《人脸识别简约素雅模板学习教案》由会员分享，可在线阅读，更多相关《人脸识别简约素雅模板学习教案（19页珍藏版）》请在装配图网上搜索。
1、人脸识别简约人脸识别简约(jinyu)素雅模板素雅模板第一页，共19页。1234人脸识别的定义(dngy)（ Definition ）人脸识别的组成(z chn)（ Component ）人脸识别具体(jt)算法（algorithm）总结（ summary ）第1页/共18页第二页，共19页。人脸识别的定义(dngy)特指利用分析比较(bjio)的计算机技术。人脸识别是一项热门的计算机技术研究领域，人脸追踪侦测，自动调整影像放大，夜间红外侦测，都会用到第2页/共18页第三页，共19页。人脸识别的组成(z chn)图像(t xin)采集图像(t xin)预处理特征提取特征提取匹配与识别识别一个完
2、整的人脸识别系统包括人脸检测与定位、人脸特征提取、分类识别等第3页/共18页第四页，共19页。人脸识别的具体(jt)算法基于线性子空间(kngjin)分析的人脸特征提取 主成分分析方法(PCA)123算法(sun f)简介算法的主要步骤在人脸识别中的应用第4页/共18页第五页，共19页。人脸识别的具体(jt)算法算法(sun f)简介利用较少数据的特征对样本进行描述以达到降低特征空间维数的目的，根据样本点在多维空间的位置分布，以样本点在空间中变化最大方向，即方差最大方向，作为差别矢量来实现数据的特征提取。主成分分析（PrincipalComponentAnalysis，简称PCA）算法核心思想
3、第5页/共18页第六页，共19页。人脸识别的具体(jt)算法算法主要步骤(bzhu)及公式将mn的人脸图像(t xin)，重新排列为mn维的列向量则所有的训练图像经此变换后得到一组列向量：xi，xiRnmi=1,，N，其中N代表训练样本集中图像的个数。将图像看成一随机列向量，并通过训练样本对其均值向量和协方差矩阵进行估计。第6页/共18页第七页，共19页。 假设我们有N个样本数据xn,每个样本数据是D维，我们希望样本数据映射到MD维的子空间，并且使映射后的数据方差(fn ch)最大化。 我们设低维空间的方向向量为D维单位向量u1,并且具有正交性,即u1Tu1= 一个样本数据点xn被映射到1维空
4、间后就表示成了u1Txn。人脸识别的具体(jt)算法算法主要步骤(bzhu)及公式红点代表原始数据点；绿点代表被映射到低维空间后的点；紫线代表映射面第7页/共18页第八页，共19页。人脸识别的具体(jt)算法算法主要步骤(bzhu)及公式均值(jn zh)向量通过下式估计：协方差矩阵ST估计：则将投影变换矩阵A取为ST的前k个最大特征值对应的特征向量。利用以下变换式对原图像进行去相关并降维：第8页/共18页第九页，共19页。人脸识别的具体(jt)算法算法(sun f)在人脸识别中的应用在训练阶段，每个已知人脸映射到特征脸子空间，得到维向量：在识别阶段，首先把待识别图像映射到特征脸子空间，得到向
5、量：区别人脸与非人脸：计算原始图像与其有特征空间重建的图像之间的距离第9页/共18页第十页，共19页。人脸识别的具体(jt)算法算法(sun f)在人脸识别中的应用123第10页/共18页第十一页，共19页。总结(zngji)第11页/共18页第十二页，共19页。总结(zngji)人脸识别的缺陷(quxin)第12页/共18页第十三页，共19页。总结(zngji)人脸识别的缺陷(quxin)第13页/共18页第十四页，共19页。总结(zngji)人脸识别的缺陷(quxin)第14页/共18页第十五页，共19页。总结(zngji)人脸识别的缺陷(quxin)图像采集受各种外界影响很大，因此识别性
6、能低第15页/共18页第十六页，共19页。总结(zngji)人脸识别的用途(yngt)出入(chr)控制 单位、公司、政府的考勤，海关用于门禁公共安全协助公安破案，如帮助公安机关进行自动身份识别、在机场、车站、码头等地用于可疑分子跟踪信息安全利用人脸识别技术可以加强局域网和广域网的安全性，并且可以解除必须记录各复杂用户名、密码的烦恼人机交互人脸识别还可以应用于虚拟现实、视频会议等场合。人脸识别技术的研究涉及模式识别、计算机视觉、人工智能、图像处理、心理学、生理学和认知科学等多学科第16页/共18页第十七页，共19页。人脸识别第17页/共18页第十八页，共19页。感谢您的观看感谢您的观看(gunkn)！第18页/共18页第十九页，共19页。
人脸识别简约素雅模板学习教案
