亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        PCA主成分分析在面部特征識(shí)別中的應(yīng)用

        2016-06-04 08:18:34崔延碩曾勇華張國(guó)雄成都理工大學(xué)信息科學(xué)與技術(shù)學(xué)院成都理工大學(xué)地球物理學(xué)院成都60059
        山東工業(yè)技術(shù) 2016年11期
        關(guān)鍵詞:降維

        崔延碩,曾勇華,張國(guó)雄(.成都理工大學(xué) 信息科學(xué)與技術(shù)學(xué)院;.成都理工大學(xué) 地球物理學(xué)院,成都 60059)

        ?

        PCA主成分分析在面部特征識(shí)別中的應(yīng)用

        崔延碩1,曾勇華2,張國(guó)雄1
        (1.成都理工大學(xué)信息科學(xué)與技術(shù)學(xué)院;2.成都理工大學(xué)地球物理學(xué)院,成都610059)

        摘要:在實(shí)際應(yīng)用中,面部往往看成高維數(shù)據(jù),因此會(huì)遇到維數(shù)災(zāi)難問(wèn)題,需要對(duì)數(shù)據(jù)降維方便特征提取。PCA(principal Component Analysis)算法能夠用于對(duì)原有數(shù)據(jù)進(jìn)行簡(jiǎn)化,將復(fù)雜數(shù)據(jù)降維,利用這個(gè)原理對(duì)高維面部圖像進(jìn)行表征,通過(guò)去除相關(guān)性,減少冗余,用相對(duì)較少的變量來(lái)表達(dá)面部最主要的特征,達(dá)到快速識(shí)別面部的目的。

        關(guān)鍵詞:PCA;降維;面部特征圖像;快速識(shí)別

        0 引言

        PCA方法是面部識(shí)別的主流方法之一, 主要用于數(shù)據(jù)降維,對(duì)于一系列sample的feature組成的多維向量,多維向量里的某些元素本身沒有區(qū)分性,用它做特征來(lái)區(qū)分,貢獻(xiàn)會(huì)非常小。所以我們的目的是找那些方差大的那些維,而去除掉那些變化不大的維,從而使feature留下的都是“精品”,減低計(jì)算量。

        1 PCA算法基本原理

        在整體面部近似重建方面,PCA方法已被廣泛應(yīng)用于面部特征識(shí)別領(lǐng)域。使用加權(quán)組合的特征向量,把給定的圖像用被看成全局面部的特征圖像進(jìn)行擴(kuò)展。人臉數(shù)據(jù)庫(kù)中所有面部被以高維向量構(gòu)造出整個(gè)圖像空間。由于面部都有相似的結(jié)構(gòu)(眼睛,鼻子和嘴等),所以描述面部的向量之間相互聯(lián)系,因此面部特征圖像可以用一組由訓(xùn)練面部圖像協(xié)方差矩陣產(chǎn)生的特征向量表示。這個(gè)想法來(lái)自于特征圖像是去找到一個(gè)更低維空間,用短的向量描述面部特征。圖1為圖像和面部特征空間坐標(biāo)系。

        1.1計(jì)算特征臉

        假設(shè)人臉數(shù)據(jù)庫(kù)的面部圖像是W*W的。一組圖像相當(dāng)于一組在高維空間的點(diǎn)。

        臉部圖像在結(jié)構(gòu)上相似,這些點(diǎn)的分布伴隨一定的規(guī)律,因此可以使用低緯子空間進(jìn)行描述。PCA給出了這個(gè)子空間的基向量,每個(gè)基向量的長(zhǎng),同時(shí)協(xié)防差矩陣的特征向量與原面部圖像相一致。

        I1,I2,….,IM為一組面部特征圖像訓(xùn)練集。平均臉定義為:

        每個(gè)臉偏離平均臉程度用向量Yi= Ii-A 表示,協(xié)方差矩陣C為:

