下一个健壮的技术实现人脸识别特征特征提取

辛格Soninder Garcha¹,Harpreet考尔²

的学生。技术(CE)定期
助理教授,Deptt。旁遮普大学计算机工程大学工程学院帕蒂亚拉

文摘

提出了一种健壮的技术实现人脸识别特征特征提取和图像进一步匹配测试。在人脸识别完全基于数学模式识别技术。e特征值的提取特征脸的形象,训练集训练系统,这些图像。在训练前姿势的人类离子测试部分人类的各种攻击是应用于图像噪声,姿势,正确的姿势,模糊强度等这些影响结果计算识别特征值和计算的脸基地距离和时间和准确性的基础上完成的。系统给我一个准确的值。e 2.0或0.3,部分图像的匹配,而不是传统的“是”或“否”系统(PCA, LDA等等)。

关键字

特征值,特征向量,主成分分析(PCA), LDA,欧式距离

介绍

本文代表一个一步人脸识别系统特征的二维图像特征提取。一般来说,人脸识别技术可以分为两组根据他们所使用的脸表示:

。外貌,它使用整体纹理特性和应用于整张脸或特定地区面临形象[5]。

b。特点,利用几何面部特征(嘴、眼睛、眉毛、脸颊等)

Eigenface方法:

特征值和特征向量:

在线性代数中,特征向量线性算子的非零向量,当由操作员操作,导致其中一个标量。然后调用标量特征值与特征向量相关(λ)[3](X)。缩小后的特征向量是一个向量的线性变换。它是一个矩阵的属性。当一个矩阵作用于它,只有矢量大小不改变方向[5]。

AX =λX (2.1)

Ais向量函数的地方。

计算特征值和特征向量:

通过使用(2.1),我们的方程,

(A-λI) X = 0 (2.2)

我是n * n的单位矩阵。这是一个齐次方程组,从基本的线性代数,我们知道存在一个非平凡解当且仅当检波器(A-λI) = 0 (2.3)

在侦破()表示行列式。程度的评估时,变成一个多项式n。这就是所谓的特征方程,和相应的多项式特征多项式。学位的特征多项式是n。如果是n x n,还有n解决方案或特征多项式的根。因此有n满足方程的特征值,

阿喜=λXi (2.4)

我= 1、2、3 ....n如果特征值都是不同的,有n个线性无关的特征向量有关,其方向是独一无二的,它跨越一个n维欧几里得空间(5、6)。

面部识别系统三个主要任务,解释如下:

加载图像

b。培训

c。分类和匹配

加载图片:

第一步是加载训练图像。您可以获得面临着来自各种公开可用的数据库。脸图像的主要要求是必须[7]:

灰度图像具有一致决议。如果使用彩色图像,将其转换成灰度与rgb2gray第一。我使用一个分辨率为64×48像素[7]。

裁成只显示了脸。如果包括背景图像,人脸识别将不会正常工作,将纳入分级机为背景。我通常也尽量避免头发,因为一个人的发型可以改变明显(或者他们可以戴一顶帽子)[7][2]。

每个图像转化成一个列向量,然后被加载到一个矩阵的图像的大小为n×m, n是在每个图像像素的数量和m的总数是图像[7]。

培训:

训练人脸检测器需要以下步骤

一个。计算输入面图像的均值[7]。

b。减去均值从输入图像获取mean-shifted图像[7]。

c。计算mean-shifted图像的特征向量和特征值。

d。订单相应的特征值的特征向量,在减少。

e。仅保留最大特征值的特征向量。

f。mean-shifted图像投射到特征空间内使用保留特征向量[7][2]。

分类和匹配:

进行人脸识别,人脸图像之间的相似性得分计算输入和每个训练图像。匹配的脸是最高的相似性,和相似性得分的大小表示比赛的信心(单位价值指示精确匹配)[2][7]。

给定一个输入图像维数相同的input_image image_dims作为你的训练图片,下面的代码将计算每个训练图像的相似性得分和显示最佳匹配[7]

下面是一个例子,一个真正积极的比赛,被发现在我的训练集以0.4425的得分:

检测没有匹配的情况下面对存在的训练集,您可以设置最小阈值的相似性得分低于这个分数而忽略任何匹配[7]。

方法

以前的工作与人脸识别研究。

b。获得一组初始的脸图像(训练集)[4]。

从训练集c。计算eigenfaces,保持M最好的图片和相应的特征值来弥补空间[4]。

为了计算eigenfaces我跟着我有下面的方法:

)计算的平均图像训练集(ψ):

b)找到每个面形式的差异平均脸(Φ):

L c)计算矩阵并计算其特征向量()uL [4]。

然后可以从权重的设置为每个图像(Ω)。

d。测试和匹配图像,然后用数据库验证然后产生输出。

人脸识别的应用(本征特征提取)系统

访问控制:

面对验证,匹配一脸对单个注册范例,是在目前的个人计算机硬件的功能。因为电脑摄像头已经成为普遍的,他们使用face-based电脑登录已成为可行的,尽管使用似乎非常有限的[6]。

识别系统:

这是一个识别的任务,任何新申请人被录取之前必须对整个数据库相比登记,以确保他们不声称在一个以上的身份[1]。人脸识别是二级生物添加到现有的指纹识别系统。几个也制定了人脸识别确保人们不会获得多个驾驶执照[6]。

监测:

最感兴趣领域,在人脸识别中的应用被证明可能是监视。监控视频的媒介选择的丰富性和类型信息,它包含和自然,对于应用程序来说,它需要识别,人脸识别是视频数据的最佳生物。虽然步态或嘴唇运动识别有一些潜在的[4]。人脸识别可以应用没有主体的积极参与,事实上没有主题”年代的知识。自动人脸识别可以应用„活”搜索的„列入有趣”的人,或事后使用监控录像的犯罪嫌疑人[6]的搜索数据库。

结论和未来的范围

人脸识别技术是达到峰值点经历一个快速增长的实际应用[6]。有许多技术,如PCA, LDA但特征特征提取人脸识别应用于扩大准确性,能力和鲁棒性的生物识别领域,验证系统物理和电子今天访问安全可用,但未来的承诺和被动的威胁定制和自动监测系统通过人脸识别。

承认

我很感激Amardeep辛格博士(副教授&主管部门),Er Harpreet考尔(助理教授)为我们提供了所有的设施。我们支付方面对于急需的专家指导。我们还要感谢我的妻子和我所有的朋友在大学和老师为我们提供了他们急需的帮助。

引用

斯坦·李z和Anil k . Jain,人脸识别手册,施普林格,2005年。
w·赵r . Chellappa P.J.菲利普斯和A·罗森菲尔德“人脸识别:文献调查,”ACM计算调查,35卷,没有。4、399 - 458页,2003年12月。
H。小王和n . Ahuja“面部表情分解,”Proc.IEEE Int。参看。计算机视觉,2003年,卷2,页958¢965。
亚当称“人脸识别图像处理技术”。在大学Wiscosin麦迪逊ECE 533项目,2006。
Vinay Hiremath AshwiniMayakar,“面部识别Eigenface”IRCSE, 2009。
安德鲁·w·高级中,Bolle和路德m .“人脸识别及其应用,在指纹识别的成就和挑战。
“Eigenfaces人脸识别(MATLAB)”在文章中Deadbeef技术官僚的老鼠,2010年12月。