图像检测与识别技术,图像识别检测

  图像检测与识别技术,图像识别检测

  1引言人脸识别作为一种重要的个人身份识别方法,可广泛应用于证件验证、公安追逃、信用卡验证、自动柜员机(ATM)等.与使用诸如指纹、手掌、视网膜、虹膜等其他人类生物特征的个人识别方法相比,人脸识别具有直接、友好、方便的特点。一个完整的人脸识别系统包括人脸检测、特征提取和匹配识别。人脸检测是人脸识别系统的第一步,也是重要的一步。研究了基于K-L算法和奇异值分解的自动人脸检测方法,并提出了一种工程化的方法。该方法自动选择适合指定‘检测精度’的特征面数,排除特征面空间中能量值小的特征轴,降低特征面空间中能量集中轴的选择难度。首先,基于K-L展开的特征提取,利用输入样本中每个人和所有人的平均样本,形成一个类间离散矩阵,作为K-L变换的生成矩阵,对这个矩阵进行奇异值分解,得到特征人脸空间。同时得到训练样本在该空间的一组投影系数,即代数特征。其次,将待测图像投影到这个空间,得到待测图像的代数特征。然后,比较待测图像和训练样本的代数特征。在比较过程中,根据指定的精度,选择合适数量的特征脸对应的训练样本的代数特征的数量,从待测图像的代数特征计算欧氏距离。根据该距离,可以检测出待测图像是否是人脸。从实验结果可以看出,本文提出的方法具有一定的鲁棒性,能够适应训练样本数量变化较大的环境。同时能有效排除特征面空间中能量值较小的特征轴。在训练样本较多的情况下,可以有效减少在特征脸空间中选择能量值集中的轴的工作量,获得尽可能少且最具代表性的特征脸子空间。

  2部分代码%版本:4.1

  %作者:奥米德博纳克达尔萨基

  函数IMVECTOR=im2vec (W27x18)

  %{

  该函数的输入是一个27x18的窗口。首先,函数进行调整

  窗口的直方图。然后用Gabor卷积窗口

  滤波器,频域中的窗口将乘以gabor滤波器

  Gabor滤镜存储在gabor.mat中。为了节省时间,他们被救了

  之前在频域中。

  %}

  加载gabor%正在加载Gabor过滤器

  %调整窗口直方图,用试错法设置参数

  w27x 18=adaptehisteq(w27x 18, Numtiles ,[8 ^ 3]);

  Features135x144=cell(5,8);

  对于s=1:5

  对于j=1:8

  Features135x144{s,j}=ifft2(G{s,j})。*fft2(double(W27x18),32,32),27,18);

  目标

  目标

  % Features135x144是包含卷积结果的单元格数组

  %使用40个gabor过滤器中的每一个过滤窗口。这些矩阵将

  %串联起来形成一个大的135x144的复数矩阵/

  %我们只需要结果的大小,这就是使用abs的原因。

  features 135 x 144=ABS(cell 2mat(features 135 x 144));

  % 135x144做网络的输入是很痛苦的。它有19400个

  %像素。这意味着网络的输入向量应该有19,400

  %像素,这意味着大量的计算和时间浪费。

  %所以我们把矩阵的大小减少到原来的三分之一。

  %有很多方法可以减少矩阵的大小,比如使用PCA,使用

  %每个3x3像素的中间值或删除行和列

  %删除不是最好的方法,但是它比

  %其他人

  Features135x144 (3:3:end,)=[];

  Features135x144 (2:2:end,)=[];

  Features135x144(:3:3:end)=[];

  Features135x144(:2:2:end)=[];

  %网络输入向量中的数字应该在-1,1之间

  %和下面的一行将实现这个概念。

  features 45 x48=prem nmx(features 135 x 144);

  %将矩阵转换为向量

  im vector=shape(features 45 x48,[2160 1]);

  %~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

  %注意:这个功能非常关键。考虑到我们有一个大的

  %照片显示为400x300。你能说出我们有多少个27x18窗口吗?

  %如果我们不预处理照片来预测人脸的位置

  %我们为照片的每个像素都设置了一个窗口,这意味着

  % 120,000个窗口(因为边框的原因稍微少一点)。每个像素

  %是新窗口的中心。

  %如果执行此功能需要0.4秒,则整张照片将需要

  %大约13个小时,仅用于网络预处理。

  %所以这个函数中任何不必要的行都可能成为整体的地狱

  %进程,我们应该尽可能优化这个函数。

  3运行结果

  4参考文献[1]闫隆。基于K-L变换的人脸检测[D].四川大学,2004。

  博主:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等领域的Matlab仿真。相关matlab代码问题可以私信交流。有些理论引用自网络文献。如有侵权,联系博主删除。

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: