人脸识别工作汇报.ppt

C A S I P P
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
C A S I P P
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。
C A S I P P
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Hidden Markov Model Based Methods(HMM)等。
C A S I P P
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。
C A S I P P
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。
C A S I P P
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。
C A S I P P
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。
C A S I P P
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:
C A S I P P
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:
C A S I P P
由于离散K-L变换使能量相对集中,且与特征向量相对应的特征值具有如下性质:
由于精确地构造图像是不必要的,一个较小的m个特征向量对识别就足够了,因此,我们可以取前m个特征向量,构成变换后的特征脸空间。
因此,对于取前m个特征所对应的特征向量,对原始空间中的向量进行变换,变换后的均方误差取最小值。