人脸识别的毕业演讲.ppt

《人脸识别的毕业演讲.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、作为生物特征识别领域中一种基于生理特征的识别技术，人脸识别技术是通过有摄像头的终端设备拍摄人的行为图像，通过人脸检测算法，从原始的行为图像中得到人脸区域，用特征提取算法提取人脸的特征，并根据这些特征确认身份的一种技术。人脸与其他的生物特征（指纹、虹膜等）一样，他们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提。我们可以利用Adaboost迭代算法在视频流中检测人脸，与图像库中已存在人员的图像进行SIFT算法匹配，确定被检测到人员的真实身份，而进行人脸识别。就目前而言，影响识别率的因子主要有硬件设备、光照、人脸

2、表情和遮挡物，SIFT算法提取的SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。人脸识别技术的概述人脸识别的第一步就是要从原始的图像提取我们感兴趣的区域。现在我们获取原始图像的渠道主要有，导入原始的图像或者从视频流中获取。对于一张导入的图像，我们可以去检测该图像是否有人脸，利用Adaboost算法；左边这张图片是用Adaboost算法在一张原始图像上检测到得人脸，一看就能看出来有很多的误检测，总共有三处。如果检测的尺度再变小，误检测率就会更高。为了减少误

3、检测，在检测到得人脸区域定位人脸的器官。人脸检测概述为了减小误检测的程度，我们在检测到得人脸区域进一步的检测是否有人的眼睛。就以上面的那张图为例，我在初步检测人脸时所指定的检测尺度与上次一样，但不同的是我这次加入人眼检测。可见，与上一个图进行对比三处的误检测已经没有了；在检测到的人脸区域也定位到人眼。除了用这种方法排除误检测外，还可以用耳朵定位、鼻子定位、嘴定位等等。人脸检测概述人脸检测概述在视频流中利用Adaboost算法检测人脸，其实就是控制摄像头返回一帧图像，对这帧图像进行算法处理后，再显示在一个视频区域中，该算法可用

4、于实时跟踪对象。人脸检测算法概述Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。每个Haar特征对应着一个弱分类器，但并不是任何一个Haar特征都能较好的描述人脸灰度分布的某一特点，

5、如何从大量的Haar特征中挑选出最优的Haar特征并制作成分类器用于人脸检测，这是Adaboost算法训练过程所要解决的关键问题。人脸检测算法概述PaulViola和MichaelJones于2001年将Adaboost算法应用于人脸检测中,其基本思想是针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得到的分类器联合起来，构成一个最终的强分类器。Adaboost算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，对于h1分类错误的样本，加大其对应的权重；而对于分类

6、正确的样本，降低其权重，这样分错的样本就被突出出来，从而得到一个新的样本分布U2。在新的样本分布下，再次对弱分类器进行训练，得到弱分类器h2。依次类推，经过T次循环，得到T个弱分类器，把这T个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。人脸特征提取概述当我们得到感兴趣的人脸区域以后，用SIFT算法提取该区域的特征。选择要提取人脸的图像提取人脸；人脸特征提取概述单击提取人脸按钮之后我们就得到了一张人脸的图像。填写此人的基本信息，然后选中复选框，单击提取特征按钮，之后关于此人的一组特征数据就保存在了特征库

7、中了。人脸特征提取算法概述SIFT算法是一种图像特征提取与匹配算法。SIFT算法由David.G.Lowe于1999年提出，2004年完善总结，后来由Y.Ke（2004）将其描述字部分用PCA代替直方图的方式改进而来。SIFT算法可以处理两幅图像之间发生平移、旋转、尺度变化、光照变化情况下的特征匹配问题，并能在一定程度上对视角变化、仿射变化也具备较为稳定的特征匹配能力。SIFT算法首先在尺度空间进行特征检测，并确定关键点(Keypoints)的位置和关键点所处的尺度，然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算

8、子对尺度和方向的无关性。SIFT算法提取的SIFT特征向量具有如下特性：a)SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性。人脸特征提取算法概述b)独特性(Distinctiveness)好，信息量丰富，适用于在海量特