数字图像处理人脸识别

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,数字图像处理人脸识别,目,录,1.0,关于人脸识别,人脸识别是人类视觉最出色的能力之一，是一个活泼的研究领域。,最容易被承受的生物特征识别方式。,人脸识别用途细分为两类：,一 一类是答复“ 我是谁？的问题，即身份识别。,另一类是答复“ 这个人是我吗？，即身份验证。,目,录,2.0,人脸识别过程,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,人脸识别实现过程根本框图,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，并从场景中准确别离出人脸区域；,预处理：校正人脸尺度、光照以及旋转等方面的变化，得到标准化的人脸图像；,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展比较，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。,目,录,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，主要是以下这些：,光照条件：光照条件的影响主要表达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，这可以直接表达在图像的灰度值上。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展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,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。人脸表情那么比姿态更难以控制，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。,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，那么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，要想到达实用也是远远不够的。,目,录,4.0,基于,PCA,算法的人脸识别,主成分分析简介,Principal Component AnalysisPCA,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展处理、压缩和抽提的有效方法。,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方法的根本原理是: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展识别。,4.0,基于,PCA,算法的人脸识别,计算特征脸：,设人脸图像Ix,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：,每个人脸Ri与平均人脸的差值向量是：,4.0,基于,PCA,算法的人脸识别,利用特征脸进展人脸识别的过程由训练阶段和识别阶段两个阶段组成 ：,4.0,基于,PCA,算法的人脸识别,在训练阶段，每个已知人脸映射到特征脸子空间，得到维向量：,在识别阶段，首先把待识别图像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展分类，分类规那么如下：,1假设c, 那么输入图像不是人脸图像；,2假设 那么输入图像包含未知人脸；,3假设 那么输入图像为库中第k个人的人脸。,c,4.0,基于,PCA,算法的人脸识别,目,录,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VS2021+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.不需要对图像进展过多的预处理，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展一定地压缩，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，抑制某一类方法的缺点，将它们进展有效的综合和组合，是当下一个探索的方向。,结,束,刘世伟,谢 谢！,谢谢大家！,结 语,