nice team小组出山啦!(第二次会议)
为什么niceteam小组一个月没有更新博客?因为我们正在埋头苦干。是的过去的一个月我们的小组成员正沉浸在知识的海洋中,今天是我们出山的好日子,特地记录一下我们的工作进度。
在项目经理的安排下,我们小组成员在过去的一个月内不仅完成了python的学习,而且对本项目的基础知识,设计流程,相关概念都进行了系统的学习和讨论。此次会议对本月进度进行总结,具体如下:
一:项目基础
基于特征提取的人脸识别
特征提取方法的选择:SIFT,LBPH,EigenFace,FIsherFace等
SIFT特征介绍:
Scale Invariant Feature Transform,简称SIFT,尺度不变特征变换,是用于图像处理领域的一种描述。
这种描述具有尺度不变性,可在图像中检测出关键点,是一种局部特征描述子。SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。
对于光线、噪声、微视角改变的容忍度也相当高。基于这些特性,它们是高度显著而且相对容易撷取,在母数庞大的特征数据库中,很容易辨识物体而且鲜有误认。
在现今的电脑硬件速度下和小型的特征数据库条件下,辨识速度可接近即时运算。
LBPH特征介绍:
LBPH,全称Local Binary Patterns Histograms,局部二进制编码直方图。
建立在LBPH基础之上的人脸识别法基本思想如下:首先以每个像素为中心,判断与周围像素灰度值大小关系,对其进行二进制编码,从而获得整幅图像的LBP编码图像;
再将LBP图像分为不同的区域,获取每个区域的LBP编码直方图,继而得到整幅图像的LBP编码直方图,通过比较不同人脸图像LBP编码直方图达到人脸识别的目的,
其优点是不会受到光照、缩放、旋转和平移的影响。
EigenFace特征介绍:
EigenFace,是历史上第一种有效的人脸识别算法。1991年两位科学家首次将PCA应用于人脸识别,即将原始图像投影到特征空间,得到一系列降维图像,取其主元表示人脸,因其主元有人脸的形状,估称为“特征脸”。
EigenFace是一种基于统计特征的方法,将人脸图像视为随机向量,并用统计方法辨别不同人脸特征模式。
EigenFace的基本思想是,从统计的观点,寻找人脸图像分布的基本元素,即人脸图像样本集协方差矩阵的特征向量,以此近似的表征人脸图像。
Fisherface特征介绍:
Fisherface是由Ronald Fisher发明的,想必这就是Fisherface名字由来。Fisherface基于LDA理论,即Linear Discriminant Analysis,线性判别分析。
在降维的同时考虑到类别信息,找到一种特征组合方式,达到最大的类间离散度和最小的类内离散度。
这个想法很简单:在低维表示下,相同的类应该紧紧的聚在一起,而不同的类别尽量距离越远。 后来,在opencv中,将此鉴别分析引入到人脸识别问题中。
二:整体思路
1:使用opencv调用摄像头拍摄用户脸并存储在本地/数据库。
2:对用户照片进行相应处理并能够借助dlib库框出人脸
3:进行特征提取
4:打开摄像头进行识别
三:预期效果
1:能够准确的识别100个以上的不同人脸
2:能够实时识别
3:在不同的光照噪音条件下也能较准确的进行识别
4:能同时识别多张人脸
四:项目分工
1:詹晔康和张志喆:主要负责软件安装环境配置以及代码编写
2:赵金波和乔佩云:主要是负责软件测试及代码优化
3:四人协作进行文档与博客的编写
五:小组成员具体个人学习进度
1:目前小组成员每个人都有独立编写python代码的能力,并且对特征提取理论有一定程度的理解
2:詹晔康先深入了解sift这一个特征,并进行代码的编写
3:张志喆正在学习如何减少光照和噪音对人脸识别的干扰
4:赵金波综合了解LBPH,EigenFace,FIsherFace这三大经典特征
5:乔佩云学习了深度学习的相关知识,与特征提取方法进行对比
六:下期预告
1:人脸识别系统1.0版本即将上线,开发人员正在马不停蹄的进行代码的编写与调试
2:第一份完整的需求分析文档即将发布