进行比较Р人脸识别结果Р图像预处理Р图1-2人脸识别系统流程图Р算法研究Р1、人脸检测如何实现Р人脸检测的目的就是从图片中找出所有包含人脸的子窗口,将人脸的子窗口与非人脸的子窗口分开。使用数千张切割好的人脸图片,和上万张背景图片作为训练样本。训练图片一般归一化到20×20的大小。在这样大小的图片中,可供使用的Haar(一些简单的特征)特征数在1万个左右,然后通过机器学习算法——Adaboost算法挑选数千个有效的Haar特征来组成人脸检测器。Р2、特征提取使用的方法Р毕业设计(论文)开题报告Р1. LBP特征提取。主要对输入图像的灰度信息,根据不同的分块方式,计算其对应的LBP特征值,并将这些特征值组合成不同维数的特征向量(分块越多,维数越高),并对得到的特征向量进行均匀模式转换,得到相应的均匀模式LBP特征向量,并将训练图像的均匀模式LBP特征向量及相关类别信息存入知识库。Р2. PCA算法使用K-L变换来特征提取。K-L变换是满足上述原则的一种数据压缩方法,它的特征提取的基本原理是:在测量空间中找出一组m个正交矢量,要求这组矢量能最大的表示出数据的方差;然后将原模式矢量从n维空间投影到这组正交矢量构成的m维子空间,则投影系数就是构成原模式的特征矢量,且完成了维数的压缩(m<<n)。Р设训练样本为,特征提取的具体步骤如下:Р(1)计算训练图片的平均脸:Р(2)计算每一张人脸图片与平均脸的差值:Р(3)构建协方差矩阵:Р(4)求矩阵的特征值及其对应的正交归一化特征矢量Р(5)选取前p(p<<200)最大特征值及其对应的特征向量Р(6)求C的正交归一化特征向量: 则“特征脸”空间为:Р(7)将每一幅人脸与平均脸的差值矢量投影到“特征脸”空间,即Р3、人脸识别如何实现Р人脸识别任务是将待检测的人脸与系统已经建立的人脸数据库进行比较,找出最相似的人脸,从而识别出待检测人脸的身份。
全文预览
