全球研究计算机科学杂志》上
菜单石头:2229 - 371 x
石头:2229 - 371 x
辛格Kuldeep位址1,太太拉尔2
|
| 相关文章Pubmed,谷歌学者 |
访问更多的相关文章全球研究计算机科学杂志》上
人脸识别已成为一个主要感兴趣的领域。人脸识别算法被用于广泛的应用,如安全控制、犯罪调查,和入口控制建筑,访问控制在自动柜员机,护照验证,确定在给定的数据库。探讨不同的人脸识别所涉及的步骤使用主成分分析(PCA)和线性判别分析(LDA)和不同距离的措施可用于人脸识别
关键字 |
| 人脸识别、主成分分析、线性判别分析,LDA, PCA,距离措施。 |
介绍 |
| 人脸识别是生物识别扫描一个角色¢年代脸和匹配在库中已知的脸。人脸识别是指一个人从一个图像的识别他们的脸。任何识别方法的成功在很大程度上依赖于所使用的特定选择的特征分类器。一个好的特征提取器是声称选择任意环境变化不敏感的特性取向和照明等[1]。识别系统可以在控制或不受控制的环境中运作。图像识别在控制环境中,成像条件的实习生以及探测图像是固定的,是相对成熟的研究领域[2]。研究在不受控制的环境中是不太成熟,结果从控制环境不能在不受控制的环境中。识别在受控环境中可以时间和成本密集型和不切实际的使用在现实世界中使用[2]。作为这项研究的一部分,主要重点是图像识别系统的适用性评估在不受控制的环境和能力在实际中使用。 |
| 各种图像识别的识别方法(图1),尤其是面对图像识别发表在文献[3]。在这个调查中图像识别的各种方法分为整体方法[4 - 6],基于特征的方法[7 - 9],[10]的混合方法。整体方法使用整张脸地区作为原始输入识别系统[3]。使用最广泛的表征之一,面对地区eigenfaces,基于主成分分析和使用近邻分类器[4]。Fisherfaces使用线性/ Fisher判别分析(盛名/ LDA)最佳识别面临同样的图像类[5 - 6]。在基于特征(结构)匹配方法,局部特性,比如眼睛、鼻子和嘴巴是首先提取及其位置和地方统计(几何和/或外观)被送入一个结构分类器[3]。早些时候方法属于的类别结构匹配方法,用眼角落之间的距离和角度,嘴极端,鼻孔,下巴前[7]。基于隐马尔可夫模型(HMM)的方法使用的像素覆盖额头,眼睛,鼻子,嘴和下巴[8]。群弹性图匹配算法(EBGM)光谱信息存储对面部特征的社区通过卷积这些地区伽柏小波(面具)[9]。混合方法,正如人类感知系统使用本地特性和整张脸区域识别的脸。 One can argue that these methods could potentially offer the better of the two types of methods [3]. |
 |
| 这类的一个方法是基于最近的进步基于组件的检测/识别和3 d morphable模型。基于组件的方法的基本思想是将一张脸分解成一组面部组件等相互关联的嘴巴和眼睛灵活的几何模型。3 d morphable脸模型应用于生成任意合成图像在不同姿势和照明。只有三个脸图像(额,semi-profile概要文件)需要一个人来计算三维面部模型[10]。本文中使用的技术是基于整体的方法。 |
人脸识别的各个步骤 |
 |
图像采集: |
| 该方法获取的脸图像取决于底层的应用程序。例如,监视应用程序可能最好是捕获脸图像的摄像机图像数据库调查时可能需要静态强度由一个标准的相机拍摄的图像。其他一些应用程序,比如访问安全域,甚至可能需要放弃的人脸识别的质量不要求用户站在前面的一个3 d扫描仪或红外线传感器[21]。 |
离散小波变换(DWT): |
