《人脸识别原理及算法——动态人脸识别系统研究》—第5章5.5节小结-阿里云开发者社区

开发者社区> 人工智能> 正文

《人脸识别原理及算法——动态人脸识别系统研究》—第5章5.5节小结

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5.5节小结,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。

5.5 小结
人脸识别原理及算法——动态人脸识别系统研究
本章在实验的基础上对PCA方法在人脸图像识别中的应用作了深刻揭示,主要讨论了训练样本效应、光照、尺度、旋转等因素对识别的影响,并指出对于不同的干扰会形成不同的图像空间,且图像空间之间存在一定距离,由此使得PCA方法在应用于不同图像空间的识别时效果较差。因此在处理这些干扰情况时,需要对图像做相应的预处理,以使待识图像与库中训练样本处于同一空间,或者在库中保存每个图像的多个样本,但这种方法存储空间开销较大,并且对于无法得到多个样本的情况很难应用。

PCA方法作为一种样本统计分析技术,能够提取样本集合的主成分,并利用这些主成分来表示相应的样本空间,应用于整个人脸图像集合,可得到整个人脸图像空间的主成分;同时也可应用人脸图像的局部特征集合,得到这些局部特征空间的主成分,根据不同空间的距离原则,可以进行人脸局部特征的提取。

同时,如Penev[52]所指出的,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,对于图像的偏移、缺失、旋转、光照等变化都看作一种全局变化,故其无法处理图像局部变化的情况。但如果利用人脸图像局部特征进行识别,就可以较好地利用样本集合的拓扑结构,得到样本的局部结构信息,并用于识别。这些局部特征对于图像的全局变化有一定的抗干扰能力,实验5.28充分证明了这一点。

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