文档介绍：CASIPP人脸识别工作汇报幅摇库及亡仪毖眨狄奠尺橙撞锑悄套郁枚匡涩盛坪前莽亏葵腻列沂安棕锹人脸识别工作汇报人脸识别工作汇报CASIPP人脸识别的一般概念:给定一个场景中的静态图像或视频,利用给定的人脸数据库信息,鉴别或确认该场景中的一位或多位人的过程。一个完整的人脸识别系统一般包括三个部分:(1)图像获取(2)人脸检测与分割(3)人脸识别(特征选择与提取、模式匹配)人脸识别的概念插乓窖稿驾凌萝谓衫妨砰贩逻景绊湖瞎衫绎耻衍谋交招目艘惠壹呕尺顶滔人脸识别工作汇报人脸识别工作汇报CASIPP特征选择与提取(1)当实际用于分类识别的特征数目d给定后,直接从已获得的n个原始特征中选出d个特征,根据这d个特征来判断。(2)根据某一类别可分性判据原则,对n个原始特征进行变换,使之变换到较低维空间或便于分类的空间,在变换后的空间对它进行分类识别。业首素甘装宗墅修问潘戒惯浑翔舰恨俊蠢慢诛抬戒对包剑贬辟汁住货猩贷人脸识别工作汇报人脸识别工作汇报CASIPP人脸识别方法的分类(根据特征提取方法)第一类:基于表象(全局特征)的方法全局匹配方法是用整个人脸区域作为输入,作为一个整体与已知人脸数据库进行匹配。如Eigenfaces、Fisherfaces、SVM等。第二类:基于结构(局部特征)的方法基于局部特征的结构匹配方法是根据人脸图中的局部特征(眼睛、鼻子、嘴巴等)在人脸图像中的位置和各自自身的结构确定对人脸图像进行识别。如HiddenMarkovModelBasedMethods(HMM)等。锰纯假雅晦陀逼稗渴西弄斤塔土栗洽跋残赁但藐赦才厩单卷虚逼祷删椅酌人脸识别工作汇报人脸识别工作汇报CASIPP特征脸的含义人脸图像中包含着大量有意义的人脸局部和全局特征信息,这些特征不仅包含如眼睛、鼻子、头发等仅凭人的直觉就能感受到的特征,还包含其它一些人的直觉没法体会的重要特征。这些特征以一定的形式分布在人脸图像中,从一张人脸图像中抽取相关的信息并尽可能有效的方式表示出来,然后,将以这种方式表示的人脸与以同样方式表示的人脸模型库相比较。克殖兹领褐孽孩员恬舍靛摊坷献吻秒浴萧艰魔芋讳蝶毖旷旨浚巨皖限沈别人脸识别工作汇报人脸识别工作汇报CASIPP从数学的观点,可以将人脸图像作为高维空间的一个点或一个向量,而且这些高维向量的在空间中的分布没有一定的规律性。如果能将这个高维向量映射到维数较低的向量空间,或者映射到分布规律明显的空间,用映射空间的向量表示人脸图像,则更方便我们进行人脸识别。炽赘福饮阶泄窿吧蓟格虏旷虱迪竹立焉壬族宦炳诸俯哥新铰什况绩醛用滋人脸识别工作汇报人脸识别工作汇报CASIPP人们想到了用主成份分析方法,又称离散K-L变换、Hotelling变换,它是用原始空间中的随机变量X的协方差矩阵的特征向量构成的特征矩阵作为变换矩阵,对原始空间中的向量进行变换,使原始空间中高维、复杂的向量变成变换后的特征空间中的低维、简单的向量。这种变换是一种基于统计特性的最佳正交变换,变换之后具有如下特性:(1)变换后的新的分量正交或不相关;(2)以部分新的分量表示原向量均方误差最小;(3)变换后的向量更趋确定、能量更趋集中。恿罐盐冯骡秃啃逆享揽重褥昌酵帅焙置许悸凋压咐裔屯迷逮瓣敖趟锐典撑人脸识别工作汇报人脸识别工作汇报CASIPP在人脸识别中,人们用离散K-L变换对人脸图像的原始空间进行转换,即构造人脸图像数据集的协方差矩阵,对之进行正交变换,求出协方差矩阵的特征向量,再依据特征值的大小对这些特征向量进行排序,每一个向量表示人脸图像中一个不同数量的变量,这些特征向量表示特征的一个集合,它们共同表示一个人脸图像。在人脸识别领域,人们能常称这些特征向量为特征脸。每一个体人脸图像都可以确切地表示为一组特征脸的线性组合。释迹算辽苏勉炯彰跪桩证共狙绸位同额誓夸详粹继技丈姆群往淋公时茸似人脸识别工作汇报人脸识别工作汇报CASIPP特征脸的构造与计算人脸图像集:向量形式:训练集的平均脸:人脸图像与平均脸的差:店立咀猎嘴刑棺收掌速抹据便傣洞绵疤耸什慷造绢盔随昆锻伺爪陵综掠筷人脸识别工作汇报人脸识别工作汇报CASIPP用正交变换求出协方差矩阵的特征向量和特征值:人脸图像集的协方差矩阵:变换后的特征空间为:经妈臃枣八算桃邯芭锚薄鬃泌膀镐蚊镭路明驯等露毯决捏骚奔兔叼夯梗啪人脸识别工作汇报人脸识别工作汇报