前言:
眼前姐妹们对“人脸算法公式”可能比较关注,朋友们都想要了解一些“人脸算法公式”的相关资讯。那么小编在网摘上收集了一些关于“人脸算法公式””的相关资讯,希望同学们能喜欢,各位老铁们一起来了解一下吧!人脸识别过程
图1 人脸识别流程图
1.人脸的检测和定位:检测图中有没有人脸,将人脸从背景中分割出来,获取人脸或人脸上的某些器官在图像上的位置。
2.特征提取:提取特征点,构造特征矢量;多个样本图像的空间序列训练出一个模型,它的参数就是特征值;模版匹配法用相关系数做特征;而大部分神经网络方法则直接使用归一化后的灰度图像作为输入,网络的输出就是识别结果,没有专门的特征提取过程。
3.识别:将带识别的图像或特征与人脸数据库里的特征进行匹配,进而将给出的人脸图像与数据库中的某一个人脸图像及其名字,相关性对应起来。
人脸检测方法
基于知识的方法
a)优点:规则简单。
b)缺点:难以将人类知识转化为明确的规则。
基于特征的方法
c)优点:可以依据面部器官的几何关系进行人脸检测。
d)缺点:光照、噪声和遮挡可能使得人脸的边界特征被弱化,从而使得算法难以使用。
基于模版匹配的方法
e)优点:简单高效。
f)缺点:难以应对各种不同的成像条件;关于人脸模式和非人脸模式不存在一个清晰的、明确的界限。
基于外观的方法
g)优点:通过大量的样本训练使得人脸识别的精确度高。
h)缺点:算法复杂。
基于肤色的系统
i)优点:不受人脸姿态变化的影响。
j)缺点:受光照等外在因素影响较大。
人脸识别方法
基于几何特征的识别方法
a)优点:
i.符合人类识别人脸的机理,易于理解。
ii.对每幅图像只需存储一个特征矢量,存储量小。
iii.对光照变化不太敏感。
b)缺点:
i.从图像中抽取稳定的几何特征比较困难,特别是特征受到遮挡时。
ii.对强烈的表情变化和姿态变化的鲁棒性较差。
iii.一般几何特征只描述了部件的基本形状与结构关系,忽略了局部细微特征,造成部分信息丢失,该方法比较适合于人脸图像粗分类。
基于统计的识别方法:隐马尔可夫法
c)优点:人脸识别率高。
d)缺点:算法实现复杂。
基于连接机制的方法
e)优点:
i.能够根据有代表性的样本自我学习,具有鲁棒性和自适应性。
ii.以并行的方式处理信息,配以硬件实现,可以显著地提高速度。
f)缺点:算法实现复杂。
人脸图像预处理与人脸检测
图像的灰度化与色彩空间变换
a)将彩色图像转化为黑白图像,以便后期处理:
Gray=0.229R+0.587G+0.11B
(R为红色分量,G为绿色分量,B为蓝色分量)
b)为了使人脸在LCD实时显示,对于经过视频解码输出的YCrCb 4:2:2格式数字视频数据切换到RGB色彩空间数据格式才能在LCD或者CRT上显示。YCrCh 4:2:2 视频数据到RGB色彩空间的转换公式如下:
R=1.164(Y-16)+1.596(Cr-128)
G=1.164(Y-16)-0.813(Cr-128)-0.392(Cb-128)
B=1.164(Y-16)+2.017(Cb-128)
灰度归一化
由于拍摄条件的不同,图像的亮度会有所不同,为了获取较稳定的标准图像,采用如下公式对图像做灰度归一化:
g(x,y)={[f(x,y)-m]×sv}/v+sm
(m,v是原图像f(x,y)的灰度均值和方差,sm,sv是设定的归一化后的灰度均值和方差,文中可取sm=0,sv=1)
图像去噪增强
c)领域平均法:
i.优点:算法简单,计算速度快。
ii.缺点:容易使图像产生模糊,特别是边缘细节处,邻域越大,模糊的越厉害。
d)中值滤波:
(Med(…)表示取序中值)
优点:克服了线性滤波器带来的图像细节模糊问题,在过滤噪声的同时,还能很好地保护边缘轮廓信息。
图像边缘检测算法
e)Roberts边缘检测算子:利用局部差分算子寻找边缘的算子,由如下公式给出:
i.优点:边缘定位准确。
ii.缺点:对噪声敏感,适用于边缘明显而且噪声较少的图像分割。
f)简化算子:
由于人脸图像是边缘丰富的子区域,所以边缘提取对于人脸图像的从复杂背景分割出来具有重要作用。根据人脸识别的实际情况,我们可以采用如下的简单算子来提取边缘:
H1和H2分别为水平和垂直方向的算子。经过实验发现,使用如上的算子具有运算简单,计算速度快的优点,而且经运算后边缘图像轮廓比较清晰,人脸轮
廓及五官区域可以凸显出来。
标签: #人脸算法公式