Kuru ürünler Yüz tanıma için üç klasik algoritma (klasik kağıtların bir listesiyle)
Bu makale "Akademik Manşetler" den alınmıştır, takip etmek için "SciTouTiao" araması yapın.
"Academic Toutiao" dün "Yüz Tanıma Araştırma Raporu" nu yayınladı.Hem WeChat genel hesabının menü çubuğu hem de makalenin sonu doğrudan indirilebilir.
Özyüz
Eigenface teknolojisi, yüz tanıma veya genel katı vücut tanıma ve diğer yüz işleme yöntemleri için yakın zamanda geliştirilmiş bir yöntemdir. Yüz tanıma için özyüzleri kullanma yöntemi ilk olarak Sirovich ve Kirby (1987) ("İnsan yüzlerinin karakterizasyonu için düşük boyutlu prosedür") tarafından önerilmiş ve Matthew Turk ve Alex Pentland tarafından yüz sınıflandırması için kullanılmıştır ("Tanıma için özyüzler" ). İlk olarak, bir grup yüz görüntüsünü, ilk eğitim görüntü kümesinin temel bileşenleri olan "Özyüzler", yani "özyüzler" olarak adlandırılan bir özellik vektör setine dönüştürün. Tanıma süreci, özyüz alt uzayına yeni bir görüntü yansıtmak ve onu alt uzaydaki projeksiyon noktasının konumu ve yansıtma çizgisinin uzunluğu ile yargılamak ve tanımaktır.
Görüntüyü başka bir alana dönüştürdükten sonra, aynı kategorideki görüntüler birleşir ve farklı görüntü kategorilerinin yakınsaması nispeten uzaktır.Orijinal piksel alanında, farklı görüntü kategorilerinin dağıtımında basit çizgi veya yüzey bölümleme, dönüştürme kullanmak zordur. Başka bir alana, iyi ayrılabilirler.
Eigenfaces tarafından seçilen uzamsal dönüşüm yöntemi, yüz dağılımının ana bileşenlerini elde etmek için PCA kullanan PCA'dır (Ana Bileşen Analizi) .Özel uygulama, karşılık gelen özvektörleri elde etmek için eğitim setindeki tüm yüz görüntülerinin kovaryans matrisi üzerinde özdeğer ayrıştırması gerçekleştirmektir. Bu özvektörler "özyüzler" dir. Her özellik vektörü veya özellik yüzü, insan yüzleri arasındaki bir değişikliği veya özelliği yakalamaya veya açıklamaya eşdeğerdir. Bu, her insan yüzünün bu karakteristik yüzlerin doğrusal bir kombinasyonu olarak ifade edilebileceği anlamına gelir.
Yerel İkili Örüntüler (LBP)
Yerel ikili örüntüler (LBP), bilgisayar görüşü alanında sınıflandırma için kullanılan görsel operatörlerdir. Görüntü doku özelliklerini tanımlamak için kullanılan bir operatör olan LBP, 1996 yılında T. Ojala ve Finlandiya'daki Oulu Üniversitesi'nden başkaları tarafından önerildi ("Özellikli dağılımlara dayalı sınıflandırma ile doku ölçümlerinin karşılaştırmalı bir çalışması"). 2002'de T. Ojala ve diğerleri, PAMI üzerine LBP hakkında bir makale yayınladılar ("Yerel ikili desenlerle çoklu çözünürlük gri ölçek ve rotasyon değişmez doku sınıflandırması"). Bu makale, çoklu çözünürlük, değişmez gri ölçek ve dönüşle değişmeyen ve eşdeğer modların geliştirilmiş LBP özelliklerini açık bir şekilde açıklamaktadır. LBP'nin temel fikri şudur: merkezi pikselin gri değerini eşik olarak almak ve yerel doku özelliğini temsil etmek için karşılık gelen ikili kodu elde etmek için onu etki alanıyla karşılaştırmak.
LBP, ayrımcılığın temeli olarak yerel özellikleri çıkarır. LBP yönteminin önemli avantajı ışığa duyarlı olmaması, ancak yine de duruş ve ifade problemini çözmemesidir. Bununla birlikte, özyüz yöntemi ile karşılaştırıldığında, LBP'nin tanıma oranı büyük ölçüde iyileştirilmiştir.
