人臉描述是人臉識別的核心問題之一

人臉識別的研究實踐表明，在人臉三維形狀信息難以準確獲取的情況下，從圖像數(shù)據(jù)中提取多方位、多尺度Gabor特征是一種合適的選擇。 利用Gabor特征進行人臉識別的典型方法有彈性地圖匹配(EGM)和Gabor特征判別分類(GFC)。 在實踐中，EGM需要解決關(guān)鍵特征點定位問題，速度難以提高;而GFC直接使用PCA來減小下采樣Gabor特征的尺寸，進行判別分析。 雖然這避免了關(guān)鍵特征點精確定位的困難，但下采樣樣本的特征維度仍然偏高，需要簡單的下采樣策略。 可能缺少了很多有用的特性。針對上面的問題,我們考慮如何有效降低伽柏的尺寸特性,并應(yīng)用創(chuàng)新學習演算法,目前的擔憂,伽柏特征提取的選擇最有利的特性識別(我們稱之為選擇伽柏特性AdaGabor特性)。 最后，通過對AdaGabor特征的判別分析(AGFC識別方法)來實現(xiàn)識別。 通過對casc - peal和FERET人臉圖像數(shù)據(jù)庫的實驗表明，AGFC方法不僅可以大大減小Gabor特征的維數(shù)，而且可以更有效地避免“維數(shù)災(zāi)難問題”，降低計算復(fù)雜度，提高識別精度。 通過比較AGFC能量法和GFC,可以看出,能量法和GFC都是主觀選擇幾個關(guān)鍵面部特征點提取面部特征表示,雖然AGFC我們提出的方法來自動選擇伽柏特性發(fā)揮關(guān)鍵作用通過機器學習在區(qū)分不同的面孔。請看下面三者之間的區(qū)別和關(guān)系。基于SV SV - kfd_abstract:支持向量機(support vector machine, SVM)和Kernel_Fisher分析法是用核方法解決線性不可分問題的兩種不同方法。 在一起。首先，在基于支持向量的類內(nèi)散度矩陣的前提下，證明了支持向量機最優(yōu)分類曲面的法向量具有零空間性質(zhì)。在此基礎(chǔ)上，我們定義了kernelized_decision_boundaries y_feature_matrix，簡稱KDBFM。最后，我們使用基于零空間的Kernel_Fis。她的方法計算投影空間。提出了一種將類平均向量差與KDBFM相結(jié)合的擴展決策邊界特征矩陣的構(gòu)造方法。 這兩種方法已成功應(yīng)用于人臉識別領(lǐng)域。實驗結(jié)果表明，該方法比傳統(tǒng)的人臉識別算法具有更好的識別性能。是的?；谔囟ㄈ四樧涌臻g的人臉識別問題:特征人臉是人臉識別領(lǐng)域最著名的算法之一，它本質(zhì)上是通過PCA得到人臉圖像分布的線性子空間。但這種空間反映出，對于識別來說，這樣的特征不一定有利于識別。 識別任務(wù)需要那些最有可能區(qū)分不同面孔的特征。 在“feature face”方法中，每個人都有一個face子空間，而我們的方法是為每個個體的face子空間建立一個私有的face子空間，這樣不僅可以更好地描述不同個體的面部差異，還可以盡可能的放棄識別。由于類內(nèi)差分和噪聲的不足，它比傳統(tǒng)的特征人臉算法具有更好的識別能力。此外,針對人臉識別的問題只有一個訓練樣本為每個單獨的標識,我們提出一種技術(shù)生成多個基于單個樣本訓練樣本,所以個人面臨子空間方法需要多個訓練樣本可以應(yīng)用于人臉識別與一個訓練樣本。 通過對耶魯人臉數(shù)據(jù)庫B的對比實驗也表明，該方法在一定范圍內(nèi)的面部表情、光照、姿態(tài)變化等方面都優(yōu)于傳統(tǒng)的特征人臉方法和模板匹配方法。