《人脸识别原理及算法——动态人脸识别系统研究》—第5章5.4节利用局部特征识别人脸图像-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

《人脸识别原理及算法——动态人脸识别系统研究》—第5章5.4节利用局部特征识别人脸图像

简介:

本节书摘来自异步社区《人脸识别原理及算法——动态人脸识别系统研究》一书中的第5章5.4节利用局部特征识别人脸图像,作者 沈理 , 刘翼光 , 熊志勇,更多章节内容可以访问云栖社区“异步社区”公众号查看。

5.4 利用局部特征识别人脸图像
人脸识别原理及算法——动态人脸识别系统研究
如同可对整幅人脸图像进行PCA分析,得到全幅图像的主成分,并用于人脸图像的识别一样,也可利用局部特征的主成分进行人脸图像的识别。P. Penev[52]认为,PCA方法是一种全局分析技术,不能提取样本集合的拓扑结构信息以及每个像素点处的局部信息,因此如果利用局部特征进行识别,就可以人为地利用样本集合的拓扑结构,得到样本的局部结构信息。

而且,局部特征具有抗干扰能力强的特点,例如图像全局特征可能会出现较大变化,但在某一局部区域可能变化很小。这时利用全幅图像的特征向量空间进行识别有可能识别不出,而利用局部特征的特征向量空间进行识别往往能够识别。图5-20所示为利用局部特征识别人脸图像,其中图5-20(a)为库中图像(取自UMIST人脸图像库,共有20幅),图5-20(b)为待识别人脸图像,两者整体上相差较大,但右眼区域变化相对较小。
screenshot
识别时,首先利用全局特征向量进行识别,实验结果表明,不能正确识别;然后利用局部特征眼睛向量空间进行识别,实验结果表明,能够正确识别。

为了进一步考察局部特征的识别能力,进行了如下两组实验。

实验5.28:使用局部特征对深度旋转人脸图像的识别。
① 所用训练样本图像以及待识图像均取自UMIST的人脸图像库,训练样本为20幅正面人脸图像,如图5-20(a)所示;待识人脸图像为20幅深度旋转人脸图像,旋转角度为45°,如图5-20(b)所示。

② 识别过程为:分别利用全局特征向量空间、局部右眼特征向量空间、局部鼻子特征空间、嘴部特征空间进行识别。识别结果见表5-6第二列。

实验5.29:使用局部特征对正面人脸图像的识别。
① 所用训练样本图像以及待识图像均取自FERET的人脸图像库,共取自99个不同的人脸,每个人提供两幅正面图像,只是表情稍微有些变化,分别标记为fa、fb,如图5-16和图5.18所示;训练样本为99幅fa图像,待识人脸图像为99幅fb图像。

② 识别过程为:分别利用全局特征向量空间,局部左、右眼特征向量空间,局部鼻子特征空间,嘴部特征空间进行识别。识别结果见表5-6第三列。
screenshot
注: 实验5.28中由于待识图像的左眼区域不可见,因此不用于识别
由表5-6可见,仅使用局部特征也能够进行识别,且对于图像深度旋转、部分缺失等情况,相对于全局特征向量识别,其优越性更加明显;同时利用局部特征进行识别,还不受图像背景以及图像偏移的影响。本书第6章将利用局部特征的这一特性,得到人脸图像的双属性图表示。

本文仅用于学习和交流目的,不代表异步社区观点。非商业转载请注明作译者、出处,并保留本文的原始链接。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享:
人工智能
使用钉钉扫一扫加入圈子
+ 订阅

了解行业+人工智能最先进的技术和实践,参与行业+人工智能实践项目

其他文章
最新文章
相关文章