Balıkçı yüzlü
Doğrusal diskriminant analizi, boyutsallığı azaltırken kategori bilgisini dikkate alır. 1936'da istatistikçi Sir R. A. Fisher tarafından icat edilmiştir ("Taksonomik problemlerde çoklu ölçümlerin kullanımı"). Sınıflar arası en büyük dağılımı ve en küçük sınıf içi dağılımı elde etmek için bir özellik kombinasyonu yöntemi bulmak için. Fikir basit: düşük boyutlu bir temsilde, aynı sınıflar sıkı bir şekilde bir arada kümelenmeli ve farklı sınıflar olabildiğince uzak olmalıdır. 1997'de Belhumer, yüz sınıflandırması için Fisher diskriminant kriterini başarılı bir şekilde uyguladı ve doğrusal diskriminant analizine dayalı Fisherface yöntemini önerdi ("Özyüzler ve balıkçı yüzleri: Sınıfa özel doğrusal projeksiyon kullanarak tanıma").
Klasik kağıtlar
Sirovich, L., Kirby, M. (1987).
İnsan yüzlerinin karakterizasyonu için düşük boyutlu prosedür.
Josa a, 4 (3), 519-524.
Çalışmalar, herhangi bir özel yüzün öz resimler adı verilen bir koordinat sistemiyle temsil edilebileceğini göstermiştir. Öz resimler, yüz setinin ortalama kovaryansının özfonksiyonudur.
Türk, M., Pentland, A. (1991).
Tanıma için özyüzler.
Bilişsel sinirbilim dergisi, 3 (1), 71-86.
Araştırma, bir kişinin kafasını bulup takip edebilen ve ardından yüz özelliklerini bilinen bireylerle karşılaştırarak kişiyi tanımlayabilen neredeyse gerçek zamanlı bir bilgisayar sistemi geliştirdi. Bu yöntem, yüz tanıma problemini iki boyutlu bir tanıma problemi olarak ele alır. Tanıma süreci, bilinen yüz görüntüleri arasındaki önemli değişiklikleri yakalayan özellik yüz alt alanına yeni bir görüntü yansıtmaktır. Yüz setlerinin öznitelik vektörleri oldukları için önemli özellikler özyüzler olarak adlandırılır.
Ojala, T., Pietikäinen, M., Harwood, D. (1996).
Öne çıkan dağılımlara dayalı sınıflandırma ile doku ölçülerinin karşılaştırmalı çalışması.
Örüntü tanıma, 29 (1), 51-59.
Araştırma, farklı grafik dokuları karşılaştırır ve görüntü dokusu özelliklerini tanımlamak için bir LBP operatörü önerir.
Ojala, T., Pietikainen, M., Maenpaa, T. (2002).
Yerel ikili desenler ile çoklu çözünürlük gri ölçekli ve dönüşle değişmeyen doku sınıflandırması.
Model analizi ve makine zekası üzerine IEEE İşlemleri, 24 (7), 971-987.
Araştırma, teorik olarak çok basit ve etkili bir gri seviye ve rotasyonla değişmeyen doku sınıflandırma yöntemi ortaya koymaktadır; bu yöntem, yerel ikili desenlere ve örneklerin ve prototiplerin dağılımının parametrik olmayan ayrımına dayanmaktadır. Bu yöntem, sağlam gri tonlama değişimi ve basit hesaplama özelliklerine sahiptir.
Fisher, RA (1936).
Taksonomik problemlerde çoklu ölçümlerin kullanılması.
Öjenik Annals, 7 (2), 179-188.
Araştırma, sınıflar arası en büyük dağılımı ve en küçük sınıf içi dağılımı elde etmek için bir özellik kombinasyonu yöntemi buluyor. Çözüm şudur: düşük boyutlu temsil altında, aynı sınıflar sıkı bir şekilde bir arada kümelenmeli ve farklı sınıflar olabildiğince uzak olmalıdır.
Belhumeur, P.N., Hespanha, J.P., Kriegman, D.J (1997).
Eigenfacesvs.fisherfaces: Sınıfa özgü doğrusal projeksiyon kullanarak tanıma Yale Üniversitesi New Haven Amerika Birleşik Devletleri.
Araştırma, aydınlatma ve yüz ifadelerinde büyük değişiklikler olması durumunda bile, düşük boyutlu alt uzaylarda iyi ayrılmış sınıflar üretebilen Fisher'in yüz projeksiyonu için doğrusal ayrımcılığına dayanmaktadır. Kapsamlı deneysel sonuçlar, önerilen "Fisherface" yönteminin hata oranının, Harvard ve Yale yüz veritabanları tarafından test edilen özyüz teknolojisinden daha düşük olduğunu göstermektedir.
