人脸识别技术的主要研究方法

1、绪论前模式识别和人工智能领域的研究热点。本章将简单介绍几种人脸识别技术的研究方法。关键词：人脸识别2、人脸识别技术的主要研究方法2．1图2．1人脸识别流程图3、基于几何特征的人脸识别方法噪音、阴影都极有可能破坏人脸部件的边缘，从而影响算法的有效性。模板匹配算法首先需要人TN状等方面的变化。取模板，而是通过使用特定的方法(如主成分分析方法(PCA)、支持向量机(SVM)、神经网络方法(ANN)等)对大量的人脸和非人脸样本组成的训练集(一般为了保证训练得到的检测器精度，非人脸样本集的容量要为人脸样本集的两倍以上)进行学习，再将学习而成的模板或者说分类器用于人脸检测。因此，这也是j该方法在复杂背景下，多姿态的人脸图像中也能得到有效的检测结果。但是这种方法通常需要遍历整个图针对该方法的人脸检测研究相对比较活跃。4、基于代数特征的人脸识别方法质的数据特征来表示人脸的特征。设人脸图像),(yxINM×灰度图像，同样可以看成是NMn×=维列向量，可视为NM×维空间中的一个点。但这样的一个空间中，并不是空间中的每一度量。在基于代数特征的人脸识别方法中，主成分分析法Fisher线性判别分析是研究最多的方法。本章简要介绍介绍了PCA。完整的PCA(PrincipalComponentAnalysis)人脸识别的应用包括四个步骤：人脸图像预处理；读入人函数进行识别。详细描述如下：读入人脸库列相连就构成n2维矢量，可视为n2维空间中的一个点，可以通过K-L像。计算K．L训练样本集的总体散布矩阵为产生矩阵，即或者写成:xiin2×n2解决维数过高的问题。(AVD)定理计算图像的特征值和特征向量设A是一个秩为r的行n×r维矩阵，则存在两个正交矩阵和对角阵：其中凡 则这两个正交矩阵和对角矩阵满足下式：!其中 为矩阵 的非零特征值，把训练图像和测试图像投影到特征空间每一副人脸图像向特征脸子空间投影，得到一组坐标系数，就对应于子空间中的一个点。同样，子空间中的任一点也对应于～副图像。这组系数便可作为人脸识别的依据，也就是这张人脸图像的特征脸特征。也就是说任何一幅人脸图像都可以表示为这组特征脸的线性组合，各个加权系数就是也就是向量可用于人脸检测，如果它大于某个阈值，可以认为f是人脸图像，否则就认为不是。这样原来的人脸图象识别问题就转化为依据子空间的训练样本点进行分类的问题。5、基于连接机制的人脸识别方法基于连接机制的识别方法的代表性有神经网络和弹性匹配法。神经网络(ANN)在人工智能领域近年来是一个研究热门，基于神经网络技术来进行人脸特征提取和特网络、卷积网络、径向基函数网络、自组织网络以及模糊神经网络等n¨BP网络的运算量较小耗时也短，它的自适应功能使系统的鲁棒性增强。神经Gutta等人结合RBF与树型分类器的混合分类器模型来进行人脸识别乜螂1。Lin等人采用虚拟样本进行强化和反强化学习，采用模块化的网络结构网络的学习加快，实现点位置周围的特征信息¨性，且能适应表情和视角的变化，其在理论上改进了特征脸算法的一些缺点。6、基于三维数据的人脸识别方法一个完整的人脸识别系统包括人脸面部数据的获取、数据分析处理和最终结果输出三个部分。图2-1、用分类器做分类判别，输出最后决策结果。基于三维数据的方法的代表性是基于模型合成的方法和基于曲率的方法。3D增强人3D2003D3D卜捌。基于形状恢复的3D增强人脸识别算法是利用通用的3D与光源情况。曲率是最基本的表达曲面信息的局部特征，因而最早用来处理3D人脸识别问题的是人脸曲面的曲率。Lee禾lJ用平均曲率和高斯曲率值，将人脸深度图中凸的区域分割出来。7、本章小结上面研究的各种识别方法都获得了一定的成功，但各有优缺点：定的特征，尤其是特征受到遮挡或有较大表情变化时，其对姿态变化的鲁棒性也较差。基于代数特征的识别方法通过各种变换方法来提取主分量，代数特征向量是具有一定稳定性的，基于该方法的识别系统对不同的角度和表情都有一定的鲁棒性。像数据量庞大的影响，识别时间长，特别是当样本数量大大增加时，会严重影响其性能。难，且需要很大数据存储和计算量。同。参考文献:1、卓永亮.基于web的人脸检测与人脸识别2、李寅.基于代数特征的人脸识别研究及其D