦等人提出了基于多層感知器(MLP)并用遺傳算法實現(xiàn)搜索的人臉定位系統(tǒng)，討論了系統(tǒng)建立的理論基礎，即MLP直接感知圖像和用遺傳算法進行快速搜索。實驗結果表明，它尤其適合復雜背景下的低分辨圖像中進行操作，具有魯棒性好、圖像定位快、適應面寬等特點。梁路宏等人提出了基于模板匹配與人工神經元網絡的人臉檢測算法。算法使用一組雙眼一人臉模板對來搜索候選人臉，并在搜索過程中使用多層感知器進行確認，以減少錯誤報警。大量實驗證明了該算法的有效性?；谥R的人臉檢測方法簡單、直觀，檢測效果依賴于特征的提取和預先定義的規(guī)則。由于灰度受光照的影響較大，一般應采用預處理技術；紋理、邊沿等特征對光照變化具有較好的適應性，但是強的光照變化也會產生一些偽邊沿。人臉結構的對稱性是一個重要的特征，然而對姿態(tài)變化比較敏感。為了驗證人臉區(qū)域，常常需要結合各人臉器官的特征及其之間的結構關系。當圖像的質量較差時，特征不容易檢測。另外，采用的知識規(guī)則可能不夠準確或全面。該類方法對質量較好的圖像具有好的檢測性能，而對于復雜的圖像檢測效果一般不夠好?；诮y(tǒng)計特征的方法需要從大量典型的數(shù)據(jù)獲得統(tǒng)計特征。；LDA、神經網絡、SVM 和SNoW 方法則需要大量典型的人臉圖像和非人臉樣本圖像，以便得到區(qū)別的統(tǒng)計特征。加入典型的非人臉樣本圖像可以提高模型對人臉和非人臉圖像的區(qū)別能力，從而降低誤檢率。局部統(tǒng)計特征能更細致地描述人臉器官的特征，通常需要結合人臉整體和局部的統(tǒng)計特征以更好地描述人臉特征。通過增加訓練樣本可以改善檢測性能，采用必要的后處理技術也能大大降低誤檢率?；诮y(tǒng)計特征的人臉檢測方法的一般比較復雜，但是，該類方法不需要提取具體的人臉特征，而統(tǒng)計特征也能更好地反應人臉圖像和非人臉圖像之間的差別?；诮y(tǒng)計的人臉檢測方法一般能夠獲得較好的檢測效果，是目前的主流方法。基于知識的檢測方法和基于統(tǒng)計的檢測方法通常需要結合起來使用。通過采用簡單的特征濾除大量的候選區(qū)域，然后采用基于統(tǒng)計特征的方法進行人臉檢測，檢測速度會提高很多。也可以先采用統(tǒng)計的方法檢測出人臉候選區(qū)域，然后基于人臉特征進行確認，降低誤檢率。由于眾多變化因素的影響，對不同的數(shù)據(jù)庫，各種方法的檢測效果很不相同，目前還沒有一個公認的評估標準。為了有效評估各檢測算法的性能：（1）需要建立一個標準的測試集，包括各種尺寸、光照、姿態(tài)、表情、背景、噪聲的測試集，而且可根據(jù)不同應用將測試集細分為幾個測試子集，從而便于對各種方法進行評估。（2）很多算法可以通過調節(jié)算法參數(shù)折中正確檢測率和誤檢率，因此描述隨參數(shù)變化的正確檢測率和錯誤檢測率之間的關系曲線更有助于了解各種算法的總體性能。（3）大多數(shù)人臉識別算法都依賴于人臉的準確定位，所以檢測位置的偏差是衡量檢測算法性能的另一個重要指標。（4）大多數(shù)應用是面向實時處理的，因此算法的復雜度和運行速度也是一個重要的衡量指標。總的來說，比較理想的條件下的人臉檢測問題已基本解決。對任意光照和姿態(tài)、較大噪聲等因素下的人臉檢測仍需進一步研究。9
環(huán)評公示相關推薦
鄂ICP備17016276號-1