        協(xié)方差矩陣的特征向量被計(jì)算出來(lái),同時(shí)選擇M'最大特征值對(duì)應(yīng)的特征向量作為有意義的特征向量。從這些特征向量,每一幅圖像在訓(xùn)練組的分量通過(guò)如下計(jì)算出來(lái)

        1.2分類

        測(cè)試圖像Itest通過(guò)以下操作如下放入面部空間

        權(quán)重WiK組成一個(gè)向量,這個(gè)描述每一個(gè)輸入臉部圖像的特征臉的貢獻(xiàn)。這個(gè)向量可以用來(lái)使測(cè)試圖像與預(yù)先確定的臉部類相匹配。一個(gè)簡(jiǎn)單的技巧是通過(guò)Tp計(jì)算WtestK的距離,其中Tp是pth類的均值向量。當(dāng)min(Dp)< θ時(shí),這個(gè)測(cè)試圖像可以認(rèn)為是p類的,其中Dv=|| Wtest-Tv||和θi是閥值。

        2 分區(qū)域PCA方法

        基于PCA的面部特征識(shí)別方法在多姿態(tài)和光照變化的情況下不是非常有效。如果面部特征圖像被分成較小的區(qū)域,計(jì)算每一個(gè)區(qū)域的權(quán)重向量,這些權(quán)重包含更多本地面部信息。當(dāng)只有姿態(tài)或光照一種因素變化時(shí),只有一些區(qū)域?qū)?huì)變化,其他區(qū)域?qū)?huì)與前保持一致,所以臉部區(qū)域權(quán)重可以降低受到變化的姿態(tài)和光照的影響。因此期望通過(guò)以下分區(qū)域PCA方法提高識(shí)別率。我們預(yù)計(jì)如果面部特征圖像被分成非常小的區(qū)域面部特征將可能會(huì)丟失全局信息,同時(shí)這種方法的準(zhǔn)確性可能會(huì)惡化。在這個(gè)方法中,每一幅在訓(xùn)練集中的圖像被分成N個(gè)小的圖像。因此每個(gè)子圖的大小將是。這些子圖用數(shù)學(xué)表示為:

        其中i從1到M,M是訓(xùn)練集中圖像的數(shù)量,j從1到N,N是子圖的數(shù)量,m和n從1到。

        所有訓(xùn)練子圖的均值圖通過(guò)以下計(jì)算出來(lái):

        下一步通過(guò)減去均值來(lái)標(biāo)準(zhǔn)化每個(gè)訓(xùn)練子圖:

        通過(guò)標(biāo)準(zhǔn)化子圖的可以計(jì)算協(xié)防差矩陣如下:

        下一步我們發(fā)現(xiàn)C的特征向量與最大的特征值相關(guān)聯(lián)。我們把特征向量記為。通過(guò)特征向量計(jì)算權(quán)重如下所示:

        其中K取值為1,2,…,M',n從1到Γ,Γ為每個(gè)人的圖片數(shù)量,p從1到P,P為訓(xùn)練集中人的數(shù)量。

        在訓(xùn)練集中每一類均值權(quán)重集通過(guò)類的權(quán)重組計(jì)算出來(lái)。如下所示:

        下一步通過(guò)如下所示計(jì)算出最小距離:

        min(Dν)<θi,p為一個(gè)特定的值。由于在訓(xùn)練集對(duì)應(yīng)的面部特征類是最接近測(cè)試圖像。因此測(cè)試圖像被公認(rèn)為屬于pth面部特征類。

        3 小結(jié)

        本文研究的是PCA主成分分析在面部特征識(shí)別中的應(yīng)用。通過(guò)測(cè)試發(fā)現(xiàn)在光照穩(wěn)定,正面姿態(tài),無(wú)遮擋情況下,基于PCA的人臉識(shí)別系統(tǒng)的識(shí)別率高,反應(yīng)迅速。為了提高在多姿態(tài)和光照變化的情況下基于PCA的面部特征識(shí)別系統(tǒng)的性能和適應(yīng)性,我們嘗試提出分區(qū)域PCA方法進(jìn)行改進(jìn):

