文档介绍：人脸识别演示稿
*
第1页，共13页，编辑于2022年，星期四
课题研究内容
一、研究目的
（一）身份识别
图（一）人的面部特征
人脸数据库
反馈输出
身份信息
*
第2页，共13页，编辑于2022年，人脸识别演示稿
*
第1页，共13页，编辑于2022年，星期四
课题研究内容
一、研究目的
（一）身份识别
图（一）人的面部特征
人脸数据库
反馈输出
身份信息
*
第2页，共13页，编辑于2022年，星期四
（二）论证当前主流人脸识别算法
二维：
基于模板匹配的方法
基于奇异值特征方法
子空间分析方法
主成分分析（PCA）方法
三维：
基于图像特征方法
基于模型可变参数的方法
课题研究内容
*
第3页，共13页，编辑于2022年，星期四
方案设计
流程图：
训练样本
人脸检测、定位、切割
输入
人脸图像特征提取
人脸图像
TPCA变换矩阵
测试样本
人脸特征比对、匹配识别
预处理
身份确认
输出身份信息
图（二）系统流程图
*
第4页，共13页，编辑于2022年，星期四
运行过程
（一）人脸图像的预处理
人脸图像分割：将背景和人脸图区分开来。
图像
分割
*
第5页，共13页，编辑于2022年，星期四
人脸图像的去噪处理：去除图像编码和传输中产生的噪声。
运行过程
(a)有噪声的人脸图
(b)去噪后的人脸图
图像
去噪
（一）人脸图像的预处理
*
第6页，共13页，编辑于2022年，星期四
人脸的区域标定、选取：检测出人脸在图像中的位置、大小信息。
运行过程
（一）人脸图像的预处理
人脸区域
标定、
选取
*
第7页，共13页，编辑于2022年，星期四
运行过程
（二）人脸特征的提取
TensorPCA（张量主成分分析）:在传统主成分分析(PCA)方法上的扩展。
1、传统主成分分析方法
2、张量主成分分析
*
第8页，共13页，编辑于2022年，星期四
运行过程
（三）高阶奇异值分解（HOSVD）
奇异值分解是线性代数中一种重要的矩阵分解，可以用来求高阶矩阵特征值时降阶，有两个重要应用：
1、求伪逆
2、矩阵近似值
*
第9页，共13页，编辑于2022年，星期四
研究结果
（一）基于TensorPCA算法的人脸识别系统
1、利用ORL人脸库：避免因外界因素影响图像质量下降，直接使用ORL库中已经处理过的人脸图像。
2、MATLAB中实现人脸识别，利用MatLab中自带强大的矩阵处理函数。
*
第10页，共13页，编辑于2022年，星期四
研究结果
（一）基于TensorPCA算法的人脸识别系统
图（三）人脸识别检测系统
*
第11页，共13页，编辑于2022年，星期四
研究结果
（二）基于TensorPCA算法的创新性
1、张量主成分分析用于人脸数据结构克服了数据向量化带来的缺点。
2、与常规的主成分分析算法相比，张量主成分分析算法在同样的压缩比水平上能够实现更优的重构图像。
*
第12页，共13页，编辑于2022年，星期四
谢谢！
姓名：周蒙
指导老师：刘亚楠
*
第13页，共13页，编辑于2022年，星期四