基于pca的人臉識(shí)別-在線瀏覽
2025-08-07 12:33本頁面
【正文】 所以它仍是目前一項(xiàng)非常具有挑戰(zhàn)性的研究課題。識(shí)別人臉主要依據(jù)人臉上的特征，也就是說依據(jù)那些在不同個(gè)體之間存在較大差異而對(duì)于同一個(gè)人則比較穩(wěn)定的度量。在對(duì)人臉圖像進(jìn)行特征提取和分類之前一般需要做幾何歸一化和灰度歸一化。關(guān)于人臉特征提取和識(shí)別的方法可概述如下：基于幾何特征的方法：人臉由眼睛，鼻子，嘴巴，下巴等部件構(gòu)成，正因?yàn)檫@些部件的形狀，大小和結(jié)構(gòu)上的各種差異才使得世界上由這些每個(gè)人臉千差萬別，因此對(duì)這些部件的形狀和結(jié)構(gòu)關(guān)系的幾何描述，可以做為人臉識(shí)別的重要特征。同時(shí)，采用一般幾何特征只描述了部件的基本形狀與結(jié)構(gòu)關(guān)系，忽略了局部細(xì)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(diǎn)檢測技術(shù)在精確率上還遠(yuǎn)不能滿足要求，計(jì)算量也較大。識(shí)別時(shí)將測試圖像投影到主元子空間上，得到一組投影系數(shù)，和各個(gè)已知人的人臉圖像進(jìn)行比較進(jìn)行識(shí)別?；趶椥阅Ｐ偷姆椒ǎ篖ades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描述，其頂點(diǎn)用局部能量譜的多尺度描述來標(biāo)記，邊則表示拓?fù)溥B接關(guān)系并用幾何距離標(biāo)記，然后應(yīng)用塑性圖形匹配技術(shù)來尋找最近的已知圖形[10,11]。此方法的缺點(diǎn)是計(jì)算量非常巨大。其他方法：Brunelli等對(duì)模板匹配方法作了大量實(shí)驗(yàn)，結(jié)果表明在尺度，光照，旋轉(zhuǎn)角度等各種條件穩(wěn)定的情況下，模板匹配的效果優(yōu)于其他方法[13]，但它對(duì)光照，旋轉(zhuǎn)和表情變化比較敏感，影響了它的直接使用。在最近的一些工作中[15]，Benarie等提出VFR的表示框架并將它用于人臉識(shí)別的工作中，Lam等人研究了不同視點(diǎn)下的人臉匹配和識(shí)別問題閉，Vetter等人討論了由單幅人臉圖像生成其他視點(diǎn)的人臉圖像的可能性，Mirhosseini等則探討了多種信息融合的人臉識(shí)別方法。2 基于PCA的人臉識(shí)別 概述主成分分析(Principal Components Analysis。PCA用于統(tǒng)計(jì)特征提取構(gòu)成了子空間法模式識(shí)別的基礎(chǔ)。Simvich和Kirby首先將KL變換用于人臉圖像的最優(yōu)表示。將PCA方法用于人臉識(shí)別，其實(shí)是假設(shè)所有的人臉都處于一個(gè)低維線形空間，而且不同的人臉在這個(gè)空間中具有可分性。完整的PCA人臉識(shí)別算法步驟包括：(1)、人臉圖像預(yù)處理。訓(xùn)練形成特征子空間。(4)、選擇一定的距離函數(shù)進(jìn)行識(shí)別。常用的處理有：(1) 、圖像噪聲濾波輸入圖像一般在人臉定位、特征提取等方面都會(huì)受到噪聲問題的影響，一般來說，去除噪聲的算法主要是平滑濾波：平滑濾波算法首先需要選擇一定的圖像區(qū)域，在這個(gè)區(qū)域內(nèi)，選取一個(gè)像素作為中心，進(jìn)而在區(qū)域內(nèi)選擇一個(gè)小的區(qū)間，該區(qū)間的像素作為該像素區(qū)間的基數(shù)，然后講過一種公式化的預(yù)算變化推導(dǎo)出該中心像素的新值。(2) 、圖像旋轉(zhuǎn)在有些情況下，人臉的正面圖像會(huì)因?yàn)樽?