特征脸识别

EigenfacesforRecognition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MatthewTurkProfessorComputerScienceDepartmentMediaArtsandTechnologyProgramUniversityofCalifornia,SantaBarbaraResearchinterests:Computervisionandimaging,perceptualinterfaces,multimodalinteraction,human-computerinteraction,gesturerecognition,artificialintelligence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）具体方法介绍PCA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.用向量表示：3.求均值：4.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特征值对应的前Ｍ个最大的特征值可以计算的前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：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.对新的图像进行标准化：2.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具体方法介绍用特征脸来检测人脸的步骤：1.对新的图像进行标准化：2.向特征空间投影：3.计算：（称为到人脸空间的距离）4.如果则认为是人脸（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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方向变化条件下性能下降（比尺度差）•多尺度特征脸•对输入的图像进行尺寸变化•平面旋转总结特征脸方法的步骤：1.找一组原始的人脸图像作为训练集2.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3.对已知图像计算其相应的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.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2.通过计算图像与人脸空间的距离来判断是否是人脸3.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）4.更新特征脸或权重向量5.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！