人脸识别技术综述

Plus de détails

同安咖啡濃純鄉

par 芝岑 林

让研究成为教学的常态

par wang dan

專題製做

par 虹樺 陳

專題制作

par 昀柔 魏

人脸识别技术综述

Conclusion

研究方法

基于整体

Neural Network

HMM

elastic graph matching

基于小波特征的弹性匹配方法

文献[ 2 ] 紧凑多层图形方法

改进

2. 减少冗余信息

1. 降低计算复杂度

二维网格图+敏感节点的小波变换 构建特征矢量矩阵

小波特征分析是一种时频分析, 即空间 频率 分析, 若空间一点周围区域的不同的频率响应构成 该点的特征串, 则其高频部分就对应了小范围内的 细节, 而低频部分则对应了该点周围较大范围内的 概貌. 根据该原理,文献[20]提出了用数学形态学上 的腐蚀扩张方法形成的多尺度 (多分辨率) 特征矢量 来取代小波特征, 并证明了它具有和小波特征相似 的效果, 它能够反映空间一点周围的高低频信息. 现 已证明, 弹性图形匹配能保留二维图象的空间相关 性信息, 而特征脸方法在将图象排成一维向量后, 则

丢失了很多空间相关性信息

SVD

Eigenface

from wiki:

特征脸[编辑]

http://zh.wikipedia.org/wiki/%E7%89%B9%E5%BE%81%E5%90%91%E9%87%8F

图4. 特征脸是特征变量的例子

在图像处理中，脸部图像的处理可以看作分量为每个像素的灰度的向量。该向量空间的维数是像素的个数。一个标准化面部图形的一个大型数据集合的协方差矩阵的特征向量称为特征脸。它们对于将任何面部图像表达为它们的线性组合非常有用。特征脸提供了一种用于识别目的的数据压缩的方式。在这个应用中，一般只取那些最大特征值所对应的特征脸[12]。

存在理论缺陷：算法基于图像统计，而非人脸统计，易受到光照，角度，发型，背景等干扰；

图象中 的所有象素被赋予了同等的地位, 可是角度、光照、 尺寸及表情等干扰会导致识别率急剧下降；

根据文献 [ 2 ] , 人脸在人脸空间的分布 近似高斯分布，由此可见, 越普通的人脸越难识 别, 虽然特征脸的方法本质上是抓住了人群的统计 特性, 但好的表达能力不等于好的区分能力;

采用此方法的重要假设是人脸处于低维线性空 间, 即人脸相加和相减后还是人脸[ 2 ] , 显然这是不可 能的, 因为即使在定位和尺寸相同的情况下, 由于部 件的相对位置不同, 相加、相减后的人脸也一样存在 模糊, 因此文献[14]提出形状无关人脸(shapeless face) 的概念, 即依据脸部基准点将人脸变形到标准 脸, 再进行特征脸处理；

有效的特征脸识别方 法需要做大量预处理, 以减少干扰. 而如何表达, 并 去除表情因素则是识别的另一关键.

4. 分析脸间差异和脸内差异

96年FERET的最佳FR算法

3. PRM

2. fisherface

1. KL变换（PCA）