，攝像機(jī)傾斜等問題產(chǎn)生不同角度的偏差和傾斜現(xiàn)象，這些偏差數(shù)值不一，有大有小，但是在圖像識(shí)別過程中，細(xì)微的、小角度的偏差也會(huì)對(duì)圖像的視覺效果造成一定程度的影響，由此，對(duì)這些小角度的處理是也是人臉預(yù)處理的必要步驟。具體計(jì)算時(shí)，將兩眼夾角設(shè)為θ，將θ的數(shù)值計(jì)算出后，反向旋轉(zhuǎn)θ角度，就可以得出校正后的圖像。因此，在調(diào)整圖片角度時(shí)，所應(yīng)進(jìn)行的預(yù)備步驟是首先將圖像四個(gè)頂點(diǎn)進(jìn)行旋轉(zhuǎn)，然后取得這些坐標(biāo)的最值，進(jìn)而在確定旋轉(zhuǎn)后圖像應(yīng)有的高度和寬度，然后依次對(duì)矩陣進(jìn)行擴(kuò)展。兩眼的中點(diǎn)與鼻、鼻尖處于同一條垂直線上為正面視圖，如果不在一條垂直線上，則視為姿態(tài)偏轉(zhuǎn)視圖。 PCA人臉識(shí)別流程(1) 、讀入人臉庫。每人選擇一定數(shù)量的圖像構(gòu)成訓(xùn)練集，其余構(gòu)成測試集。第i幅人臉可以表示為(m為一位向量維數(shù))：(2) 、計(jì)算KL變換的生成矩陣Σ，進(jìn)行KL變換。也可以是訓(xùn)練樣本的類問散布矩陣Sb等?？傮w散布矩陣可表示為(忽略系數(shù))：若取總體散布矩陣St作為生成矩陣Σ。(3) 、計(jì)算生成矩陣Σ的特征值和特征向量，構(gòu)造子空間。然后選擇其中的一部分構(gòu)造特征子空間。每一幅人臉圖像投影到子空間后，就對(duì)應(yīng)于子空間中的一個(gè)點(diǎn)，同樣，子空間中的任一點(diǎn)也對(duì)應(yīng)于一幅圖像。L變換進(jìn)行人臉識(shí)別的方法被稱為“特征臉”方法。下一步就可以運(yùn)用模式分類的理論進(jìn)行識(shí)別。這里可以采用多種不同的分類器進(jìn)行方式：如曼哈頓距離、最近鄰分類器、最小距離分類器、貝葉斯分類器等。下面討論五種不同的特征值選擇方法：(1) 、標(biāo)準(zhǔn)的特征空間投影：所有k個(gè)對(duì)應(yīng)于非零特征值的特征向量均被用于創(chuàng)建特征臉子空間；該方法在七值比較大的時(shí)候，計(jì)算速度比較慢，而且不利于分類，沒有達(dá)到降維人臉空間維數(shù)的效果。(3)、保持前面的C一1個(gè)特征向量：將特征值按照降序排列，同時(shí)只保留最前面的c一1個(gè)特征向量。(4)、按照計(jì)算信息量來確定維數(shù)：不同于前面固定的丟棄一些特征向量，該方法采用保證剩余的特征向量說包含的信息與總的信息量相比大于一定的閾值e的值通常取為0．9。文獻(xiàn)[16]提到對(duì)應(yīng)于最大三個(gè)特征值的特征向量有可能反應(yīng)了圖像間由于光線不同而造成的差異，可以丟棄前面的三個(gè)特征向量會(huì)提高識(shí)別率。針對(duì)上面提出的問題，本文進(jìn)行了一系列的實(shí)驗(yàn)?？紤]到ORL是較為通用的人臉庫，國內(nèi)的文章大多都采用這個(gè)庫作為實(shí)驗(yàn)的人臉庫，下文的主要分析是基于在ORL庫上的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行的。但所有這些特征向量是否都需要?如果需要，需要多少個(gè)?選擇不同個(gè)數(shù)的特征向量對(duì)識(shí)別率有什么影響?這些都是值得探討的問題。為了更有效的說明子空間維數(shù)與識(shí)別率的關(guān)系，本文在取訓(xùn)練樣本數(shù)為240時(shí)分別取子空間維數(shù)為1到100，繪出了識(shí)別率的曲線圖如圖31所示。在子空間維數(shù)較小時(shí)，識(shí)別率的變化特別明顯。所以選擇合適的子空間維數(shù)不但可以提高識(shí)別率還可以減少運(yùn)算時(shí)間。訓(xùn)練樣本數(shù)識(shí)別率12345678
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1