人臉識(shí)別核心算法及技術(shù)解析

1、人臉識(shí)別核心算法及技術(shù)解析人臉識(shí)別核心算法及技術(shù)解析.doc人臉識(shí)別核心算法及技術(shù)解析.doc人臉識(shí)別核心算法及技術(shù)解析1、在檢測(cè)到人臉并定位面部關(guān)鍵特征點(diǎn)之后，主要的人臉區(qū)域就可以被裁剪出來(lái)，經(jīng)過(guò)預(yù)處理之后，饋入后端的識(shí)別算法。識(shí)別算法要完成人臉特征的提取，并與庫(kù)存的已知人臉進(jìn)行比對(duì)，完成最終的分類(lèi)。我們?cè)谶@方面的主要工作包括：基于LGBP的人臉識(shí)別方法問(wèn)題：統(tǒng)計(jì)學(xué)習(xí)目前已經(jīng)成為人臉識(shí)別領(lǐng)域的主流方法，但實(shí)踐表明，基于統(tǒng)計(jì)學(xué)習(xí)的方法往

2、往會(huì)存在“推廣能力弱”的問(wèn)題，尤其在待識(shí)別圖像“屬性”未知的情況下，更難以確定采用什么樣的訓(xùn)練圖像來(lái)訓(xùn)練人臉模型。鑒于此，在對(duì)統(tǒng)計(jì)學(xué)習(xí)方法進(jìn)行研究的同時(shí)，我們還考慮了非統(tǒng)計(jì)模式識(shí)別的一類(lèi)方法。思路：對(duì)于給定的人臉圖像，LGBP方法首先將其與多個(gè)不同尺度和方向的Gab濾波器卷積（卷積結(jié)果稱(chēng)為Gab特征圖譜）獲得多分辨率的變換圖像。然后將每個(gè)Gab特征圖譜劃分成若干互不相交的局部空間區(qū)域，對(duì)每個(gè)區(qū)域提取局部鄰域像素的亮度變化模式，并在每個(gè)局

3、部空間區(qū)域內(nèi)提取這些變化模式的空間區(qū)域直方圖，所有Gab特征圖譜的、所有區(qū)域的直方圖串接為一高維特征直方圖來(lái)編碼人臉圖針對(duì)上述問(wèn)題，我們考慮如何對(duì)Gab特征進(jìn)行有效降維，將目前受到極大關(guān)注的AdaBoost算法創(chuàng)新性的應(yīng)用于Gab特征的選擇上來(lái)，用于提取對(duì)識(shí)別最有利的特征（我們稱(chēng)這些選擇出來(lái)的Gab特征為AdaGab特征），并最終通過(guò)對(duì)AdaGab特征的判別分析實(shí)現(xiàn)識(shí)別（稱(chēng)該方法為AGFC識(shí)別方法）。在CASPEAL和FERET人臉圖像

4、庫(kù)上的對(duì)比實(shí)驗(yàn)表明：AGFC方法不但可以大大降低Gab特征的維數(shù)從而可以更加有效地避免“維數(shù)災(zāi)難問(wèn)題”，降低了計(jì)算復(fù)雜度，同時(shí)識(shí)別精度也有了較大的提高。將AGFC與EGM，GFC進(jìn)一步比較可以看出：無(wú)論是EGM還是GFC，均是主觀(guān)的選擇若干面部關(guān)鍵特征點(diǎn)提取人臉的特征表示，而我們提出的AGFC方法則是通過(guò)機(jī)器學(xué)習(xí)的方法自動(dòng)的選擇那些對(duì)區(qū)分不同人臉具有關(guān)鍵作用的Gab特征。參見(jiàn)下圖所示三者之間的區(qū)別與聯(lián)系。三種不同的人臉建模方法比較示意圖

5、基于SV的Kernel判別分析方法svKFD摘要：支持向量機(jī)（SVM）和KernelFisher分析是利用kernel方法解決線(xiàn)性不可分問(wèn)題的兩種不同途徑，我們將二者進(jìn)行了有機(jī)結(jié)合。我們首先證明了SVM最優(yōu)分類(lèi)面的法向量在基于支持向量的類(lèi)內(nèi)散度矩陣的前提下具有零空間性質(zhì)，基于此定義了核化的決策邊界特征矩陣（KernelizedDecisionBoundaryFeatureMatrix，簡(jiǎn)寫(xiě)為KDBFM），最后利用基于零空間的Kernel