Quels sont les trois algorithmes classiques de reconnaissance faciale ?

Les trois algorithmes classiques de reconnaissance faciale sont : Eigenface, Local Binary Patterns (LBP) et l'algorithme Fisherface.

Trois algorithmes classiques pour la reconnaissance faciale

Méthode Eigenface ( Eigenface)

La technologie Eigenface est une méthode récemment développée pour la reconnaissance du visage ou du corps rigide général et d'autres méthodes impliquant le traitement du visage. La méthode d'utilisation des visages propres pour la reconnaissance des visages a été proposée pour la première fois par Sirovich et Kirby (1987) (« Procédure de faible dimension pour la caractérisation des visages humains ») et utilisée pour la classification des visages par Matthew Turk et Alex Pentland (« Visages propres pour la reconnaissance »). . Tout d'abord, un lot d'images de visage est converti en un ensemble de vecteurs de caractéristiques, appelés « Eigenfaces », qui sont les composants de base de l'ensemble d'images d'entraînement initial. Le processus de reconnaissance consiste à projeter une nouvelle image dans le sous-espace de la face propre, puis à la déterminer et à l'identifier grâce à la position de son point de projection dans le sous-espace et à la longueur de la ligne de projection.

Après avoir transformé l'image dans un autre espace, les images de la même catégorie convergent ensemble, tandis que les images de différentes catégories convergent au loin. Les images de différentes catégories dans l'espace de pixels d'origine. en termes de distribution, il est difficile de les diviser avec de simples lignes ou surfaces. En les transformant dans un autre espace, ils peuvent être bien séparés.

La méthode de transformation spatiale sélectionnée par Eigenfaces est la PCA (analyse en composantes principales). La PCA est utilisée pour obtenir les principales composantes de la distribution des visages. La mise en œuvre spécifique consiste à effectuer une décomposition des valeurs propres de la matrice de covariance de toutes les images de visage. l'ensemble d'apprentissage. Les vecteurs propres correspondants sont obtenus, et ces vecteurs propres sont des "faces propres". Chaque vecteur propre ou face propre équivaut à capturer ou à décrire un changement ou une caractéristique entre des visages humains. Cela signifie que chaque face peut être représentée comme une combinaison linéaire de ces faces propres.

Les modèles binaires locaux (LBP)

Les modèles binaires locaux (LBP) sont des algorithmes visuels utilisés pour la classification dans le domaine de la vision par ordinateur. LBP, un opérateur utilisé pour décrire les caractéristiques de texture d'une image, a été proposé par T. Ojala et al. de l'Université d'Oulu, en Finlande, en 1996 (« Une étude comparative des mesures de texture avec une classification basée sur les distributions en vedette »). En 2002, T. Ojala et al. ont publié un autre article sur la LBP (« Multiresolution gray-scale and rotation invariant texture classification with local binaire patterns ») sur PAMI. Cet article explique très clairement les fonctionnalités LBP améliorées de multi-résolution, d'invariance d'échelle de gris, d'invariance de rotation et de modes équivalents. L'idée principale de LBP est d'utiliser la valeur de gris du pixel central comme seuil et de la comparer avec son champ pour obtenir le code binaire correspondant pour représenter les caractéristiques de texture locales.

LBP extrait les caractéristiques locales comme base de la discrimination. L’avantage non négligeable de la méthode LBP est qu’elle est insensible à l’éclairage, mais elle ne résout toujours pas les problèmes de posture et d’expression. Cependant, par rapport à la méthode des faces propres, le taux de reconnaissance de la lombalgie a été grandement amélioré.

Algorithme Fisherface

L'analyse discriminante linéaire prend en compte les informations de catégorie tout en réduisant la dimensionnalité. Elle a été inventée par le statisticien Sir R. A. Fisher en 1936 ("L'utilisation de mesures multiples dans les problèmes taxonomiques). " 》). Afin de trouver un moyen de combiner les fonctionnalités pour obtenir la dispersion inter-classe maximale et la dispersion intra-classe minimale. L’idée est simple : dans une représentation de faible dimension, les mêmes classes doivent être étroitement regroupées, tandis que les différentes classes doivent être aussi éloignées que possible. En 1997, Belhumer a appliqué avec succès le critère discriminant de Fisher pour la classification des visages et a proposé la méthode Fisherface basée sur une analyse discriminante linéaire (« Eigenfaces vs. fisherfaces : Recognition using class Specific Linear Projection »).

Pour plus de connaissances connexes, veuillez visiter : Site Web PHP chinois !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!