想問一下有沒有比較方便的人臉識別演算法,求

2021-05-29 04:43:38 字數 4572 閱讀 2635

1樓:格蘭維爾

主流的人臉識別技術基本上可以歸結為三類,即:基於幾何特徵的方法、基於模板的方法和基於模型的方法。

1. 基於幾何特徵的方法是最早、最傳統的方法,通常需要和其他演算法結合才能有比較好的效果;

2. 基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網路方法、動態連線匹配方法等。

3. 基於模型的方法則有基於隱馬爾柯夫模型,主動形狀模型和主動外觀模型的方法等。

1. 基於幾何特徵的方法

人臉由眼睛、鼻子、嘴巴、下巴等部件構成,正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別,因此對這些部件的形狀和結構關係的幾何描述,可以做為人臉識別的重要特徵。幾何特徵最早是用於人臉側面輪廓的描述與識別,首先根據側面輪廓曲線確定若干顯著點,並由這些顯著點匯出一組用於識別的特徵度量如距離、角度等。jia 等由正面灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。

採用幾何特徵進行正面人臉識別一般是通過提取人眼、口、鼻等重要特徵點的位置和眼睛等重要器官的幾何形狀作為分類特徵,但roder對幾何特徵提取的精確性進行了實驗性的研究,結果不容樂觀。

可變形模板法可以視為幾何特徵方法的一種改進,其基本思想是 :設計一個引數可調的器官模型 (即可變形模板),定義一個能量函式,通過調整模型引數使能量函式最小化,此時的模型引數即做為該器官的幾何特徵。

這種方法思想很好,但是存在兩個問題,一是能量函式中各種代價的加權係數只能由經驗確定,難以推廣,二是能量函式優化過程十分耗時,難以實際應用。 基於引數的人臉表示可以實現對人臉顯著特徵的一個高效描述,但它需要大量的前處理和精細的引數選擇。同時,採用一般幾何特徵只描述了部件的基本形狀與結構關係,忽略了區域性細微特徵,造成部分資訊的丟失,更適合於做粗分類,而且目前已有的特徵點檢測技術在精確率上還遠不能滿足要求,計算量也較大。

2. 區域性特徵分析方法(local face analysis)

主元子空間的表示是緊湊的,特徵維數大大降低,但它是非區域性化的,其核函式的支集擴充套件在整個座標空間中,同時它是非拓撲的,某個軸投影后臨近的點與原影象空間中點的臨近性沒有任何關係,而區域性性和拓撲性對模式分析和分割是理想的特性,似乎這更符合神經資訊處理的機制,因此尋找具有這種特性的表達十分重要。基於這種考慮,atick提出基於區域性特徵的人臉特徵提取與識別方法。這種方法在實際應用取得了很好的效果,它構成了faceit人臉識別軟體的基礎。

3. 特徵臉方法(eigenface或pca)

特徵臉方法是90年代初期由turk和pentland提出的目前最流行的演算法之一,具有簡單有效的特點, 也稱為基於主成分分析(principal component analysis,簡稱pca)的人臉識別方法。

特徵子臉技術的基本思想是:從統計的觀點,尋找人臉影象分佈的基本元素,即人臉影象樣本集協方差矩陣的特徵向量,以此近似地表徵人臉影象。這些特徵向量稱為特徵臉(eigenface)。

實際上,特徵臉反映了隱含在人臉樣本集合內部的資訊和人臉的結構關係。將眼睛、面頰、下頜的樣本集協方差矩陣的特徵向量稱為特徵眼、特徵頜和特徵脣,統稱特徵子臉。特徵子臉在相應的影象空間中生成子空間,稱為子臉空間。