        分區(qū)域PCA方法將面部特征圖像分區(qū)域計(jì)算權(quán)重向量。能在光照,發(fā)型變更或背景變化的條件下包含足夠本地面部信息,在角度,光照,尺寸和表情變換的情況下仍然保證性能可靠。

        參考文獻(xiàn):

        [1]李武軍,王崇駿,張煒,陳世福.面部特征識(shí)別研究綜述[J].模式識(shí)別與人工智能,2006,20(02):470-475.

        [2]W.ZHAO Face Recognition:A Literature Survey ACM Computing Surveys,Vol.35 ,No,4December 2003,pp.399-458.

        [3]Y.kaya and K.Kobayashi,”A basic study on human face recognition[J] ”,F(xiàn)rontiers of patern Recognition cs Watanabe,Ed,2000:265-269

        [4]Johnson C, Seidel J, and Sofer A. Interior point methodology for 3-D PET reconstruction[J]. IEEE Transactions on Medical Imaging,2000,19(04):271-285.

        [5]Yang MH, Kriegman D, Ahuja N. Detecting faces in images: A survey. IEEE Trans Pattern Analysis and Machine Intelligence,2002,24(01):34-58.

        [6]Hjelmas E. Face Detection: A Survey. Computer Vision and Image Understanding 83,236-274(2001).

        DOI:10.16640/j.cnki.37-1222/t.2016.11.209

        猜你喜歡
        降維
        Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
        混動(dòng)成為降維打擊的實(shí)力 東風(fēng)風(fēng)神皓極
        車主之友(2022年4期)2022-08-27 00:57:12
        降維打擊
        海峽姐妹(2019年12期)2020-01-14 03:24:40
        一種改進(jìn)的稀疏保持投影算法在高光譜數(shù)據(jù)降維中的應(yīng)用
        拋物化Navier-Stokes方程的降維仿真模型
        基于特征聯(lián)合和偏最小二乘降維的手勢(shì)識(shí)別
        亚洲最大视频一区二区三区| 久久久精品人妻一区亚美研究所| 久久精品国产99久久丝袜| 视频精品亚洲一区二区| 亚洲乱码中文字幕视频| 成年女人vr免费视频| 内射后入在线观看一区| 99亚洲乱人伦精品| 新视觉亚洲三区二区一区理伦| 国产色视频一区二区三区qq号| 又爽又黄又无遮挡的激情视频| 久久国产成人亚洲精品影院老金| 一本之道加勒比在线观看| 狠狠躁夜夜躁av网站中文字幕| 99久久人妻精品免费二区| 亚洲区日韩精品中文字幕| av免费在线观看网站大全| 精品欧美一区二区三区久久久| 亚洲色大成网站www久久九| 久久久久亚洲AV成人网毛片| 日本视频一区二区这里只有精品 | 日本一区二区三区四区高清不卡| 色噜噜久久综合伊人一本| 久久天天躁夜夜躁狠狠躁2022| 蜜臀av一区二区三区人妻在线| 中国少妇久久一区二区三区| 免费无码a片一区二三区| 国产精品不卡无毒在线观看| 蜜桃在线观看视频在线观看| 亚洲av成人精品一区二区三区| 精品午夜福利无人区乱码一区| 91久久国产自产拍夜夜嗨| 男人的天堂av你懂得| 午夜亚洲av日韩av无码大全| 久久久久无码国产精品不卡 | 国产精品国产亚洲精品看不卡| 欧美日韩亚洲tv不卡久久| 亚洲国产精品综合久久20 | 日本女同伦理片在线观看| 国产精品国产三级国产专播下 | 香蕉久久一区二区不卡无毒影院|