人臉識別演示稿

1、人臉識別演示稿1第1頁，共13頁，2022年，5月20日，12點20分，星期日課題研究內(nèi)容一、研究目的（一）身份識別圖（一） 人的面部特征人臉數(shù)據(jù)庫反饋輸出身份信息2第2頁，共13頁，2022年，5月20日，12點20分，星期日（二）論證當(dāng)前主流人臉識別算法二維：基于模板匹配的方法基于奇異值特征方法子空間分析方法主成分分析（PCA）方法三維：基于圖像特征方法基于模型可變參數(shù)的方法課題研究內(nèi)容3第3頁，共13頁，2022年，5月20日，12點20分，星期日方案設(shè)計流程圖：訓(xùn)練樣本人臉檢測、定位、切割輸 入人臉圖像特征提取人臉圖像TPCA變換矩陣測試樣本人臉特征比對、匹配識別預(yù)處理身份確認(rèn)輸出身份

2、信息圖（二） 系統(tǒng)流程圖4第4頁，共13頁，2022年，5月20日，12點20分，星期日運(yùn)行過程（一）人臉圖像的預(yù)處理人臉圖像分割：將背景和人臉圖區(qū)分開來。圖像分割5第5頁，共13頁，2022年，5月20日，12點20分，星期日人臉圖像的去噪處理：去除圖像編碼和傳輸中產(chǎn)生的噪聲。運(yùn)行過程(a)有噪聲的人臉圖(b)去噪后的人臉圖圖像去噪（一）人臉圖像的預(yù)處理6第6頁，共13頁，2022年，5月20日，12點20分，星期日人臉的區(qū)域標(biāo)定、選?。簷z測出人臉在圖像中的位置、大小信息。運(yùn)行過程（一）人臉圖像的預(yù)處理人臉區(qū)域標(biāo)定、選取7第7頁，共13頁，2022年，5月20日，12點20分，星期日運(yùn)行過程

3、（二）人臉特征的提取TensorPCA（張量主成分分析）:在傳統(tǒng)主成分分析(PCA)方法上的擴(kuò)展。1、傳統(tǒng)主成分分析方法2、張量主成分分析8第8頁，共13頁，2022年，5月20日，12點20分，星期日運(yùn)行過程（三）高階奇異值分解（HOSVD）奇異值分解是線性代數(shù)中一種重要的矩陣分解，可以用來求高階矩陣特征值時降階，有兩個重要應(yīng)用：1、求偽逆2、矩陣近似值9第9頁，共13頁，2022年，5月20日，12點20分，星期日研究結(jié)果（一）基于TensorPCA算法 的人臉識別系統(tǒng)1、利用ORL人臉庫：避免因外界因素影響圖像質(zhì)量下降，直接使用ORL庫中已經(jīng)處理過的人臉圖像。2、MATLAB中實現(xiàn)人臉識別，利用MatLab中自帶強(qiáng)大的矩陣處理函數(shù)。10第10頁，共13頁，2022年，5月20日，12點20分，星期日研究結(jié)果（一）基于TensorPCA算法 的人臉識別系統(tǒng)圖（三） 人臉識別檢測系統(tǒng)11第11頁，共13頁，2022年，5月20日，12點20分，星期日研究結(jié)果（二）基于TensorPCA算法 的創(chuàng)新性1、張量主成分分析用于人臉數(shù)據(jù)結(jié)構(gòu)克服了數(shù)據(jù)向量化帶來的缺點。2、與常規(guī)的主成分分析算法相比，張量主成分分析算法在同樣的壓縮比水平上能夠?qū)崿F(xiàn)更優(yōu)的重構(gòu)圖像。12第12頁，共13頁，2022年，5月20日，