人脸识别与径向基函数

Kannan萨勃拉曼尼亚
MCA、Bharath研究所的科技、钦奈,印度Tamilnadu

文摘

将军和一种有效的设计方法使用径向基函数(RBF)神经分类器应对小训练集的高维度,这是一个经常遇到在人脸识别问题,本文提出了。为了避免过拟合,减少计算负担,面临功能以来首次由离散余弦变换方法提取主成分分析(PCA)的人脸识别方法是数据依赖、计算昂贵。分类未知面临他们需要匹配存储数据库的最近邻提取面部特征。摘要离散余弦变换(DCT)是用来减少面临空间的维度通过删除高频DCT组件。然后避免不良反应降维技术,如保留照明产生的脸特性进一步处理Fisher线性判别(盛名)技术获得低维dicriminant模式。降维的主要目标是专注于重要信息而冗余信息可以被丢弃。开发各种方式减少维度。还原方法可以区分为线性和非线性降维。本文我们将给人脸识别的应用径向基函数神经网络对featrure使用离散余弦变换提取和降维的系统执行成功diascrete余弦变换的一些问题尽管Fisher线性判别标准的一部分。

介绍

人类比电脑更聪明。考虑计算几百八和九位数之和是一个微不足道的计算对计算机及其简单电脑但当我们遇到的问题解决谜题只有人脑比电脑在解决。

视觉或语音识别问题是一种高度并行与许多不同的和相互矛盾的想法和记忆。也许我们的大脑能够并行操作容易,所以我们离开电脑远远落后。

结论,我们可以达到的,我们试图解决的问题是非常平行的。神经计算的方法是捕捉大脑衬底的指导原则。这问题,并将它们应用到计算机系统中。大脑的基本建模系统中我们应该最终失业的解决方案,它本质上是适合并行的问题而不是连续的。这些并行模型应该能够代表知识并行的方式,以类似的方式处理它的学习能力并不是唯一的生物世界广告是神经网络模型中捕获。需要一定的时间为一个好的随机机器解决问题是缓慢的过程从经验中学习的连续的概率,直到机器使疗效好的移动的机会这让坏reinforcemet学习是模拟发生在大脑当te的效率增加突触结为了促进神经事件再次发生。

大脑善于表演,我们希望计算机执行如视觉语音识别的示例通过学习等等。机器识别人类的束棒仍然和视频图像已经成为一个活跃的研究领域在图像处理、模式识别、神经网络和计算机视觉。这兴趣是出于广泛应用从静态匹配控制格式的照片,如护照、信用卡、驾驶执照和头部监控视频图像的实时匹配呈现不同的约束条件的处理需求。尽管研究心理学、神经科学和工程、图像处理和计算机视觉研究的相关问题由人类和机器人脸识别。虹膜仍然很难设计一个自动系统的任务,尤其是当实时识别是必需的。

缺乏信任和公众对电子交易的安全性和隐私的信心似乎是最严重的问题之一,并是主要因素之一。

吗?信用卡欺诈正成为一个主要原因。

吗?检测和防止欺诈的任务否定web事务是特别具有挑战性的移动/无线和智能卡平台的原因。

吗?移动/无线和智能卡平台的原因。

问题公式化

面部识别系统,识别最古老的形式之一,测量特征如面部特征之间的距离或自己的尺寸特性。大多数开发人员采用神经网络技术或统计相关性的脸的几何形状。很多难以实现高水平的性能,当数据库大小增加到成千上万。这种困难的原因有两方面:

