李岩-基于RVM算法的人脸识别技术研究

单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,Company Logo,*,单击此处编辑母版标题样式,基于,RVM,算法的人脸识别技术研究,学 院：电气与电子工程,专 业：信号与信息处理,导 师：慕香永,副导师：柳长源,研究生：李 岩,报告内容,绪论,1,人脸识别技术概述,2,相关向量机,3,实验结果,5,基于,RVM,算法,的人脸识别,4,一、绪论,-,课题研究背景和意义,人脸识别的价值,人脸识别的优点,不易丢失和伪造,随身携带,更直接,更友好,使用者不会有任何心理负担,图像处理,模式识别,人工智能,计算机视觉,证件验证,刑侦破案,出入控制,信息安全,考勤,学术价值：,应用价值：,一、绪论,-,人脸识别的发展历程,实现了机器的自动识别，出现了,SVM,的人脸识别算法，也出现了很多人脸识别系统的商业公司,实现了人机交互，诞生了很多有代表性的人脸识别算法。,重点是确定人脸的几何特征，,进展缓慢，重要成果不多。,初级阶段,高潮阶段,快速发展阶段,二、,人脸识别技术概述,-,基本步骤,人脸识别的基本步骤,1,人,脸,检,测,3,2,4,图像预处理,特征提取,分类识别,二、,人脸识别技术概述,-,主要方法,几何特征,支持向量机,特征子空间,弹性图匹配,神经网络,隐马尔科夫,1,2,3,4,5,6,人脸识别的主要方法,三、相关向量机,-,RVM,的研究历史和研究现状,相关向量机,是由微软剑桥学院的学者在,2000,年最早提出的，国外关于,RVM,算法的研究有很多。,国内对,RVM,的研究起步较晚，且关于,RVM,算法的理论研究较少，主要集中在,RVM,的应用方面。目前，,RVM,算法已在故障检测、电能质量扰动分类和入侵检测等领域得到了初步应用，而在人脸识别技术上的应用还未见报道。,三、相关向量机,-,RVM,概述,相关向量机是一种基于贝叶斯概率理论的机器学习算法。在贝叶斯框架下，利用自相关判定理论移除不相关的点，获得稀疏化模型。与当前广泛应用的,SVM,相比，,RVM,克服了核函数必须满足,Mercer,条件的缺点，由于,RVM,对解的稀疏性要求较高，因此在保证精度的同时，缩短了运算时间。,三、相关向量机,-,RVM,分类模型的步骤,RVM,的分类函数：,超参数：,统计方差：,权值向量：,三、相关向量机,-,RVM,分类模型的步骤,四、基于,RVM,的人脸识别,-,系统框图,四、基于,RVM,的人脸识别,-,人脸图像库,ORL,人脸库,40,个个体，每个个体,10,幅图片，共,400,幅图片。,图像分辨率,11292,，灰度级,256,，黑色背景。,四、基于,RVM,的人脸识别,-,人脸图像库,自建人脸库,40,个个体,，,每个个体,10,幅图片,，,共,400,幅图片,。,图像分辨率,11292,，,灰度级,256,，,黑色背景,。,四、基于,RVM,的人脸识别,-,人脸图像库,组合,人脸库,ORL,人脸库,+,自建人脸库,=,组合人脸库,80,个个体，每个个体,10,幅图片，共,800,幅图片。,四、基于,RVM,的人脸识别,-,特征提取,小波变换,压缩后图像的特征基本不变，且图像的大小由原来的,11292,，降低到,5747,，大大降低了后续处理算法的复杂度。,原始图像,一级小波分解,压缩后的图像,四、基于,RVM,的人脸识别,-,特征提取,PCA,ORL,人脸库中部分原始图像,上图所对应人脸图像的特征脸,压缩后的图像,四、基于,RVM,的人脸识别,-,多分类设计,一对一多分类方法,四、基于,RVM,的人脸识别,-,多分类设计,改进的多分类方法,五、实验结果,-,基于,“,一对一,”多分类,的,RVM,人脸识别,训练样本：每个个体的前,3,幅图像,测试样本：每个个体的后,7,幅图像,即,120,个训练样本，,280,个测试样本,实验一,第一组实验,训练样本：每个个体的前,7,幅图像,测试样本：每个个体的后,3,幅图像,即,120,个训练样本，,280,个测试样本,第二组实验,ORL,人脸库，,“,一对一,”,多分类方法，,RVM,训练识别,实验一与基于,“,一对一,”,多分类的,SVM,人脸识别对照表,实验标号,第一组实验,第二组实验,小波,+PCA+,RVM(%),小波,+ PCA+,SVM(%),小波,+ PCA+,RVM(%),小波,+ PCA+,SVM(%),1,次实验正确率,86,80,96,94,2,次实验正确率,79,85,99,96,3,次实验正确率,86,86,92,93,4,次实验正确率,87,81,97,98,5,次实验正确率,86,90,93,89,6,次实验正确率,88,89,96,95,7,次实验正确率,84,85,97,94,8,次实验正确率,85,81,98,96,9,次实验正确率,87,74,98,91,10,次实验正确率,89,84,93,95,平均正确率,85.7,83.5,95.9,94.1,选取第一组实验结果进行算法鲁棒性分析,基于,RVM,的人脸识别率,基于,SVM,的人脸识别率,基于,RVM,算法的人脸识别率方差为,6.81,，,基于,SVM,算法的人脸识别率方差为,19.85,。