人脸识别技术主要算法原理人脸识别系统原理( 二 ) _算法

在传统特征脸的基础上，研究者注意到特征值大的特征向量(即特征脸)不一定是分类性能好的方向，发展了多种特征选择 (sub-空)，如彭的Gemini 空、Weng的线性歧义分析、Belhumeur的FisherFace 等。其实特征脸是一种显式的PCA人脸建模，而一些线性自联想和线性收缩BP 是隐式的PCA 。都是把人脸表示成一些向量的加权和，这些向量是训练集的叉积矩阵的主特征向量。瓦伦丁详细讨论了这一点。总之，特征脸法是一种基于变换系数特性的简单、快速、适用的算法。然而，它有很大的局限性，因为它本质上依赖于训练集和测试集中图像的灰度一致性，并要求测试图像与训练集中的图像相似。
基于KL变换的特征人脸识别
基本原则:
KL变换是图像压缩中的更佳正交变换。人们用它进行统计特征提取，从而形成了sub 空模式识别的基础。如果用KL变换进行人脸识别，需要假设人脸处于低维线性空且不同的人脸是可分的。因为高维图像间的KL变换后可以得到一组新的正交性空。生成低维人脸空，低维人脸空的基础是通过分析训练样本集的统计特征得到的。KL变换的生成矩阵可以是训练样本集的整体分布矩阵，也可以是训练样本集的类间分布矩阵，即可以用同一个人的几幅图像的平均值进行训练，这样就可以在一定程度上排除光线等的干扰，从而得到计算量。
4.一种基于弹性模型的
Lades等人提出了一种用于失真不变物体识别的动态链接模型(DLA) 。用稀有图形描述物体，用局部能谱的多标准描述标记顶点，用拓扑连接和几何距离标记边。然后，使用塑性图形匹配技术来寻找最近的已知图形。Wiscott等人在这里做了基本的改进，使用FERET图像数据库进行实验，将300张人脸图像与另外300张图像进行对比，准确率达到97.3% 。这种的缺点是计算量非常大。
Nastar将人脸图像(I) (x，y)建模为可变形的3D网格曲面(x，y，i (x，y))(如下图所示)，从而将人脸匹配问题转化为可变形曲面的弹性匹配问题。利用有限元分析对表面进行变形，根据变形情况判断两张图片是否为同一个人。这种的特点是空室(x，y)和灰度I (x，y)放在一个3D空室中同时考虑。实验表明，识别结果明显优于特征脸。
Lanitis等人提出了智能表征模型，通过主动定位人脸的明显特征点，将人脸编码成83个模型参数，将判别分析应用于基于形状信息的人脸识别。弹性图匹配技术是一种基于几何特征和小波纹理分析灰度分散信息的识别算法。由于该算法很好地利用了人脸的结构和灰度分散信息，还具有主动准确定位人脸特征的作用，因此识别效果好，适应性强，识别率高。该技术在FERET测试中名列前茅，但其缺点是时间复杂度高、速度慢、实现复杂。
5.神经 (神经 )
人工神经是一个非线性动态系统，具有良好的自组织和自适应能力。目前，人脸识别中神经的研究方兴未艾。Valentin提出了一种，首先提取人脸的50个主成分，然后用自相关神经映射到5维空空间，再用一个普通的多层感知器进行判别。一些简单测试图像的结果更好。Intrator等人提出了一种用于人脸识别的混合神经，其中无监督神经用于特征提取，有监督神经用于分类。Lee用六条规则描述人脸的特征，然后根据这六条规则定位五官，将五官之间的几何距离输入模糊神经进行识别。与一般的基于欧氏距离的相比，结果有了很大的改善。Laurence等人采用卷积神经进行人脸识别。由于卷积神经集成了相邻像素之间的相干知识，因此，可以在一定程度上获得图像平移、旋转和局部变形的不变性，从而可以获得非常奇特的识别结果。林等人提出了一种基于概率决策的神经 (PDBNN)，其重要思想是采用虚拟(正负例)样本进行强化和反强化学习，从而得到富于想象的概率估计结果，并采用模块化构造(OCON)加快学习速度。这种在人脸检测、人脸定位和人脸识别的每一步都得到了很好的应用。其他讨论包括戴等提出用Hopfield 进行低分辨率的人脸关联和识别，Gutta等提出RBF和树分类器相结合的混合分类器模型进行人脸识别，Phillips等提出用MatchingPursuit滤波器进行人脸识别，以及我国统计学习理论中的支持向量机进行人脸分类。
神经在人脸识别中的应用与前述相比具有一定的优势，因为显式描述人脸识别的许多规律或规则是相当困难的，而神经可以通过学习过程获得这些规律和规则的隐式表达，适应性更强，一般更容易实现。因此，人工神经的识别速度快，但识别率低。而神经通常需要将人脸作为一维向量输入，因此输入节点庞大，其识别的主要目的之一就是降维。

人脸识别技术主要算法原理 人脸识别系统原理( 二 )

人脸识别技术主要算法原理人脸识别系统原理( 二 )