特征脸识别
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Eigenfaces for Recognition
讲解人： 讲解人：xxxx
提纲
作者信息 文章方法信息 具体方法介绍 实验 总结
作者信息
Matthew Turk Professor Computer Science Department Media Arts and Technology Program University of California, Santa Barbara Research interests: Computer vision and imaging, perceptual
具体方法介绍
用特征脸来检测人脸的步骤：
1. 2. 3. 4.
对新的图像进行标准化： 向特征空间投影： 计算： 如果 （ 则认为 称为到人脸空间的距离） 是人脸（ 事先设定）
具体方法介绍
原始图像向特征空间的投影（K=7）
具体方法介绍
到人脸空间的距离 第一福为29.8 第一幅为58.5 第三幅为5217.4
权重是投影系数
具体方法介绍
训练集中的人脸图像就可以用权重向量来表示
具体方法介绍
用特征脸来识别人脸的步骤：
1. 2.
对新的图像进行标准化： 向特征空间投影：
3.
用权重向量表示：
具体方法介绍
４.与数据库中已有的图像进行比较 ５．如果 则认为是人脸ｌ（ 事先设定的）
可以用最简单的欧几里德距离来计算 但实验证明马氏距离更好
3.
对已知图来自百度文库计算其相应的K维权重空间分布 （通过将人脸图像投 影到人脸空间）
总结
检测并识别人脸：
1. 2. 3.
输入图像并将图像投影到每个特征脸，计算它们的权重向量 通过计算图像与人脸空间的距离来判断是否是人脸 如果是人脸，则根据权重向量与数据库中图像距离来判断是 “认识”或“不认识”（哪个人脸图像）
两边同乘以Ａ得，
可以看出
和
具有相同的特征值，特征向量之间有
具体方法介绍
所以我们发现： 有 个特征向量和特征值
有Ｍ个特征向量和特征值 的Ｍ特征值对应 可以计算 的前Ｍ个最大的特征值
的前Ｍ个最大的特征向量：
（规范化正交向量）
具体方法介绍
７.
从中选出前Ｋ个对应最大的特征值的特征向量
对于训练集中的每个图像去均值都可以用这Ｋ个特征向量的线性组 合表示：
总结
局限性：
• 没有考虑背景对识别的影响 • 对光照、尺度、方向变化不鲁棒（尺度变化最 敏感）
谢谢！ 谢谢！
实验
不同光照、尺度、方向变化
实验
用十六福图片做识别 实验 a为光照条件下的性能，b为 头部尺度变化，c为方向变化 d为方向和光照，e为方向与 尺度，f为方向与尺度，g为尺 度和光照，h为尺度和光照
实验
结论
•光照变化条件下96%正确率 •方向变化条件下85%正确率 •尺度变化条件下64%正确率
局限性
具体方法介绍
PCA步骤 步骤: 步骤
1.
选取训练集图像 （图像必须是集中的且尺寸大小相同）
2. 3. 4.
用向量表示： 求均值： 图像去均值：
具体方法介绍
５.
构造协方差矩阵：
６. 计算协方差矩阵的特征向量 因 很大，计算不实际，而 ，所以我们想 和
之间是不是有什么联系
具体方法介绍
假设 是 的特征向量则
interfaces, multimodal interaction, human-computer interaction, gesture recognition, artificial intelligence
文章方法信息
出发点：
图像或图像特征通常被向量化 人脸识别最简单的方法模板匹配 256×256图像，65636维 改善：可不可以将它投影到低维空间 用特征脸加权表示 怎样找到这个低维空间？（ＰＣＡ）
4. 5.
更新特征脸或权重向量 如果不认识的人脸出现多次，则计算它的权重向量并将其加入 数据库
总结
假设 为图像到人脸空间的距离， 为图像到数据库中图
像的距离， 为事先假设的图像到人脸空间及图像到数据 库中图像的最大允许距离，则 • • • • 可以识别是哪个人 可以检测为人脸但不认识 噪音 不能检测，认为不是人脸
没有考虑背景对识别的影响 光照变化条件下的性能下降 对尺度变化不鲁棒 • 多尺度特征脸 • 对输入的图像进行尺寸变化 方向变化条件下性能下降（比尺度差） • 平面旋转
总结
特征脸方法的步骤：
1. 2.
找一组原始的人脸图像作为训练集 计算训练集的特征脸，只保留特征值最大的K个特征脸，将这K个 特征脸定义为人脸空间，当有新的人脸进入时再进行更新或重新 计算
讲解人： 讲解人：xxxx
提纲
作者信息 文章方法信息 具体方法介绍 实验 总结
作者信息
Matthew Turk Professor Computer Science Department Media Arts and Technology Program University of California, Santa Barbara Research interests: Computer vision and imaging, perceptual
具体方法介绍
用特征脸来检测人脸的步骤：
1. 2. 3. 4.
对新的图像进行标准化： 向特征空间投影： 计算： 如果 （ 则认为 称为到人脸空间的距离） 是人脸（ 事先设定）
具体方法介绍
原始图像向特征空间的投影（K=7）
具体方法介绍
到人脸空间的距离 第一福为29.8 第一幅为58.5 第三幅为5217.4
权重是投影系数
具体方法介绍
训练集中的人脸图像就可以用权重向量来表示
具体方法介绍
用特征脸来识别人脸的步骤：
1. 2.
对新的图像进行标准化： 向特征空间投影：
3.
用权重向量表示：
具体方法介绍
４.与数据库中已有的图像进行比较 ５．如果 则认为是人脸ｌ（ 事先设定的）
可以用最简单的欧几里德距离来计算 但实验证明马氏距离更好
3.
对已知图来自百度文库计算其相应的K维权重空间分布 （通过将人脸图像投 影到人脸空间）
总结
检测并识别人脸：
1. 2. 3.
输入图像并将图像投影到每个特征脸，计算它们的权重向量 通过计算图像与人脸空间的距离来判断是否是人脸 如果是人脸，则根据权重向量与数据库中图像距离来判断是 “认识”或“不认识”（哪个人脸图像）
两边同乘以Ａ得，
可以看出
和
具有相同的特征值，特征向量之间有
具体方法介绍
所以我们发现： 有 个特征向量和特征值
有Ｍ个特征向量和特征值 的Ｍ特征值对应 可以计算 的前Ｍ个最大的特征值
的前Ｍ个最大的特征向量：
（规范化正交向量）
具体方法介绍
７.
从中选出前Ｋ个对应最大的特征值的特征向量
对于训练集中的每个图像去均值都可以用这Ｋ个特征向量的线性组 合表示：
总结
局限性：
• 没有考虑背景对识别的影响 • 对光照、尺度、方向变化不鲁棒（尺度变化最 敏感）
谢谢！ 谢谢！
实验
不同光照、尺度、方向变化
实验
用十六福图片做识别 实验 a为光照条件下的性能，b为 头部尺度变化，c为方向变化 d为方向和光照，e为方向与 尺度，f为方向与尺度，g为尺 度和光照，h为尺度和光照
实验
结论
•光照变化条件下96%正确率 •方向变化条件下85%正确率 •尺度变化条件下64%正确率
局限性
具体方法介绍
PCA步骤 步骤: 步骤
1.
选取训练集图像 （图像必须是集中的且尺寸大小相同）
2. 3. 4.
用向量表示： 求均值： 图像去均值：
具体方法介绍
５.
构造协方差矩阵：
６. 计算协方差矩阵的特征向量 因 很大，计算不实际，而 ，所以我们想 和
之间是不是有什么联系
具体方法介绍
假设 是 的特征向量则
interfaces, multimodal interaction, human-computer interaction, gesture recognition, artificial intelligence
文章方法信息
出发点：
图像或图像特征通常被向量化 人脸识别最简单的方法模板匹配 256×256图像，65636维 改善：可不可以将它投影到低维空间 用特征脸加权表示 怎样找到这个低维空间？（ＰＣＡ）
4. 5.
更新特征脸或权重向量 如果不认识的人脸出现多次，则计算它的权重向量并将其加入 数据库
总结
假设 为图像到人脸空间的距离， 为图像到数据库中图
像的距离， 为事先假设的图像到人脸空间及图像到数据 库中图像的最大允许距离，则 • • • • 可以识别是哪个人 可以检测为人脸但不认识 噪音 不能检测，认为不是人脸
没有考虑背景对识别的影响 光照变化条件下的性能下降 对尺度变化不鲁棒 • 多尺度特征脸 • 对输入的图像进行尺寸变化 方向变化条件下性能下降（比尺度差） • 平面旋转
总结
特征脸方法的步骤：
1. 2.
找一组原始的人脸图像作为训练集 计算训练集的特征脸，只保留特征值最大的K个特征脸，将这K个 特征脸定义为人脸空间，当有新的人脸进入时再进行更新或重新 计算