| 小波变换图像信号的能量集中到一小部分的小波系数。具有良好的时频局部化性质[11]。小波背后的基本思想是根据规模来分析信号。它被开发作为一种替代克服问题的短时傅里叶频率和时间分辨率特性[12]。小波变换分解成一组基本功能的一个信号。这些基本功能从母亲获得小波转换和扩张。 |
 |
| 在a和b都是实数分别量化的缩放和平移操作[13]。DFT DWT和DCT的优点是与本地化DWT执行信号的多分辨率分析在时域和频域。同时,函数间断点和大幅上涨需要更少的小波基向量小波域比正弦余弦基向量实现类似的近似[14]。 |
 |
| 符号L和H分别指的是低通和高通滤波器。会代表了近似副环带和LH、HL和HH详细分解。我是图像的低频子频带给全球描述[15]。水平系数(LH)对应于水平方向的低频分量和高频分量在垂直方向[16]。 |
使用PCA特征提取或LDA: |
主成分分析(PCA): |
| 主成分分析也称为Karhunen Loeve投影。主成分分析计算协方差矩阵的特征向量,和项目的原始数据到一个低维的特征空间,它是由大特征值的特征向量。PCA用于脸表示和识别的特征向量计算被称为特征脸。在凝胶图像,甚至比人类的面孔,原始数据的维数是巨大的数据集的大小相比,表明PCA分析有用的第一步。有许多人脸识别方法从主成分分析(PCA)方法(也称为特征脸)预测通过特征匹配。特征选择和点匹配的概念被用来跟踪人体运动。特征脸被用来跟踪人脸。 |
| 他们使用主成分分析方法来存储 已知的模式在一个紧凑的子空间表示 图像的空间,张成的子空间 特征向量的训练图像集。 |
| PCA是一个有用的统计技术,发现 应用在人脸识别和图像等领域 压缩,是一种常见的技术寻找模式 在数据高维度。的基本目标是实现一个 简单的人脸识别系统,基于研究和 易于理解的方法。一个可以选择进入深度 这些方法的一个且只有一个。的方法是 是实现PCA(主成分分析)。它 是人脸识别技术更成功吗 容易理解和使用数学描述。这 方法涉及使用特征脸。 |
| 第一步是生成一个特征检测器(维度 减少)。主成分分析(PCA) 选择,因为它是最有效的技术, 降维的数据压缩。这 允许高维度数据,图片, 由低维数据和希望 减少分组图像的复杂性[19].PCA 旨在最大化类间数据分离[17]。它 通过找到一个新的坐标系统为一组数据, 轴(或主成分)在哪里订的 训练数据中包含的方差[14]。一个简短的 对PCA下面[4]。 |
 |
 |
线性判别分析(LDA): |
| 线性判别是一个“经典”技术模式 识别,它是用来发现的线性组合 特性描述或单独的两个或两个以上的类 对物体或事件。由此产生的组合可以使用 线性分类器,或者更常见的维度 才能减少分类[26]。 |
| 在计算机人脸识别,每个脸表示 通过大量的像素值。线性判别 分析主要是用在这里减少的数量 前一个更易于管理的数量分类特性。 每一个新维度是像素的线性组合 值,形成一个模板。的线性组合 获得使用Fisher线性判别被称为费舍尔 脸,而获得使用相关的主体 成分分析被称为eigenfaces [26]。 |
| 线性判别分析容易处理的情况 在类的频率是不平等和他们 表现了对随机生成的测试 数据。这种方法最大化类间的比率 在任何特定数据方差在类的方差 从而保证最大的可分性。数据集可以 被转换和测试向量可以分类 转换空间由两种不同的方法。 |
| Class-dependent转换:这种类型的 方法涉及到最大化之间的比率 类方差类内方差。主要的 目标是最大化这一比率,这样足够了 类可分性。职业专用类型 的方法是使用两个优化标准 改变独立数据集。 |
| b。Class-independent转换:这种方法 包括最大化总体方差的比值 类内方差。这种方法只使用一个 将数据集和优化标准 因此所有数据点不管他们的阶级身份 使用这个变换转换。在这种类型的 LDA,每个类都视为一个单独的类 对所有其他类[26]。 |
