人臉識(shí)別技術(shù)的研究與應(yīng)用

1、人臉識(shí)別技術(shù)的研究與應(yīng)用人臉識(shí)別技術(shù)的研究與應(yīng)用2.3人臉識(shí)別早期的人臉識(shí)別主要使用基于人臉結(jié)構(gòu)特征的方法和基于模板匹配的方法?；谌四樈Y(jié)構(gòu)特征的方法首先檢測(cè)出臉部主要部件的位置和大小，然后利用它們之間的幾何分布關(guān)系來(lái)識(shí)別人臉；基于模板匹配的方法主要利用計(jì)算機(jī)模板和圖像灰度的自相關(guān)性來(lái)實(shí)現(xiàn)識(shí)別功能，麻省理工學(xué)院的Brunelli和Poggio于上世紀(jì)九十年代初對(duì)這兩種方法的識(shí)別性能進(jìn)行了對(duì)比，得出了模板匹配的方法優(yōu)于基于特征的方法的結(jié)論

2、。當(dāng)前基于統(tǒng)計(jì)模式的人臉識(shí)別方法的研究，逐漸成為人臉識(shí)別技術(shù)的主流方向，如特征臉?lè)椒ǎ≒CA）、Fisher方法、彈性圖匹配方法、隱馬爾可夫模型方法、神經(jīng)網(wǎng)絡(luò)方法和支持向量機(jī)等。2.3.1PCA算法美國(guó)麻省理工學(xué)院（MIT）媒體實(shí)驗(yàn)室的Turk和Pentl提出的特征臉?lè)椒碢CA方法是影響較大的人臉識(shí)別方法[8]。論文發(fā)表。PCA算法的主要思想是在原始人臉空間中采用KL變換求得一組正交向量，這組正交向量是原始人臉空間的總體散布矩陣的特征

3、向量并且具有臉的形狀，因而稱為特征臉，它保留了人臉圖像中的基本信息。以每個(gè)特征臉即每組正交向量來(lái)構(gòu)成新的人臉空間，使所有人臉的均方差最小，以達(dá)到降維目的，該算法的優(yōu)點(diǎn)是識(shí)別率較高，識(shí)別速度較快。論文發(fā)表。2.3.2Fisher方法模擬信號(hào)統(tǒng)計(jì)特性的變化，因此，用隱馬爾可夫模型對(duì)人臉進(jìn)行描述和識(shí)別不是孤立地利用各個(gè)器官的數(shù)值特征，而是把這些特征和一個(gè)狀態(tài)轉(zhuǎn)移模型聯(lián)系起來(lái)。Samaria最早建立了關(guān)于人臉的隱馬爾可夫模型，隱馬爾可夫模型不需

4、要進(jìn)行復(fù)雜的人臉圖像特征提取，對(duì)姿態(tài)和環(huán)境的變化具有較好的魯棒性，識(shí)別率高，但Samaria方法的不足是要求大的存儲(chǔ)空間，實(shí)現(xiàn)的復(fù)雜度較高。2.3.5神經(jīng)網(wǎng)絡(luò)方法Kohonen最早將神經(jīng)網(wǎng)絡(luò)應(yīng)用于人臉識(shí)別工作，可對(duì)含噪音較多和部分缺損的圖像進(jìn)行訓(xùn)練，從而獲得其他方法難以實(shí)現(xiàn)的關(guān)于人臉識(shí)別規(guī)則的隱性表達(dá)，這種非線性方法有時(shí)比線性方法更有效[10]。神經(jīng)網(wǎng)絡(luò)方法避免了復(fù)雜的特征提取工作，識(shí)別率高，但缺點(diǎn)是由于神經(jīng)元數(shù)目通常很多，因此訓(xùn)練時(shí)間

5、很長(zhǎng)，速度慢，而且選擇圖像的不同參數(shù)作為輸入以及選擇不同的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練也會(huì)造成訓(xùn)練時(shí)間的離散度較大。2.3.6支持向量機(jī)方法支持向量機(jī)方法的基本思想是把一個(gè)低維的線性不可分的問(wèn)題轉(zhuǎn)化為一個(gè)高維的線性可分的問(wèn)題，也就是首先通過(guò)構(gòu)造最優(yōu)超平面，使分類誤差達(dá)到最小，再通過(guò)適當(dāng)?shù)暮撕瘮?shù)將輸入空間變換到一個(gè)高維空間，然后在高維空間中求最優(yōu)分類面[11]。實(shí)驗(yàn)結(jié)果表明支持向量機(jī)有較好的識(shí)別率。將支持向量機(jī)和奇異值特征分解相結(jié)合的相關(guān)處理，也能提