吗?脸图像高度变量和可变性的来源包括个人的外表,三维。

吗?(3 - d)姿势,面部表情,面部的头发,化妆等等特性改变的时候。此外照明,背景,并购的规模和参数下所获得的所有变量在面部图像真实世界的场景。

问题分析

人脸识别问题可以接近三个步骤。

吗?功能抽象和代表性

吗?特征的歧视

吗?特征分类和识别

许多成功的人脸检测和特征提取模式已经被开发出来,常用的方法是使用几何特性,不同的相对位置和形状特性测量。同时,提出了范式的使用全局表示的脸,脸上的所有特性自动提取从输入面部形象。已经与全球编码表示的脸快速人脸识别。圣言的矩阵被用来提取特征的模式。已经说明了图像的奇异值是稳定的和代表图像的代数特征,内在的,但不一定是可见的,描述的特征脸方法的特点给出了一张脸。思想的关键是计算图像压缩的最佳坐标系统,在每个坐标实际上是一个图像,称为一个特征照片。然而,主成分分析收益率投影方向,最大化的总散射横我所有类。e在所有脸图像。在选择投影时,最大化总散射。PCA保留多余的变化由闪电引起的,脸上表情,所有的其他因素。因此产生的特性并不一定好类间的歧视。 The face features are acquired by using the fisherface or discriminant eigenfeature paradigm. This paradigm aims at overcoming the drawback of the eigenface paradigm by integrating Fisher’s linear discriminant criteria, while retaining the idea of the eigenface paradigm in projecting faces from a high definition image space to a significantly lower dimensional feature space. The goal of ace processing using neural networks is to develop a compact internal representation of faces, which is equivalent to feature extraction, therefore the number of hidden neurons is less than that in either input or output layers, which results in the network encoding inputs in a smaller dimension that retains most of the important information. Then the hidden units of the neural networks serve as the input layer of another neural network to classify face images.

RBF神经网络的特征如下:

吗?他们普遍接近者。

吗?他们拥有最好的近似。

吗?他们的学习速度快,因为本地调整神经元。

吗?他们有更紧凑的比其他神经网络拓扑结构。

通常广泛用于RBF神经网络函数逼近和模式识别中维度模式在这些应用程序通常是小的。当RBF神经网络在人脸识别中实现这样的系统具有以下特征具有高维度。例如,16384年将有128 * 128图像特征。

因此,人脸识别是大大不同于经典的模式识别问题,例如有有限数量的类与大量的培训模式在每个类。这种情况导致了以下挑战设计一个RBF神经分类器。

1)过度拟合问题:它已经表示,如果一个维度的网络输入与训练集的大小,syem容易RBF和导致可怜的泛化。

2)过度训练的问题:高维度的网络输入导致复杂的最优处理和lw收敛。因此,可能会导致过度训练。

3)小样本效应:它表明小样本很容易污染提出了系统的设计和评价。与大量的应用程序功能复杂的分类规则训练样本规模一定很大。我进一步指出,需要增加样本大小指数为了有一个有效的估计的多元密度随着维度的增加。

4)奇异问题:如果n小于r + 1,样本公司方差矩阵是奇异的,因此无法使用无论有限方差矩阵的真正价值。

为了克服上述问题,裁判神经分类器设计的一种系统化的方法来处理小训练集的高维特征向量提出了。

拟议的方法由以下部分组成。

1。输入变量的数量减少了通过特征选择我。e,一组最富有表现力的特点首先是生成的PCA和盛名然后实现生成一组最判别的功能,因此不同种类的训练数据可以尽量分开,同一类模式是压实尽可能。

2。一种新的聚类算法对训练样本的类别信息,提出了均匀数据可能是集群和裁判的一个结构紧凑混合数据有限的神经分类器可以实现。

提出了两个重要的标准来估计的初始宽度RBF单元,控制RBF神经分类器的泛化。

剩下的纸是组织如下:

吗?离散余弦变换算法在特征提取的尝试在现有系统来改善系统的性能。

吗?大量的面部识别系统已经开发了不同程度的成功。最常见的这类系统的概念是基于Eigenface基于主成分分析。

主成分分析人脸识别方法是数据依赖、计算昂贵。分类未知的情况下,他们需要匹配外部面临的存储数据库中的近邻特征。摘要离散余弦变换被用来减少面临空间的维度通过删除高频DCT组件。其余系数被送入神经组件。

1。离散余弦变换,离散余弦变换将信号从一个空间表示转换成频率表示。一般低频图像做出更多贡献,比更高的频率。如果我们将一个图像转换为频率成分使用DCT和扔掉很多数据,称为DCT系数,对更高频率可以减少所需的数据量来描述图像质量。这叫做损失图像压缩和广泛应用不错在JPEG和MPEG的表现。这就是可以扮演一个角色,当我们需要减少学习算法的输入空间的维数。以下是纳米尺寸的公式2 d DCT图像,F (u, v)是DCT系数点(u, v) u = 0, 1, N1, v = 0, 1, M1和F (x, y)是原始强度点(x, y) y v N xM y NM2 1 2因为2 1 2 0 1 0 =否则C, 1 1 0 2 2 d DCT………网络分类。因为我们使用少量的系数,基于DCT的人脸识别方法与其他方法相比非常快。

