無約束人臉識別方法_第1頁
無約束人臉識別方法_第2頁
無約束人臉識別方法_第3頁
無約束人臉識別方法_第4頁
無約束人臉識別方法_第5頁
已閱讀5頁，還剩10頁未讀， 繼續免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

小組成員：無約束人臉識別方法無約束人臉識別的任務檢測并提取人臉區域對人臉區域進行預處理提取人臉特征在數據庫或模型中匹配識別傳統方法基于全局特征的方法Eigenface,Fisherface…基于局部特征的方法幾何特征,Gabor,LBP,基于模型基于神經網絡的方法基于SVM的方法光照年齡姿態表情遮擋……影響人臉識別的新發展近年來，基于度量學習的人臉識別方法逐漸成為人臉識別領域中的研究熱點，不斷有新的方法提出。LDMLMatthieuGuillaumin等@2009ICCV識別率：79.27%CSMLHieuV.Nguyen等@2010ACCV識別率：88.00%PMMLZhenCui等@2013CVPR識別率：89.35%DDMLJunlinHu等@2014CVPR識別率：90.68%新方法介紹：2013IEEEConferenceonComputerVisionandPatternRecognitionFusingRobustFaceRegionDescriptorsviaMultipleMetricLearningforFaceRecognitionintheWild[ZhenCui,WenLi,DongXu,ShiguangShan,XilinChen]提出了一種新的特征描述子（SFRD/STFRD）提出了一種成對約束多度量學習方法（PMML）在LFW,YTF這兩個數據集上是當時最好的方法方法流程圖獲得人臉圖像將人臉圖像分區域抽取塊特征提取PMML方法提取特征非負稀疏編碼

用k-means聚類學習得到一個過完備的視覺詞典D。把所有的樣本塊p作為稀疏編碼的輸入，得到他們的編碼c。Sumpooling

第k個區域的TF特征可以通過下式得到提取特征白化PCA

我們把所有訓練圖像的第k個區域的TF特征的協方差矩陣記作.協方差矩陣的特征分解為

白化PCA就是取前m個最大的特征值組成，目的是為了降低特征的維數。(m<M)

為第k個區域的SFRD/STFRDPMML度量學習一對訓練樣本之間的距離定義為：Informationtheoreticmetriclearning采用theLogDetdivergencePMML則我們要求解的問題就轉化為：它的優點在于聯合地學習了每個區域的，隱含了全局的信息。實驗結果DDML

實驗結果DDML算法在LFW和YTF上都表現了很好的性能。總結新方

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間，僅對用戶上傳內容的表現方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論