ISSNONLINE(2278-8875)PINT (2320-3765)
.Geetha 布拉特大学,金奈,印度Tamil Nadu |
相关文章at普梅德,学者谷歌 |
访问更多相关文章电气电子工程高级研究国际杂志
人脸识别生物识别 图像匹配已知面孔库算法模拟Eigen脸算法软件OpenCL拟实施OpenCL(OpenCL)计算语言)开放标准跨CPUs、GPUs和其他处理器平行编程,可移植并高效存取这些多式处理平台的力量OpenCLAPI函数识别设备、编译程序、发送接收信息并运行所选设备OpenCL程序微软视觉演播室2010使用AMDAPPSDK(高级微设备加速并行处理软件开发包)模拟系统
关键字 |
面部识别 OpenCL、微软视觉工作室、Eigenface |
导 言 |
面部识别系统是一个计算机应用程序,用数字图像或视频框架自动识别或验证人.它能通过面部特征识别人方法之一是比较图像和面部数据库所选面部特征需要比较感知模式与存储的熟悉面孔表示法面部识别的一个值得注意的方面是兴趣的广泛跨学科性质:计算机识别和模式识别生物识别安全多媒体处理心理学神经科学脸部识别生物识别从人使用初级生物识别中获取多项长处某些最早识别令牌,即画像使用生物鉴别模式人操作者很容易仲裁机器决策-事实上脸部图像常被用作自动指纹识别系统人性化备份面部识别的长处是无所不在的,并比其他主要生物测定技术普遍化,因为每个人都有面孔,每个人都容易显示面孔。 |
最先进技术基础为Eigenface算法,该算法将人脸特征映射成多维面空间计算机可进行面部数据库搜索和/或实战、一对一或多验证,前所未有精度分秒处理用户可安全访问计算机、移动设备或在线电子商务,只需查看Webcamera系统即可。Neal网络用于早期面部识别系统,但Eigenface计算机无法轻易被照片或相近外观者所蒙骗。 |
物理变化:面部表达式变化老化个人外观(造型、眼镜、面部毛发、发型风格、伪装)获取几何变化:面部规模变化、位置变化和平面旋转(直达相机)以及深度旋转(斜达相机或剖面显示非全前向)。 |
映射变化:点亮变异相机变换通道特征(特别是在广播或压缩图像中) |
面部识别当前的主要挑战就是深度处理广度照明变化以及个人外观变化即使在良好条件下,精度也需要提高。商业应用迄今只抓取潜力表面迄今安装能力受限处理布局、时代和照明变异,但随着处理这些特效技术开发,许多领域都存在巨大部署机会。 |
开放计算语言框架(OpenCL)是一个写程序框架,跨多式平台执行过程由中央处理单元(CPUs)、图形处理单元(GPUs)和其他处理器组成OpenCL包含语言C99写内核(函数执行OpenCL设备)加程序设计接口定义并控制平台 |
微软视觉Studio综合开发环境使用它开发控制台和图形用户界面应用,并开发Windows格式应用、网站、Web应用和Web服务,同时开发微软Windows、Windows移动、WindowsCE、.NET框架、.NET压缩框架和微软Silverlight支持的所有平台管理代码Visiew Studio通过语言服务支持不同编程语言,允许代码编辑器调试器支持(程度不等)近似任何编程语言,只要存在语言专用服务内置语言包括C/C++(通过视觉C++)、VB.NET(通过视觉基础.NET)、C#(通过视觉C#)和F#(通过视觉Studio2010)。 |
方法整理 |
EiGENFAES生成 |
一组元面像可产生出数学过程,称为主构解析图集描述不同人脸的大片集非正式地说,igenface可被视为一组“标准面料”,取材自对多张面像的统计分析人脸可被视为这些标准面料的组合人脸可能由平均面容加10%组成,从igenface1加10%,从igenface2加55%,从egenface3加-3%值得注意的是,它不使用多元组合实现对大多数面孔的公平近似并因人脸没有数字相片记录,而仅列值列表(数据库使用中每个元值一值),为人脸取空少得多 |
生成的词形将显示为光暗区,按特定模式排列模式显示表情的不同特征被单选评分将出现模式评价对称性,如果有面部毛发风格,有理发模式,或评价鼻子或嘴大小外形图案不那么简单识别 外形图像像脸孔 |
实战实现 |
创建一套igenfaces |
开工准备一组脸像构成训练集的图片本应该在相同的照明条件下拍摄,并必须规范化才能使所有图像的双眼和口对齐也必须全部重采像素解析每一图像均作为单向量处理,简单分解原图像像素行,产生单行Rxc元素假设培训集所有图像都存储在单矩阵中,即矩阵的每一行为图像 |
二叉减平均值平均图像a必须计算并从t中每张原创图像中减值 |
3级计算常量矩阵s的源值和源值位元数数与原创图像相同,因此可视之为图像求同矩阵的始发者因此称为igenfaces它们是图象与平均图象不同方向通常这是一个计算费用昂贵的阶梯(如果可能的话),但egenface实用性来源于有效计算S生成者而不清晰计算S的可能性,详解如下 |
4级选择主组件DxD共变矩阵将产生Dientivecers,每个都表示rxc维图像空间方向保留最大关联精度 |
igenface现在可用以表示现有和新面孔:我们可以预测egenface上新图像(均减)并记录新面孔与均差igenface关联图像表示培训集中图像与向此方向平均图像有多大差异信息丢失 通过投射图像子集 igenvisors, 但我们最小化损失 通过保留igenface 最大igenvalues举个例子,如果我们用100x100图像工作, 就能获取一万位生成者在实用应用中,大多数面孔通常使用100至150egenface投影识别,这样10,000egenverations大都可丢弃 |
编译电源 |
直接执行图像同差矩阵往往计算不可行微小表示100x100灰度图像使用,每张图像为10000维空间的点数,千差数矩阵S为10000x10000=108元素矩阵常量矩阵等级受培训实例数限制:如果有N培训实例,最多将出现非0igene如果训练实例小于图像的维度,主构件可更容易计算如下 |
letT为预处理训练实例矩阵,共变矩阵后可计算S=TTT和igenvict分解S |
![]() |
然而TTT是一个大矩阵,如果我们取二维值分解 |
![]() |
发现前方程两侧乘法 |
![]() |
意指,ui是TT的始发者, Vi=Tui是S的始发者矩阵TT是一个300x300矩阵,比10000x10000共变矩阵更易操作通知结果向量vi不正规化需要正常化时,应作为额外步骤应用 |
结论 |
面部识别算法使用OpenCL模拟输入图像数据库中存在图像(此处5个样本图像在相同的光照条件下摄取)。算法编译时输入图像匹配数据库样本图像程序编译不匹配 |
未来工作 |
数项其他算法的实现可使用拟运行时间环境SDKVB(视觉基础)接口可显示成窗口弹出实时脸部识别可用摄像头或Web相机完成 |
引用 |