图像识别学习-1

人脸识别概述：

人脸识别的过程：

图像 -> I: Face  detection -> 标准人脸 -> II：Face representation -> 特征 —> III: Face recognition ->符号

I:    Face Detection

(1) 人脸检测（detection） ——— （2）人脸定位（location）——— （3）人脸追踪（tracking）

II： Face Representation

提取人脸的特征，将现实空间的图像映射到机器空间的过程，人脸的表示具有多样性和唯一性，这其实就是人脸共性和特性之间的关系，保持这种矛盾，才能保证人脸图像的准确描述和识别。图像识别数据巨大，必须进行压缩，降低向量维数。

III：Face  Recognition

进行比对匹配

基本图像处理：

为检测定位和正规化提供服务，比如检测定位常常需要对图像进行边缘提取，二值化操作，正规化需要对图像灰度归一操作。

检测定位：

对输入图像进行分析，判断是否有人脸，根据是否灰度还是彩色，静帧还是动态，复杂背景还是简单背景这些具体情况作出不同处理。

正规化：

将提取出来的人脸图像做大小，灰度的归一化处理，使不同的人脸大小和亮度统一。

特征提取：

特征提取部分在前面正规化后的人脸图像中按照某种策略抽取出用来识别的特征，将原始的脸空间中的数据映射到特征空间。由于原始图像数据量巨大，为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。

一般把原始数据组成的空间叫测量空间，把分类识别赖以进行的空间叫做特征空间。通过变换，可以把维数较高的测量空间变为在维数较低的特征空间中表示的模式。在特征空间中的模式也叫做一个样本，即特征空间中的一个点。

分类器设计：

这是一个分类器的训练过程，此过程结束后将生成可用于分类识别的分类器。

事实上，模式识别问题可以看作一个分类问题，即把待识别的对象归到某一类中。这部分的基本做法是在样本训练集的基础上确定某个判断规则，是按这种规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最少。

分类决策部分就是利用已经设计好的分类器作出分类识别，给出最好的识别结果，作出判断。

 

图像处理的主要方法：

（1）空间域处理方法 -- a 邻域 b点处理方法

（2）变换域处理方法 ：滤波，压缩，特征提取（正交变换）

 图像处理方向：几何处理，算术处理，图像增强，图像复原，图像重建，图像编码，模式识别，图像理解

 

人脸检测和定位的理论和方法：

1 基于知识规则的方法（knowledge-based method）

2 基于可视特征的方法（appearance-based method）

I：  几何特征

II： 纹理特征

III：颜色特征

3 基于模板匹配的方法（template matching method）

I：  通用模板匹配

II： 可变形模板匹配

 

人脸特征提取和识别理论和方法：

1 基于几何特征的方法

2 基于代数特征的方法

I: 主成分分析

II: 独立分量分析

III:线性判别分析

3 基于机器学习的方法

I：  人工神经网络（Artificial NeuralNetwork）

II:  支持向量机（SVM）

III：频谱分析

IV：隐马尔可夫模型

 

人脸的颜色空间：

RGB颜色模型  Gray = 0.299 × R + 0.587 × G + 0.114 × B

YIQ颜色模型

 

灰度图像检测

投影斜率法

彩色人脸检测

人脸定位算法

人脸具有共性和差异性，从模式识别的角度来看，人脸检测是在寻找人脸的共同属性，而人脸识别是在发现不同人脸的差异性。

 人脸光照补偿：1 对光照的可变性进行建模 2 发现光照恒常性

参考书：  《人脸自动机器识别》 段锦 著  科学出版社 www.sciencep.com