人脸检测和人脸识别方法的比较
2017-03-15 15:28
169 查看
原文章:《Comparing Face Detection and Recognition Techniques》
Korra J. Comparing Face Detection and Recognition Techniques[J]. 2016.
PS:由于我最近做的都是人脸检测,所以后面的人脸识别我都没有在这篇博客上提及,有兴趣的朋友可以翻阅这篇文章。
摘要:这篇文章是比较人脸检测和人脸识别的工具和不同的技术。前者是在一张图片中定位人脸,后者是对人脸进行识别,判断是谁的人脸。这篇文章主要是比较三种方法:1.用自组织映射进行人脸检测;2.投影和最近邻进行人脸识别;3.用SVM进行人脸识别。
1.用自组织映射进行人脸检测。
自组织映射是神经网络的基本模型。每个节点使用乘法权重将输入向量映射到标量输出,典型的SOM结构是神经元网格。自组织映射是将高维向量嵌入到低维向量的维数降低方法。SOM训练模型,使得在高维度上更接近的数据点也在下维度中更靠近地嵌入。
1.1学习算法
模型的训练从随机化神经元的权重或初始化为主分量开始。将权重初始化到主分量通常比随机初始化收敛更快。
1.2算法步骤
1.识别紧密相似的图像以训练映射。
2.将图片转化到灰度图片
3.将图像拆分为25个20x20像素图像
4.初始化25个5x5 SOM,其权重向量表示n维。尺寸对应于20x20图像的平均灰度,FFT,纹理直方图的尺寸
5.初始化迭代次数= k,其中k是用于训练的图像数
6.初始化学习率α= 0.9(大约)
7.初始化磁盘= 4,时间常数=迭代次数/长(距离+ 1),epoch = 1。
8.随意取一张训练照片
9.对于训练图像的每个20×20图像片段,a.计算平均灰度,FFT,灰度直方图(在本例中bin = 2),并用这些值初始化权重向量'w'。 b. 计算对应于图像片段wnw的SOM的每个神经元和w之间的欧几里得距离,wn是神经元的加权向量。 c.找到具有最小欧几里得距离的神经元。 d.让这个神经元称为赢家。 使用以下规则:wn = wn + a*(w − wn)更新赢家和距离胜者的距离“dist”内的所有神经元的权重。
10.重复步骤9调整其他图像:a= a *exp((epoch)/numofiter),dist = round(dist * exp((epoch)/timeconstant))
11.确定代表图像的不同区域的所有25个SOM的胜者神经元。
12.读取测试图像并预处理图像,并获得图像中的对象边界。
13.对于找到的每个对象,执行1.找到对应于测试图像的20×20图像片段的25个5×5图的测试优胜者神经元。 2.将它们与胜者神经元进行比较。 3.对于每个匹配允许阈值为0,如果测试图像具有0个错误,则打印完全匹配,即,训练集合的所有优胜者神经元与测试优胜者完全匹配。
14.如果测试神经元产生小于m的差异(对于我们的情况,m = 10),打印接近匹配否则打印不相似。
Korra J. Comparing Face Detection and Recognition Techniques[J]. 2016.
PS:由于我最近做的都是人脸检测,所以后面的人脸识别我都没有在这篇博客上提及,有兴趣的朋友可以翻阅这篇文章。
摘要:这篇文章是比较人脸检测和人脸识别的工具和不同的技术。前者是在一张图片中定位人脸,后者是对人脸进行识别,判断是谁的人脸。这篇文章主要是比较三种方法:1.用自组织映射进行人脸检测;2.投影和最近邻进行人脸识别;3.用SVM进行人脸识别。
1.用自组织映射进行人脸检测。
自组织映射是神经网络的基本模型。每个节点使用乘法权重将输入向量映射到标量输出,典型的SOM结构是神经元网格。自组织映射是将高维向量嵌入到低维向量的维数降低方法。SOM训练模型,使得在高维度上更接近的数据点也在下维度中更靠近地嵌入。
1.1学习算法
模型的训练从随机化神经元的权重或初始化为主分量开始。将权重初始化到主分量通常比随机初始化收敛更快。
1.2算法步骤
1.识别紧密相似的图像以训练映射。
2.将图片转化到灰度图片
3.将图像拆分为25个20x20像素图像
4.初始化25个5x5 SOM,其权重向量表示n维。尺寸对应于20x20图像的平均灰度,FFT,纹理直方图的尺寸
5.初始化迭代次数= k,其中k是用于训练的图像数
6.初始化学习率α= 0.9(大约)
7.初始化磁盘= 4,时间常数=迭代次数/长(距离+ 1),epoch = 1。
8.随意取一张训练照片
9.对于训练图像的每个20×20图像片段,a.计算平均灰度,FFT,灰度直方图(在本例中bin = 2),并用这些值初始化权重向量'w'。 b. 计算对应于图像片段wnw的SOM的每个神经元和w之间的欧几里得距离,wn是神经元的加权向量。 c.找到具有最小欧几里得距离的神经元。 d.让这个神经元称为赢家。 使用以下规则:wn = wn + a*(w − wn)更新赢家和距离胜者的距离“dist”内的所有神经元的权重。
10.重复步骤9调整其他图像:a= a *exp((epoch)/numofiter),dist = round(dist * exp((epoch)/timeconstant))
11.确定代表图像的不同区域的所有25个SOM的胜者神经元。
12.读取测试图像并预处理图像,并获得图像中的对象边界。
13.对于找到的每个对象,执行1.找到对应于测试图像的20×20图像片段的25个5×5图的测试优胜者神经元。 2.将它们与胜者神经元进行比较。 3.对于每个匹配允许阈值为0,如果测试图像具有0个错误,则打印完全匹配,即,训练集合的所有优胜者神经元与测试优胜者完全匹配。
14.如果测试神经元产生小于m的差异(对于我们的情况,m = 10),打印接近匹配否则打印不相似。
相关文章推荐
- 利用OpenCV的Haar特征目标检测方法进行人脸识别的尝试(一)
- 计算机视觉-人脸识别-浅析人脸检测之Haar分类器方法-转
- 一种关于人脸五官位置识别的初步检测方法
- 关于人脸检测方法的比较
- 人脸识别活体检测的一些方法
- 二维物体形状识别方法比较
- 二维物体形状识别方法比较
- 一种基于Haar小波变换的彩色图像人脸检测方法
- 人脸识别方法
- 人脸识别方法(转载)
- 人脸识别、人脸比较、图像转换
- 人脸识别方法(转载)
- AI杂谈(3): dodo:人脸识别方法个人见解(zz from prfans)
- 人脸检测、识别 --- 人脸库汇总
- 基于opencv2.0的haar算法以人脸识别为例的训练分类器xml的方法
- dodo:人脸识别方法个人见解
- 人脸识别方法个人见解
- 人脸识别方法个人见解
- 如何识别上传前检测的图像是有效的方法
- MHDD不识别被检测的硬盘解决方法 (BIOS)可识别