PCA和LDA的区别: |
| LDA和主成分分析的主要区别是,LDA交易直接与类之间的歧视,而主成分分析处理数据的主成分分析没有任何特别关注底层的类结构[27]。PCA的形状和罗[27阳离子时原始数据集的变化转换为不同的空间而LDA不会改变位置,但只有努力提供更多的类可分性和画一个给定的类之间的决策区域。线性判别分析(LDA)的目标是找到一种有效的方式来表示向量空间。PCA结构面对空间使用整张脸训练数据作为一个整体,而不是使用类信息。另一方面,LDA使用类特定信息,最好是类间的歧视。LDA产生一个最优的线性判别函数映射的输入分类空间的类标识此示例是决定基于欧几里得距离等指标。LDA考虑对象的不同的变量和工作哪一组对象最有可能属于[26]。 |
 |
| 在图6中,有两个不同的类代表了两种不同的高斯分布。然而,每个班只有两个样品提供给PCA或片状。在这个概念描述,PCA过程的分类结果(只使用第一特征向量)更可取的LDA的结果。神龙公司和DLDA代表决策阈值通过使用近邻分类[27]。 |
| PCA和LDA的一个特点是,他们生产全球特征向量空间。换句话说,利用主成分分析法(PCA)产生的基向量和LDA零几乎所有的维度,这意味着改变单一输入像素会改变每一个维度的子空间投影。从某种程度上说,PCA和LDA截然不同:LDA是一个监督学习技术,依赖于类标签,而主成分分析是一种无监督技术[28]。 |
| LDA和PCA优化变换T与不同的意图。LDA优化T通过最大化类间变化的定量和都会冷不防地类变化。主成分分析得到T通过搜索最大的方向变化。因此LDA和PCA项目参数向量沿着不同的方向。图7显示了LDA的投射方向和主成分分析的区别当参数向量从二维参数空间情绪投射到一维特征空间[29]。 |
 |
| 比较表PCA - LDA在图8中给出。 |
 |
距离措施: |
| 不同距离的措施可以作为相似性度量比较测试图像的特征向量与实习图像。所有的学员以及测试图像投影到特征空间的训练数据集。预计测试图像和之间的距离计算所有集中实习的投影图像。测试图像应该有相应的对等词的最小距离图像的训练数据集。 |
类型的距离的措施: |
| 距离的各种措施,可用于人脸识别在下面解释[22]: |
城市街区距离: |
| 绝对的和两个向量之间的差异被称为L1距离,或街区的距离。这是一个真实的距离函数,因为它遵循三角不等式。为什么它被称为城市街区的距离,也是曼哈顿距离或出租车距离从一点一到B点是通过步行„在blockA¢,相比于欧几里得„直线¢距离[23]。 |
 |
| 在λiis第i个特征值对应于第i个特征向量 |
结合距离措施: |
| 而不是使用一个寻找图像之间的距离,距离分类器的组合上述给定的标准距离的措施(街区、欧几里得、角和Mahalanobis)可能比个人距离的措施。最简单的机制相结合的措施是增加距离。 |
旋转测试图片: |
| 人脸识别系统的识别精度可以提高旋转测试图像在不同的角度,如90年,180270年。 |
结论 |
| 人脸识别的主要步骤是:图像采集,应用DWT,使用PCA特征提取或LDA,选择距离测量和最后旋转图像在不同的角度如果没有找到匹配。PCA技术是无监督学习技术,最适合数据库无类标签的图片,而LDA监督学习技术,依赖于类标签和非常适合分布式类在小数据集。不同距离的措施或分类器可以用于寻找实习图像和数据库之间的距离图像,如欧氏距离,街区距离、角距离分类器,而距离等。而不是使用一个寻找图像之间的距离,距离分类器组合的标准距离的措施(街区、欧几里得、角和mahalanobis)可能比个人距离的措施。最简单的机制相结合的措施是增加距离。 |
引用 |
|
