SVM在人臉識別中的應用課件

1、SVM在人臉識別中的應用紅酒7/18/20221介紹主要是關于SVM理論在人臉上的應用本人現在還沒做出實際的實驗結果還是理論分析和探討的過程,基于的是SPIDER的matlab編程環(huán)境下的仿真還在學習過程中.7/18/20222討論主題基于膚色的分類,通過SVM訓練,識別出人臉.7/18/20223人臉檢測方法 基于知識knowledge-based methods 的方法 基于特征不變性feature invariant approaches 的方法 模版匹配template matching methods 的方法 基于外觀appearance-based methods的方法 7/18/

2、20224膚色模型本文采用的是基于特征不變性的方法.膚色是人臉非常重要的一個特性,是帶有人物的彩色圖象中數據量相對集中且穩(wěn)定的區(qū)域.有研究表明:盡管不同民族、不同年齡、不同性別的人的膚色看上去不同，但這種不同主要集中在亮度上，在色度空間里，不同人的膚色分布具有聚類性。膚色聚類的任務是在選定的顏色空間內求出膚色的分布，膚色的這種聚類特性可以用來從背景中分割出人臉。7/18/20225選擇色彩空間選取YCbCr色彩空間的原因：（1）RGB色彩空間表達色度信息和亮度信息是混合在一起的，為利用膚色在色度空間的聚類性，需要把顏色表達中的色度信息與亮度信息分開，因為環(huán)境光線變化對膚色的判定有很大影響，而Y

3、CbCr色彩空間是修改YUV色彩空間所得到的，分為亮度Y與Cb與Cr兩個色度，對亮度的分離性高，便于色度分開操作，適合進行圖像處理。（2） YCbCr色彩空間不是單純地依靠壓縮色彩信息來降低誤檢率，而是將人臉的膚色信息集中于兩個色度分量上，且是兩維獨立分布。7/18/20226（3） YCbCr色彩空間和通用視頻輸入源的格式一致，無需額外作色度空間的變換，既實現了色彩信息的壓縮，也實現了亮度色度的分離，有利于以后的動態(tài)視頻人臉檢測的研究。（4）從RGB空間到YCbCr色彩空間是線性變換，與HSV、HIS等空間變換7/18/20227膚色分割簡單圖象的膚色分割（1）對人臉樣本在CbCr色度空間進

4、行統(tǒng)計學習，得到一個CbCr平面中的人臉膚色分布模型。（2）放大分析膚色分布圖，可以發(fā)現膚色像素主要分布在區(qū)間： 膚色區(qū)間在一定光照變化范圍內保持穩(wěn)定。（3）將輸入的RGB圖象轉化到YCbCr顏色空間，然后采用閾值方法對膚色區(qū)域進行判決，判斷圖象中各個像素點的色度值是否符合模型的分布，獲得預分割的膚色區(qū)域。7/18/20228其中，是輸入圖象中原有的像素值，是膚色預分割后該像素點的值（）將圖象轉變成一個二值圖象，用中值濾波和形態(tài)學算子剔除有噪聲引起的孤立小區(qū)域，得到更準確的膚色區(qū)域7/18/20229復雜背景的圖象（）選擇有代表性的各種光照、不同人種（主要以亞洲、歐美人為選擇對象）的人臉圖象，

5、利用手工采集人臉皮膚樣本，以額頭和面頰上的皮膚為主要采集對象。（）利用統(tǒng)計的方法，在色彩空間建立一個高斯模型（，），得到人臉膚色直方圖見圖和高斯分布圖見圖。（）將輸入的彩色圖象轉化到顏色空間，對圖象中每個像素用公式計算高斯模型概率，判斷圖象中各個像素點的色度值是否符合模型的分布，得到似然度圖象其中， ,7/18/202210圖7/18/202211圖7/18/202212(4)將似然度圖象二值化，用的中值濾波器去除噪聲，得到更準確的膚色區(qū)域小結：經過膚色分割后的圖象大大縮小了人臉的搜索范圍，為后面基于的人臉檢測方法打下了良好的基礎7/18/202213（）支持向量聚類理論的介紹SV-Clustering的基本算法思想如下 ：7/18/2022147/18/2022157/18/2022167/18/2022177/18/2022187/18/202219應用的進行下面介紹下我的設想了，基本還沒通過仿真，先在我自己的頭腦中模型了下，如果有錯誤的概念，請間諒！7/18/202220流程：圖象資源進行色彩空間的轉換通過預處理，進行膚色分割然后將膚色信息用的模塊進行訓練（到現在這個模塊我還沒做出來）訓練出分類后，標記出位置（希望能得到是人臉）因為選取參數時處于自由度很大，由于我把膚色信息提取成二維色度信息了，訓練時基本可以通過直觀的方式確定參數，然后大量的訓練其他樣本去驗