人臉識別主要算法原理

1人臉識別主要算法原理法、基于模板的方法和基于模型的方法。算法結(jié)合才能有比較好的效果；性判別分析方法、奇異值分解方法、神經(jīng)網(wǎng)絡(luò)方法、動態(tài)連接匹配方法等。外觀模型的方法等?；趲缀翁卣鞯姆椒ㄈ缇嚯x、角度等。Jia等由正面灰度圖中線四周的積分投影模擬側(cè)面輪廓圖是一種很有意的方法。重要特征點的位置和眼睛等重要器官的幾何外形作為分類特征,但Roder可變形模板法可以視為幾何特征方法的一種改進，其根本思想是:設(shè)計一個參數(shù)可調(diào)的器官模型(即可變形模板),定義一個能量函數(shù)，的幾何特征。耗時，難以實際應(yīng)用?；趨?shù)的人臉表示可以實現(xiàn)對人臉顯著局部微小特征，造成局部信息的喪失，更適合于做粗分類，而且目前已有的特征點檢測技術(shù)在準確率上還遠不能滿足要求，計算量也較大。局部特征分析方法〔LocalFaceAnalysis〕化的，其核函數(shù)的支集擴展在整個坐標空間中，同時它是非拓撲的，考慮，Atick法在實際應(yīng)用取得了很好的效果，它構(gòu)成了FaceIt根底。特征臉方法〔Eigenface或PCA〕90Turk和Pentland算法之一，具有簡潔有效的特點,也稱為基于主成分分析(principalcomponentanalysis,簡稱PCA)的人臉識別方法。表征人臉圖像。這些特征向量稱為特征臉(Eigenface)。眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中距離，假設(shè)窗口圖像滿足閾值比較條件，則推斷其為人臉。信息及灰度信息來設(shè)計具體識別算法?，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1991的試驗和理論分析，F(xiàn)ERET”96是主流的人臉識別技術(shù)，也是具有最好性能的識別方法之一。位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量其技術(shù)的核心實際為“局部人體特征分析”和“圖形/神經(jīng)識別算法?！边@種算法是利用人風光部各器官及特征部位的方法如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中全部的原始參數(shù)進展比較、推斷與確認Turk和Pentland提出特征臉的方法它依據(jù)一組人臉訓練圖像構(gòu)造主元子空間由于主元具有臉的外形，也稱為特征臉 ,識別時將測試 圖像投影到主元子空間上得到一組投影系數(shù)和各個人的人臉圖像比較進展識別。Pentland等報告了相當好的結(jié)果，在200個人的3000幅圖像中得到95%的正確識別率，在ＦＥＲＥＴ數(shù)據(jù)庫上對150幅正面人臉象只有一個誤識別但系統(tǒng)在進展特征臉方法之前需要作大量預(yù)處理工作如歸一化等。在傳統(tǒng)特征臉的根底上，爭論者留意到特征值大的特征向量(即特征臉)并不肯定是分類性能好的方向，據(jù)此進展了多種特征(子空間)選擇方法，如PengWeng義分析方法、Belhumeur的FisherFace和，這些向量是訓練集叉積陣的主特征向量，Valentin爭論。總之，特征臉方法是一種簡潔、快速、有用的基于變換系數(shù)基于KL變換的特征人臉識別方法根本原理:KL特征提取，從而形成了子空間法模式識別的根底，假設(shè)將KL由于高維圖象空間KL人臉訓練樣本集的統(tǒng)計特性來獲得，KL光線等的干擾，且計算量也得到削減，而識別率不會下降?；趶椥阅Ｐ偷姆椒ǎ蹋幔洌澹蟮热酸槍儾蛔冃缘奈矬w識別提出了動態(tài)鏈接模型(ＤＬＡ)，將物體用稀疏圖形來描述(見以下圖)，其頂點用局Ｗｉｓｃｏｔｔ等人在此根底上作了改進，用ＦＥＲＥＴ圖像庫做試驗，用300幅人臉圖像和另外30097.3%。此方法的缺點是計算量格外巨大。將人臉圖像(Ⅰ)(ｘ，ｙ)建模為可變形的3Ｄ網(wǎng)格外表(ｘ，ｙ，Ｉ(ｘ，ｙ))(如以下圖所示)，從而將人臉匹方法的特點在于將空間(ｘ，ｙ)和灰度Ｉ(ｘ,ｙ)放在了一個3Ｄ空間中同時考慮，試驗說明識別結(jié)果明顯優(yōu)于特征臉方法。Lanitis征點將人臉編碼為83征點的功能，因而具有良好的識別效果，適應(yīng)性強識別率較高，該技術(shù)在FERET較慢，實現(xiàn)簡單。神經(jīng)網(wǎng)絡(luò)方法〔NeuralNetworks〕適應(yīng)力量。目前神經(jīng)網(wǎng)絡(luò)方法在人臉識別中的爭論方興未艾。Valentin提出一種方法，首先提取人臉的50關(guān)神經(jīng)網(wǎng)絡(luò)將它映射到5判別，對一些簡潔的測試圖像效果較好；Intrator等提出了一種混監(jiān)視神經(jīng)網(wǎng)絡(luò)用于分類。Lee經(jīng)網(wǎng)絡(luò)進展識別，效果較一般的基于歐氏距離的方法有較大改善，LaurenceLin(PDBNN),其主要思想是承受虛擬(正反例)樣本進展強化和反強化學習，從而得到較為抱負(OCON)加快網(wǎng)絡(luò)的學了較好的應(yīng)用，其它爭論還有:DaiHopfield區(qū)分率人臉聯(lián)想與識別，GuttaRBF等人將MatchingPursuit人臉分類。神經(jīng)網(wǎng)絡(luò)方法在人臉識別上的應(yīng)用比起前述幾類方法來有肯定的隱性表達，它的適應(yīng)性更強，一般也比較簡潔實現(xiàn)。因此人工神經(jīng)是降維處理。PCA法(即PrincipleComponentAnalysis,簡稱PCA)進展識別是由AndersonKohonen提出的。由于PCA維向量轉(zhuǎn)化時，使低維向量各重量的方差最大，且各重量互不相關(guān)，因此可以到達最優(yōu)的特征抽取。其它方法：些：1〕隱馬爾可夫模型方法〔HiddenMarkovModel〕2〕Gabor小波變換+圖形匹配準確抽取面部特征點以及基于Gabor好的準確性，能夠排解由于面部姿勢、表情、發(fā)型、眼鏡、照明環(huán)境等帶來的變化。GaborGaussian敏感。但該算法的識別速度很慢，只適合于錄象資料的回放識別，對于現(xiàn)場的適應(yīng)性很差。3〕人臉等密度線分析匹配方法多重模板匹配方法匹配。LinearDiscriminantAnalysisLD〕本征臉法本征臉法將圖像看做矩陣,計算本征值和對應(yīng)的本征向量作為代數(shù)特征進展識別,具有無需提取眼嘴鼻等幾何特征的優(yōu)點,但在單樣本時識別率不高,且在人臉模式數(shù)較大時計算量大特定人臉子空間(FSS)算法該技術(shù)來源于但在本質(zhì)上區(qū)分于傳統(tǒng)的“特征臉“人臉識別方法?！疤卣髂槨胺椒ㄖ腥咳斯灿幸粋€人臉子空間，而該方法則為每一個體人練樣本的個體人臉子空間方法可以適用于單訓練樣本人臉識別問題。奇異