人脸识别技术主要算法原理 人脸识别系统原理( 二 )


该办法是先肯定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、地位、距离等属性,然后再盘算出它们的几何特点量,而这些特点量形成一描写该面像的特点向量 。其技巧的核心实际为“局部人体特点剖析”和“图形/神经辨认算法 。”这种算法是应用人体面部各器官及特点部位的办法 。如对应几何关系多数据形成辨认参数与数据库中所有的原始参数进行比拟、断定与确认 。Turk和Pentland提出特点脸的办法,它依据一组人脸训练图像结构主元子空间,由于主元具有脸的形状,也称为特点脸,辨认时将测试图像投影到主元子空间上,得到一组投影系数,和各个已知人的人脸图像比拟进行辨认 。Pentland等报告了相当好的成果,在 200个人的 3000幅图像中得到 95%的准确辨认率,在FERET数据库上对 150幅正面人脸象只有一个误辨认 。但体系在进行特点脸办法之前须要作大批预处置工作如归一化等 。
在传统特点脸的基本上,研讨者注意到特点值大的特点向量 (即特点脸 )并不必定是分类性能好的方向,据此发展了多种特点 (子空间 )选择办法,如Peng的双子空间办法、Weng的线性歧义剖析办法、Belhumeur的FisherFace办法等 。事实上,特点脸办法是一种显式主元剖析人脸建模,一些线性自联想、线性紧缩型BP网则为隐式的主元剖析办法,它们都是把人脸表现为一些向量的加权和,这些向量是训练集叉积阵的主特点向量,Valentin对此作了详细讨论 。总之,特点脸办法是一种简略、迅速、适用的基于变换系数特点的算法,但由于它在实质上依附于训练集和测试集图像的灰度相干性,而且请求测试图像与训练集比拟像,所以它有着很大的局限性 。
基于KL 变换的特点人脸辨认办法
根本原理:
KL变换是图象紧缩中的一种最优正交变换,人们将它用于统计特点提取,从而形成了子空间法模式辨认的基本,若将KL变换用于人脸辨认,则需假设人脸处于低维线性空间,且不同人脸具有可分性,由于高维图象空间KL变换后可得到一组新的正交基,因此可通过保存部分正交基,以生成低维人脸空间,而低维空间的基则是通过火析人脸训练样本集的统计特征来获得,KL变换的生成矩阵可以是训练样本集的总体分布矩阵,也可以是训练样本集的类间分布矩阵,即可采取同一人的数张图象的平均来进行训练,这样可在必定水平上清除光线等的干扰,且盘算量也得到减少,而辨认率不会降低 。
4. 基于弹性模型的办法
Lades等人针对畸变不变性的物体辨认提出了动态链接模型 (DLA),将物体用稀少图形来描写,其顶点用局部能量谱的多标准描写来标志,边则表现拓扑衔接关系并用几何距离来标志,然后运用塑性图形匹配技巧来寻找最近的已知图形 。Wiscott等人在此基本上作了改良,用FERET图像库做试验,用 300幅人脸图像和另外 300幅图像作比拟,精确率到达 97.3% 。此办法的缺陷是盘算量非常伟大。
Nastar将人脸图像 (Ⅰ ) (x,y)建模为可变形的 3D网格表面 (x,y,I(x,y) ) (如下图所示 ),从而将人脸匹配问题转化为可变形曲面的弹性匹配问题 。应用有限元剖析的办法进行曲面变形,并依据变形的情形断定两张图片是否为同一个人 。这种办法的特色在于将空间 (x,y)和灰度I(x,y)放在了一个 3D空间中同资源网时斟酌,试验表明辨认成果显著优于特点脸办法 。
Lanitis等提出灵巧表示模型办法,通过主动定位人脸的明显特点点将人脸编码为 83个模型参数,并应用鉴别剖析的办法进行基于形状信息的人脸辨认 。弹性图匹配技巧是一种基于几何特点和对灰度散布信息进行小波纹理剖析相联合的辨认算法,由于该算法较好的应用了人脸的构造和灰度散布信息,而且还具有主动准确定位面部特点点的功效,因而具有良好的辨认后果,适应性强辨认率较高,该技巧在FERET测试中若干指标名列前茅,其缺陷是时光庞杂度高,速度较慢,实现庞杂 。
5. 神经网络办法(Neural Networks)
人工神经网络是一种非线性动力学体系,具有良好的自组织、自适应才能 。目前神经网络办法在人脸辨认中的研讨方兴未艾 。Valentin提出一种办法,首先提取人脸的 50个主元,然后用自相干神经网络将它映射到 5维空间中,再用一个普通的多层感知器进行判别,对一些简略的测试图像后果较好;Intrator等提出了一种混杂型神经网络来进行人脸辨认,其中非监视神经网络用于特点提取,而监视神经网络用于分类 。Lee等将人脸的特色用六条规矩描写,然后依据这六条规矩进行五官的定位,将五官之间的几何距离输入隐约神经网络进行辨认,后果较一般的基于欧氏距离的办法有较大改良,Laurence等采取卷积神经网络办法进行人脸辨认,由于卷积神经网络中集成了相邻像素之间的相干性知识,从而在必定水平上获得了对图像平移、旋转和局部变形的不变性,因此得到非常幻想的辨认成果,Lin等提出了基于概率决策的神经网络办法 (PDBNN),其重要思想是采取虚拟 (正反例 )样本进行强化和反强化学习,从而得到较为幻想的概率估量成果,并采取模块化的网络构造 (OCON)加快网络的学习 。这种办法在人脸检测、人脸定位和人脸辨认的各个步骤上都得到了较好的运用,其它研讨还有 :Dai等提出用Hopfield网络进行低分辩率人脸联想与辨认,Gutta等提出将RBF与树型分类器联合起来进行人脸辨认的混杂分类器模型,Phillips等人将MatchingPursuit滤波器用于人脸辨认,国内则采取统计学习理论中的支持向量机进行人脸分类 。


推荐阅读