計算出測試影象視窗在子臉空間的投影距離,若視窗影象滿足閾值比較條件,則判斷其為人臉。

基於特徵分析的方法,也就是將人臉基準點的相對比率和其它描述人臉臉部特徵的形狀引數或類別引數等一起構成識別特徵向量,這種基於整體臉的識別不僅保留了人臉部件之間的拓撲關係,而且也保留了各部件本身的資訊,而基於部件的識別則是通過提取出區域性輪廓資訊及灰度資訊來設計具體識別演算法。現在eigenface(pca)演算法已經與經典的模板匹配演算法一起成為測試人臉識別系統效能的基準演算法;而自2023年特徵臉技術誕生以來,研究者對其進行了各種各樣的實驗和理論分析,feret'96測試結果也表明,改進的特徵臉演算法是主流的人臉識別技術,也是具有最好效能的識別方法之一。

該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性,然後再計算出它們的幾何特徵量,而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為「區域性人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。

如對應幾何關係多資料形成識別引數與資料庫中所有的原始引數進行比較、判斷與確認。turk和pentland提出特徵臉的方法,它根據一組人臉訓練影象構造主元子空間,由於主元具有臉的形狀,也稱為特徵臉 ,識別時將測試 影象投影到主元子空間上,得到一組投影係數,和各個已知人的人臉影象比較進行識別。pentland等報告了相當好的結果,在 200個人的 3000幅影象中得到 95%的正確識別率,在feret資料庫上對 150幅正面人臉象只有一個誤識別。

但系統在進行特徵臉方法之前需要作大量預處理工作如歸一化等。

在傳統特徵臉的基礎上,研究者注意到特徵值大的特徵向量 (即特徵臉 )並不一定是分類效能好的方向,據此發展了多種特徵 (子空間 )選擇方法,如peng的雙子空間方法、weng的線性歧義分析方法、belhumeur的fishe***ce方法等。事實上,特徵臉方法是一種顯式主元分析人臉建模,一些線性自聯想、線性壓縮型bp網則為隱式的主元分析方法,它們都是把人臉表示為一些向量的加權和,這些向量是訓練集叉積陣的主特徵向量,valentin對此作了詳細討論。總之,特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的演算法,但由於它在本質上依賴於訓練集和測試集影象的灰度相關性,而且要求測試影象與訓練集比較像,所以它有著很大的侷限性。

基於kl 變換的特徵人臉識別方法

基本原理:

kl變換是圖象壓縮中的一種最優正交變換,人們將它用於統計特徵提取,從而形成了子空間法模式識別的基礎,若將kl變換用於人臉識別,則需假設人臉處於低維線性空間,且不同人臉具有可分性,由於高維圖象空間kl變換後可得到一組新的正交基,因此可通過保留部分正交基,以生成低維人臉空間,而低維空間的基則是通過分析人臉訓練樣本集的統計特性來獲得,kl變換的生成矩陣可以是訓練樣本集的總體散佈矩陣,也可以是訓練樣本集的類間散佈矩陣,即可採用同一人的數張圖象的平均來進行訓練,這樣可在一定程度上消除光線等的干擾,且計算量也得到減少,而識別率不會下降。

4. 基於彈性模型的方法

lades等人針對畸變不變性的物體識別提出了動態連結模型 (dla),將物體用稀疏圖形來描述 (見下圖),其頂點用區域性能量譜的多尺度描述來標記,邊則表示拓撲連線關係並用幾何距離來標記,然後應用塑性圖形匹配技術來尋找最近的已知圖形。wiscott等人在此基礎上作了改進,用feret影象庫做實驗,用 300幅人臉影象和另外 300幅影象作比較,準確率達到 97.3%。

此方法的缺點是計算量非常巨大 。

nastar將人臉影象 (ⅰ ) (x,y)建模為可變形的 3d網格表面 (x,y,i(x,y) ) (如下圖所示 ),從而將人臉匹配問題轉化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形,並根據變形的情況判斷兩張**是否為同一個人。這種方法的特點在於將空間 (x,y)和灰度i(x,y)放在了一個 3d空間中同時考慮,實驗表明識別結果明顯優於特徵臉方法。

lanitis等提出靈活表現模型方法,通過自動定位人臉的顯著特徵點將人臉編碼為 83個模型引數,並利用辨別分析的方法進行基於形狀資訊的人臉識別。彈性圖匹配技術是一種基於幾何特徵和對灰度分佈資訊進行小波紋理分析相結合的識別演算法,由於該演算法較好的利用了人臉的結構和灰度分佈資訊,而且還具有自動精確定位面部特徵點的功能,因而具有良好的識別效果,適應性強識別率較高,該技術在feret測試中若干指標名列前茅,其缺點是時間複雜度高,速度較慢,實現複雜。

