人臉識別演示稿

人臉識別演示稿1第一頁，共十三頁，編輯于2023年，星期六課題研究內(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第二頁，共十三頁，編輯于2023年，星期六（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第三頁，共十三頁，編輯于2023年，星期六方案設(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)輸出身份信息圖（二）系統(tǒng)流程圖4第四頁，共十三頁，編輯于2023年，星期六運行過程（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第五頁，共十三頁，編輯于2023年，星期六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第六頁，共十三頁，編輯于2023年，星期六人臉的區(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第七頁，共十三頁，編輯于2023年，星期六運行過程（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)方法上的擴展。1、傳統(tǒng)主成分分析方法2、張量主成分分析8第八頁，共十三頁，編輯于2023年，星期六運行過程（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第九頁，共十三頁，編輯于2023年，星期六研究結(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中自帶強大的矩陣處理函數(shù)。10第十頁，共十三頁，編輯于2023年，星期六研究結(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第十一頁，共十三頁，編輯于2023年，星期六研究結(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第十二頁，共十三