2。降维:离散余弦变换是傅里叶变换,使用正弦基函数。所不同的是,余弦变换基函数并不复杂的因为有快速算法来计算二维DCT系数和只有少数,我们基于DCT的人脸识别方法与其他方法相比非常快。

特征脸方法也可以用来提取功能,其目的是计算图像压缩的最佳坐标系统。eigenface方法的缺点是,它保留了多余的信息,例如照明面部表情也因为这不仅识别已经成为问题的效率也降低了50%。

计算的最佳坐标iamge压缩。这些协调由最富有表现力的特性类似于主成分分析的输出。

主成分分析理论

主成分分析是一种标准技术通常用于数据统计模式识别和信号处理。统计模式识别的一个常见问题是特征选择和特征提取。特征选择是指一个过程,一个数据空间转化为功能空间在理论上有完全相同的维度作为原始数据空间。主成分分析的主要目的是减少dmensionality。

主成分分析方差最大化的降低速度。我们计算相关矩阵的特征值和特征向量输入数据的向量,然后项目日期的活动由特征向量张成的子空间上属于主导特征值数据表示方法通常称为子空间分解。

算法

吗?获得图像的整数。

吗?将它转换成一个向量。

吗?转置。

吗?找到的协方差矩阵向量和ts转置的产物。

吗?找到特征值和特征向量。

吗?的特征向量通过选择相应的列最大的特征值。

吗?这个特征向量包含频率成分的方差较小。

吗?找到产品的特征向量和图像矩阵的转置。

径向基函数理论

在径向基函数我们愿意高斯类型,因为它是可因子分解的。曲线的宽度足够大的最优分类。

隐藏节点选择

吗?RBF方程的类型。

吗?几何特征表示的类型。

吗?拟议的金龟子RBF的学习计划。

吗?设置输入的数量= 2。

吗?初始化协议。

吗?更新径向基函数的宽度。

吗?初始化网络的权重。

吗?店最终的重量。

吗?重复循环的数量等于输入。

因此,径向基函数提供了一个有效的学习算法和函数作为一个很好的分类器。

离散余弦变换

DCT的变换用于图像压缩的计算图像的坐标系统。已经证明,它作为一个最佳压缩差异。图像中也有使用代替karhunenloeve变换的性质。

比较KL变换和KL变换的DCT特征

KL变换依赖于数据的统计。建模的优势分离的图像自相关函数,而不是解决n2 * n2矩阵特征值问题只有两个n * n矩阵特征值问题需要O (n3)计算维数的减少是通过分离模型是O (n6) / O (n (3) = O / n是非常重要的。KL变换取决于统计数据以及图像的大小和变换矩阵计算是计算操作进行图像的变换是相当大的。

结论

面对功能是首先提取的主成分分析范式,因此结果数据大幅压缩。进一步通过盛名浓缩方法的信息数据分布训练模式基于我们提出的方法是在详细的结果。

1。类重叠逐渐减少,只要降低特征维度,但佛罗里达州减少数据从主成分分析与聚类错误的方法。

2。从主成分分析的数据聚类误差增加和减少的特征维度,但聚类误差降低特征维度但数据从主成分分析的聚类错误减少和盛名。

3所示。数据从主成分分析&盛名仍没有完全分离,除非功能重叠小于20盛名闲置缓解类重叠。

4所示。提出系统从而有效运作和有效地与离散余弦变换和主成分分析。

引用

C.L.威尔逊和s . r . Chellapa Sirohey”,人类和机器识别的面孔:一项调查”,IEEE, vol.83 pp.705 - 740, 1995。

“与径向基函数神经网络的人脸识别”,Mengjooer, shiquianwu, IEEE juweilu学生成员,典当碱液(音)。IEEEtransactionson神经网络,卷。13。

“神经网络”,Wasseermann。

“数字图像处理原理”,Anil.K.Jain。

“神经网络”,Yegnanarayana。

“神经网络”,西蒙微积分。