5. 神經網路方法(neural networks)

人工神經網路是一種非線性動力學系統,具有良好的自組織、自適應能力。目前神經網路方法在人臉識別中的研究方興未艾。valentin提出一種方法,首先提取人臉的 50個主元,然後用自相關神經網路將它對映到 5維空間中,再用一個普通的多層感知器進行判別,對一些簡單的測試影象效果較好;intrator等提出了一種混合型神經網路來進行人臉識別,其中非監督神經網路用於特徵提取,而監督神經網路用於分類。

lee等將人臉的特點用六條規則描述,然後根據這六條規則進行五官的定位,將五官之間的幾何距離輸入模糊神經網路進行識別,效果較一般的基於歐氏距離的方法有較大改善,laurence等採用卷積神經網路方法進行人臉識別,由於卷積神經網路中整合了相鄰畫素之間的相關性知識,從而在一定程度上獲得了對影象平移、旋轉和區域性變形的不變性,因此得到非常理想的識別結果,lin等提出了基於概率決策的神經網路方法 (pdbnn),其主要思想是採用虛擬 (正反例 )樣本進行強化和反強化學習,從而得到較為理想的概率估計結果,並採用模組化的網路結構 (ocon)加快網路的學習。這種方法在人臉檢測、人臉定位和人臉識別的各個步驟上都得到了較好的應用,其它研究還有 :dai等提出用hopfield網路進行低解析度人臉聯想與識別,gutta等提出將rbf與樹型分類器結合起來進行人臉識別的混合分類器模型,phillips等人將matchingpursuit濾波器用於人臉識別,國內則採用統計學習理論中的支撐向量機進行人臉分類。

神經網路方法在人臉識別上的應用比起前述幾類方法來有一定的優勢,因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的,而神經網路方法則可以通過學習的過程獲得對這些規律和規則的隱性表達,它的適應性更強,一般也比較容易實現。因此人工神經網路識別速度快,但識別率低 。而神經網路方法通常需要將人臉作為一個一維向量輸入,因此輸入節點龐大,其識別重要的一個目標就是降維處理。

pca的演算法描述:利用主元分析法 (即 principle component analysis,簡稱 pca)進行識別是由 anderson和 kohonen提出的。由於 pca在將高維向量向低維向量轉化時,使低維向量各分量的方差最大,且各分量互不相關,因此可以達到最優的特徵抽取。

我想問一下有沒有學習心理學的人

也許個人本身並不是這樣想的,但是在某個心情不好的時段,很有可能會把話語當成一種發洩的方式,作為朋友在這個時候應該理解他,不要因為一句話,就覺得他太差勁,然後總想他的缺點,這樣下去你會越來越討厭他,最後導致兩個人感情破裂,人和人在一起是緣分,多想想朋友的優點,有的問題還是可以包容的 先要看你是什麼心理...

有沒有好歌一下,有沒有好歌推薦一下

1,即使知道要見面 2,tiamo 3,捨不得 4,pretty boyfloyd 5,le temps bas6,相信愛 7,to thedancers onice 伴奏 8,聽!是誰在唱歌 9,愛的翅膀 10,我難過 11,because ofyou 12,我們怎麼了 14,彩虹天堂 15,分手...

想問一下有沒有人知道這是什麼石頭

呵呵,看上去不像自然生成的岩石,不排除隕石或人造石的可能,如果是石灰石也是加工後的剩餘物。你的這塊石頭應該是化石。請問有沒有人知道這是什麼石頭?這是銅礦石,應該屬於藍銅礦。銅礦石是銅元素主要以化合物形式,少數以單質形式存在的礦物形態。自然界中的含銅礦石有200多種,常見的銅礦可分為自然銅 硫化礦和氧...