未来智讯 > 人脸语音识别论文 > 面部识别技能和应用
人脸识别与应用技巧:未知摘要:人脸识别技术必须重点应用,而且由于人脸识别容易受到障碍物的影响,学习这门学科也面临着很多公司的痛苦,本文分析了目前的知名度。 首先是少数人脸识别方法,指出征服难点的要点,并对未来的讨论做出预测,并提出了长远的观点。 P关键词:人脸识别; 几何特征; 特征面; 神经网络1引言人脸识别技术是一种生物识别技术,它结合了图像处理,模式识别,人类心理学,认知科学等众多领域的讨论,因为人脸识别具有极为普遍的特点。 在身份认证,视觉监控等方面的应用前景,与指纹等生物学特征相比,虽然人脸识别一对一比较指纹和虹膜识别效果较差,但在处理安全要求的一般环境中, 人脸识别足以满足需求。 人脸识别具有友谊,直接,易打猎的特点。 近年来,人脸识别一直是科技人员的热点问题。 面部识别技术是指从包含面部的静态或运动图像信息中锻炼面部的生物特征,并确定将生物特征与已知信息进行比较以识别突出身份的算法。 在人脸识别技术的早期,Bledsoe [1]基于面部特征的间距和比例等参数构建了半主动人脸识别系统。 在3D人脸学习过程中,Parke [2]对人脸模型进行参数化,并可以对参数的变化进行简单的动画制作。 然后,提出了使用面部纹理合成图像的技术,几何模型变形的建模方法等。 2人脸识别系统的组成人脸识别系统主要由人脸检测和定位[3],人脸归一化,人脸表示和人脸识别组成。 当处理输入图像时,主要分析它,并且提取可能的面部,然后对面部进行标准化并且在照明,角度等方面校正面部。 然后,使用算法来表示检测到的面部,最后将显示的数据与数据库中的数据进行匹配。 3分析人脸识别的难度有很多因素可以影响人脸识别[4],最典型的因素如光线,姿势,情绪,风景,年龄等,这些因素改变了城市使人们 面部图像是完全不同的,因此大大降低了正确的识别率。 国外有用的算法可以完全解决消除这些因素的影响。 光和姿势这两个因素是影响人脸识别的两个最严重的因素。 为了消除它们对游戏识别的影响,并处理照明的影响,一般的选择是扩展样本空间,在各种照明和手势下收集样本,并在匹配时识别输入。在各种先决条件下图像和样本之间的差异。 另一种方法是结合各种识别方法,运用直方图均衡和其他技术来处理图像,并提高脸部的亮度和对比度。 在姿态影响方面,可以选择弹性地图匹配的要点,跟踪面部特征点的变化,并预测姿势参数。 4人脸识别的主要技术4.1几何特征的基础早期人脸识别主要基于几何特征。 基本思想是锻炼面部主要布局特征点的相对位置和相对距离。 该方法使用几何特征向量来表示面部。 首先,检测人脸的特征点,确定这些特征点的相对距离,得到特征向量,如鼻子,眼睛,嘴巴的宽度和位置,以及它们之间的欧几里德距离。 ,这些特征向量用于表达人脸。 将搜索到的特征向量与数据库中已有的数据匹配,直到找到最佳匹配。 几何特征的原理很简单,识别速度快,缺点是精度低。 4.2基于代数特征的要点代数属性的要点是找到一种不仅在低维空间中转换人脸图像的转换,而且还具有出色的面部表现能力和收敛性。 类。 主要方法分为以下三种:4.2.1基于特征面部法,主要的分析法(PCA)[5]。 主要的额外分析是一种常见的方法。 它对图像的统计特征执行正交变换(K-L变换)以消除原始矢量之间的相关性。 KL变换是图像压缩中的最佳正交变换。 解析KL变换可以将图像从高维空间表示转换为低维空间,而从低维空间恢复的图像与原始图像进行比较,具有最小的均方差,从而图像可以在 低维空间。 变换系数用作面部图像的渲染特性。 主要特征向量占总能量的90%以上。 任何一对面部图像可以表示为该组特征向量的线性组合。 加权系数称为图像的代数性质。 4.2.2线性判断分析。 线性判断分析的基本思想是将样本从多维空间投影到直线上以形成一维特征空间,然后运用类的成员信息以形成一组特征向量。 训练样本的类内扩散矩阵。 类间扩散矩阵是基本器官的最佳投影空间,当样本数量较大时,线性判断分析优于主要的额外分析。 4.2.3自我强度分量的分析
自律分析不仅考虑了待识别信息的低阶统计信息,还考虑了高阶信息,并解决了高阶信息的基本要素。 根据信号排序统计特征。 已经区分的各种信号是自我依赖的。 基本思想是进行线性变换,找到一组相互自立的基础,并用它来描述样本数据。。 4.3神经网络要点人工神经网络[6]已经在生物神经网络中得到了根本性的发展。 Gutt等人。 提出了包含神经网络,Law rence等的多级SOM兑现样本。聚类,卷积神经网络CNN用于人脸识别。 在正常环境中,面部图像区域或包含面部的整个图像被用作神经网络的输入数据。 特征提取的维度由隐藏层节点的数量确定,输出层节点的数量是要识别的面部的类别。 数。 神经网络要点的缺点是输入节点很大,布局混乱,难以训练。 目前,人脸识别效率的神经网络要点在国外也很出色。 4.4弹性匹配要领在大多数方法的基础上,脸部整体形象的特征,面部姿势和情绪的变化对分类和识别有很大影响。 脸部图像的部分失真。 弹性地图匹配的基本部分特征具有一定的变形程度,大大消除了跟踪程度,提高了识别算法的鲁棒性。 该方法选择属性拓扑图来描述人脸模式,属性拓扑图的每个极点都包含一个特征向量,记录了极点位置的人脸分布信息,拓扑图可以作为小波特征, 统计特征等描绘了部分信息。 从二维稀疏网格到真实面部图像,映射的数量非常大,云云匹配需要很长时间。 在工作日,最难匹配用于找到匹配的最佳位置。 然后,从根本上说,随机选择极点用于匹配,这可以节省大量的战略时间。 5归纳和未来预测人脸识别技术已经研究多年,取得了很好的效果。 然而,在实际应用中仍存在许多困难,有必要进行快速,准确的检测和识别。 还有必要进行各种讨论。 为了构建一个强大的人脸识别系统,以下是一些需要解决的重要问题。 (1)正确的人脸检测是改善人脸识别的重要条件。 (1)多特征融合和多分类器融合是提高识别率的手腕。 (3)部分和整体信息的相互关联可以有效地描述面部的特征。 如何更好地提取和结合部分和整体的特点值得进一步研究。 参考文献[1]张翠萍。 人脸识别技术综述[J]。中国图象图形学报,2000.5(11):885-894。 [2] Parke F IA人脸参数模型[D]。 盐湖城:犹他大学,1974年。[3] Hjelmas E,Low B K.Face检测:一项调查。 计算机视觉与图像理解杂志,2001,83(3):236-274。 [4]何春风。 面部识别技能综述[J]。 微机增长,2003.12(12).75-78。 [5]董林。 人脸识别技能的最新进展与预测[J]。 安全技术,2011(10)22-25。 [6]邵红。 基于BP神经网络的人脸图像识别探讨[J]。沉阳工业大学学报,2002,24(6):1832-1837。
转载请注明来源。原文地址:https://www.7428.cn/page/2019/0426/86407/
 与本篇相关的热门内容: