数字图像处理--人脸识别
合集下载
相关主题
- 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)。
在训练阶段，每个已知人脸Ｒｉ映射到特征脸子空间， 得到ｍ维向量：
4.0 基于PCA算法的人脸识别
在识别阶段，首先把待识别图像Ｒ映射到特征脸子空 间，得到向量：
4.0 基于PCA算法的人脸识别
采用最小距离法（欧式距离）对人脸进行 分类，分类规则如下： ε≥θc, 则输入图像不是人脸图像； （1）若ε≥θc, （2）若 则输入图像包 含未知人脸； （3）若 则输入图像为库中 第k个人的人脸。
结 束
谢 谢！
——刘世伟
一 一类是回答“ 我是谁？”的问题，即身份识别。
另一类是回答“ 这个人是我吗？”，即身份验证。
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
2.0 人脸识别过程
人脸识别实现过程基本框图
一个完整的人脸识别系统包括人脸检测与定位、人脸图像 预处理、人脸特征提取、分类识别等
1. 关
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
3.0 人脸识别技术难点
当前人们的研究主要集中在寻找识别率更高、稳定性更好、计
算代价更低、实用性更强的人脸识别系统。但是由于各种客观条件
的限制，目前尚没有一种方法可以兼有上述所有性能。 影响人脸识别系统性能的客观因素有很多，也很复杂，主要是
2.0 人脸识别过程
人脸识别过程需要完成以下几方面的工作：
人脸检测：从各种场景中检测出人脸的存在，并从 场景中准确分离出人脸区域；
预处理：校正人脸尺度、光照以及旋转等方面的变 化，得到规范化的人脸图像；
特征提取：从人脸图像中提取出人脸具有代表性的 特征信息，并用一定的方式加以描述； 人脸识别：根据所提取的特征信息，将待识别的人 脸与数据库中的人脸进行比较，找到数据库中最相 似的人脸 由于各方面对人脸识别系统的迫切需求，人脸特征 提取与识别是人脸识别系统的重点。
数字图像处理
人脸识别
信息科学与技术学院 刘世伟 2016年7月27日
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
1.0 关于人脸识别
人脸识别是人类视觉最杰出的能力之一，是一个活 跃的研究领域。 最容易被接受的生物特征识别方式。 人脸识别用途细分为两类：
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别具体算法
5. 总 结
5.0 总结
在Opencv中使用PCA算法非常简单，只要几条语句就可以 了，这是我利用VS2010+Opencv做的人脸检测程序。
存在的问题： 1.抗干扰能力较差。 2.训练的时间较长，执行效率不够高。
具有的优点： 1.不需要对图像进行过多的预处理， PCA本身就能实现降噪的功能； 2. 能有效地识别人脸，且过程相对简 单，主要是图像数据的处理和矩阵的 运算； 3.由于是通过低维子空间表示的，可 以对图像的数据进行一定地压缩，从 而减少了计算量，提高运行速度。
5.0 总结
探索方向
人脸识别方法有很多种，每种人脸识别方法又都 各有优缺点，如何充分利用现有的各种人脸识别方 法，发挥某一类方法的优点，克服某一类方法的缺 点，将它们进行有效的综合和组合，是当下一个探 索的方向。
4.0 基于PCA算法的人脸识别
• PCA方法由于其在降维和特征提取方面的 有效性，在人脸识别领域得到了广泛 的应用。 • PCA方法的基本原理是:利用K-L变换抽取人 脸的主要成分，构成特征脸空间，识别时 将测试图像投影到此空间，得到一组投影 系数，通过与各个人脸图像比较进行识别。
4.0 基于PCA算法的人脸识别
以下这些：
①光照条件：光照条件的影响主要体现在实际条件下光照强度的未 知变化以及光照不均匀对成像带来的影响，这可以直接体现在图像
的灰度值上。人们解决光照影响的方法主要有获取实时光照参数、
对图像做光照补偿和灰度预处理等。获取实时光照参数以及进行光 照补偿这两种方法都比较复杂，因此大量应用并不现实。
3.0 人脸识别技术难点
②人脸姿态和表情：因为实时人脸识别需要在非接触非告知的条件下获取
被测人脸图像，因此，被测人脸姿态和表情都是无法控制的因素，这给人 脸识别带来了极大的挑战。人脸姿态反映的是头部姿势，包括头的俯仰、 摇摆以及旋转等动作引起的变化，因此，头部姿态势必引起许多关键信息 被遮挡。人脸表情则比姿态更难以控制，人的面部表情千变万化，并且不 同器官表情的变化相对独立，很难用准确的模型去描述其变化规律。通常 解决这类问题的方法有姿态补偿、姿态和表情估计等。
③数据库人脸图像的缺少：这是限制人脸识别技术的一个客观因素，因为
要想识别出实时人脸，则必须在数据库中有此人的人脸信息，而现实中我
们又不可能把每个人脸信息都存入数据库，就算是目前科研界最通用的人 脸库如ORL、Yale等也只有数十到数百个人脸的信息，要想达到实用也是
远远不够的。
1. 关于人脸识别
2. 人脸识别过程
计算特征脸： 设人脸图像I（x,y）为二维N*N灰度图像，用N 维向量R表示。人脸图像训练集为{Ri|i=1,…， M},其中M为训练集中图像总数，这M幅图像的 平均人脸为： 1 i M
R M
i 1 i
每个人脸Ri与平均人脸ψ的差值向量是：
4.0 基于PCA算法的人脸识别
• 利用特征脸进行人脸识别的过程由训练阶 段和识别阶段两个阶段组成 ：
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
4.0 基于PCA算法的人脸识别
主成分分析简介
• Principal Component Analysis（PCA） • 主成分分析(Principal Component Analysis, 简称PCA)是一种常用的基于 变量协方差矩阵对信息进行处理、压 缩和抽提的有效方法。
4.0 基于PCA算法的人脸识别
在识别阶段，首先把待识别图像Ｒ映射到特征脸子空 间，得到向量：
4.0 基于PCA算法的人脸识别
采用最小距离法（欧式距离）对人脸进行 分类，分类规则如下： ε≥θc, 则输入图像不是人脸图像； （1）若ε≥θc, （2）若 则输入图像包 含未知人脸； （3）若 则输入图像为库中 第k个人的人脸。
结 束
谢 谢！
——刘世伟
一 一类是回答“ 我是谁？”的问题，即身份识别。
另一类是回答“ 这个人是我吗？”，即身份验证。
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
2.0 人脸识别过程
人脸识别实现过程基本框图
一个完整的人脸识别系统包括人脸检测与定位、人脸图像 预处理、人脸特征提取、分类识别等
1. 关
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
3.0 人脸识别技术难点
当前人们的研究主要集中在寻找识别率更高、稳定性更好、计
算代价更低、实用性更强的人脸识别系统。但是由于各种客观条件
的限制，目前尚没有一种方法可以兼有上述所有性能。 影响人脸识别系统性能的客观因素有很多，也很复杂，主要是
2.0 人脸识别过程
人脸识别过程需要完成以下几方面的工作：
人脸检测：从各种场景中检测出人脸的存在，并从 场景中准确分离出人脸区域；
预处理：校正人脸尺度、光照以及旋转等方面的变 化，得到规范化的人脸图像；
特征提取：从人脸图像中提取出人脸具有代表性的 特征信息，并用一定的方式加以描述； 人脸识别：根据所提取的特征信息，将待识别的人 脸与数据库中的人脸进行比较，找到数据库中最相 似的人脸 由于各方面对人脸识别系统的迫切需求，人脸特征 提取与识别是人脸识别系统的重点。
数字图像处理
人脸识别
信息科学与技术学院 刘世伟 2016年7月27日
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
1.0 关于人脸识别
人脸识别是人类视觉最杰出的能力之一，是一个活 跃的研究领域。 最容易被接受的生物特征识别方式。 人脸识别用途细分为两类：
1. 关于人脸识别
2. 人脸识别过程
目 录
3. 人脸识别技术难点
4. 人脸识别具体算法
5. 总 结
5.0 总结
在Opencv中使用PCA算法非常简单，只要几条语句就可以 了，这是我利用VS2010+Opencv做的人脸检测程序。
存在的问题： 1.抗干扰能力较差。 2.训练的时间较长，执行效率不够高。
具有的优点： 1.不需要对图像进行过多的预处理， PCA本身就能实现降噪的功能； 2. 能有效地识别人脸，且过程相对简 单，主要是图像数据的处理和矩阵的 运算； 3.由于是通过低维子空间表示的，可 以对图像的数据进行一定地压缩，从 而减少了计算量，提高运行速度。
5.0 总结
探索方向
人脸识别方法有很多种，每种人脸识别方法又都 各有优缺点，如何充分利用现有的各种人脸识别方 法，发挥某一类方法的优点，克服某一类方法的缺 点，将它们进行有效的综合和组合，是当下一个探 索的方向。
4.0 基于PCA算法的人脸识别
• PCA方法由于其在降维和特征提取方面的 有效性，在人脸识别领域得到了广泛 的应用。 • PCA方法的基本原理是:利用K-L变换抽取人 脸的主要成分，构成特征脸空间，识别时 将测试图像投影到此空间，得到一组投影 系数，通过与各个人脸图像比较进行识别。
4.0 基于PCA算法的人脸识别
以下这些：
①光照条件：光照条件的影响主要体现在实际条件下光照强度的未 知变化以及光照不均匀对成像带来的影响，这可以直接体现在图像
的灰度值上。人们解决光照影响的方法主要有获取实时光照参数、
对图像做光照补偿和灰度预处理等。获取实时光照参数以及进行光 照补偿这两种方法都比较复杂，因此大量应用并不现实。
3.0 人脸识别技术难点
②人脸姿态和表情：因为实时人脸识别需要在非接触非告知的条件下获取
被测人脸图像，因此，被测人脸姿态和表情都是无法控制的因素，这给人 脸识别带来了极大的挑战。人脸姿态反映的是头部姿势，包括头的俯仰、 摇摆以及旋转等动作引起的变化，因此，头部姿态势必引起许多关键信息 被遮挡。人脸表情则比姿态更难以控制，人的面部表情千变万化，并且不 同器官表情的变化相对独立，很难用准确的模型去描述其变化规律。通常 解决这类问题的方法有姿态补偿、姿态和表情估计等。
③数据库人脸图像的缺少：这是限制人脸识别技术的一个客观因素，因为
要想识别出实时人脸，则必须在数据库中有此人的人脸信息，而现实中我
们又不可能把每个人脸信息都存入数据库，就算是目前科研界最通用的人 脸库如ORL、Yale等也只有数十到数百个人脸的信息，要想达到实用也是
远远不够的。
1. 关于人脸识别
2. 人脸识别过程
计算特征脸： 设人脸图像I（x,y）为二维N*N灰度图像，用N 维向量R表示。人脸图像训练集为{Ri|i=1,…， M},其中M为训练集中图像总数，这M幅图像的 平均人脸为： 1 i M
R M
i 1 i
每个人脸Ri与平均人脸ψ的差值向量是：
4.0 基于PCA算法的人脸识别
• 利用特征脸进行人脸识别的过程由训练阶 段和识别阶段两个阶段组成 ：
目 录
3. 人脸识别技术难点
4. 人脸识别方法 5. 总 结
4.0 基于PCA算法的人脸识别
主成分分析简介
• Principal Component Analysis（PCA） • 主成分分析(Principal Component Analysis, 简称PCA)是一种常用的基于 变量协方差矩阵对信息进行处理、压 缩和抽提的有效方法。