,基于,RVM,算法的识别结果比较稳定，鲁棒性较好。,五、实验结果,-,基于,“,一对一,”多分类,的,RVM,人脸识别,实验二,自建,人脸库，,“,一对一,”,多分类方法，,RVM,训练识别,训练样本：每个个体的前,5,幅图像,测试样本：每个个体的后,5,幅图像,即,200,个训练样本，,200,个测试样本,基于,ORL,和自建人脸库的,RVM,人脸识别对照表,实验标号,人脸图像数据库,ORL,人脸图像库,(%),自建的人脸图像库,(%),1,次实验正确率,87,85,2,次实验正确率,90,96,3,次实验正确率,88,93,4,次实验正确率,88,84,5,次实验正确率,87,91,6,次实验正确率,92,92,7,次实验正确率,86,92,8,次实验正确率,96,86,9,次实验正确率,91,87,10,次实验正确率,85,83,平均正确率,89.0,88.9,ORL,人脸库,改进的多分类方法,RVM,训练识别,组合人脸库,改进的多分类方法,RVM,训练识别,实验一,训练样本：,每个个体的前,5,幅图像,测试样本：,每个个体的后,5,幅图像,即,200,个训练样本，,200,个测试样本,实验二,将库中,80,个个体分为,10,、,20,、,30,、,40,、,50,、,60,、,70,、,80,个个体分别进行实验,。,训练样本：,每个个体的前,5,幅图像,测试样本：,每个个体的后,5,幅图像,五、实验结果,-,基于,改进的多分类,的,RVM,人脸识别,基于,两种多分类方法,的,RVM,人脸识别对照表,实验标号,“,一对一,”,多分类算法,改进的多分类算法,正确率,(%),训练和识别的总时间,(s),正确率,(%),训练和识别的总时间,(s),1,次实验,96,267.652,93,62.237,2,次实验,99,269.178,96,61.392,3,次实验,92,278.815,96,60.801,4,次实验,97,273.791,96,61.664,5,次实验,93,282.124,98,61.860,6,次实验,96,283.709,92,62.763,7,次实验,99,285.277,95,60.437,8,次实验,92,275.400,93,63.134,9,次实验,98,270.049,93,64.382,10,次实验,94,276.069,94,60.813,平均值,95.9,276.204,94.6,61.948,基于,不同个体数,的,RVM,人脸识别对照表,个体数,“,一对一,”,多分类算法,改进的多分类算法,正确率,(%),训练和识别的总时间,(s),正确率,(%),训练和识别的总时间,(s),10,94.8,20.314,81.2,15.937,20,82.6,69.022,70.4,28.977,30,91.4,144.310,88.7,45.763,40,89.8,247.111,87.9,64.402,50,91.6,388.750,90.5,84.443,60,87.6,614.229,91.1,105.912,70,92.2,822.440,91.0,128.024,80,86.6,1064.440,90.6,143.389,基于,不同个体数,的,RVM,人脸识别率,基于,不同个体数,的,RVM,人脸识别时间,结论,-,研究成果,成功实现了,RVM,算法在人脸识别技术中的应用，,并取得了较高的识别率和较好的鲁棒性能。,成功实现了,“,一对一”多分类方法的改进，,改进后的多分类器在保证了识别率的前提下，,有效提高了,RVM,算法的识别速度。,成功建立了自己的人脸图像库，,并在此库上进一步验证了,RVM,人脸识别的可行性。,结论,-,对,RVM,人脸识别技术的展望,如何改进,RVM,的训练过程以缩短其占用的,计算机时间。,如何将基于,RVM,算法的人脸识别技术与嵌入式,硬件相结合，使其接近实际应用，最终实现机,器自动识别。,衷心感谢各位评委老师！,