人臉識別核心算法及技術(shù)解析

1、人臉識別核心算法及技術(shù)解析人臉識別核心算法及技術(shù)解析.doc人臉識別核心算法及技術(shù)解析.doc人臉識別核心算法及技術(shù)解析1、在檢測到人臉并定位面部關(guān)鍵特征點之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預(yù)處理之后，饋入后端的識別算法。識別算法要完成人臉特征的提取，并與庫存的已知人臉進行比對，完成最終的分類。我們在這方面的主要工作包括：基于LGBP的人臉識別方法問題：統(tǒng)計學(xué)習(xí)目前已經(jīng)成為人臉識別領(lǐng)域的主流方法，但實踐表明，基于統(tǒng)計學(xué)習(xí)的方法往

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

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編碼人臉圖針對上述問題，我們考慮如何對Gab特征進行有效降維，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，用于提取對識別最有利的特征（我們稱這些選擇出來的Gab特征為AdaGab特征），并最終通過對AdaGab特征的判別分析實現(xiàn)識別（稱該方法為AGFC識別方法）。在CASPEAL和FERET人臉圖像

4、庫上的對比實驗表明：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)難問題”，降低了計算復(fù)雜度，同時識別精度也有了較大的提高。將AGFC與EGM，GFC進一步比較可以看出：無論是EGM還是GFC，均是主觀的選擇若干面部關(guān)鍵特征點提取人臉的特征表示，而我們提出的AGFC方法則是通過機器學(xué)習(xí)的方法自動的選擇那些對區(qū)分不同人臉具有關(guān)鍵作用的Gab特征。參見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（SVM）和KernelFisher分析是利用kernel方法解決線性不可分問題的兩種不同途徑，我們將二者進行了有機結(jié)合。我們首先證明了SVM最優(yōu)分類面的法向量在基于支持向量的類內(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，簡寫為KDBFM），最后利用基于零空間的Kernel