人脸检测和比较 [英] Face detection and comparison
问题描述
我正在为我的文章的人脸检测一个小的研究和比较。
目前，我使用基于像基于OpenCV的级联功能哈尔快速人脸检测（我将在后面实现学习）。下一步骤是使脸的比较。是否有任何众所周知的算法？这将是巨大的，如果有一些C＃代码，解释他们或某些DLL的实现它们。
I'm running a small research on face detection and comparison for my article. Currently, I'm using rapid face detection based on haar like features based on OpenCV cascade (I'll implement learning later). The next step is making face comparison. Are there any well know algorithms? It'll be great, if there are some C# codes, explaining them or some dll's that implements them.
推荐答案
的特征脸
要生成一组特征脸的一个
大组人
的面孔，相同的照明
条件下拍摄的数字化图像，均归排队
眼睛和嘴巴。他们是那么所有
在同一像素
号决议重新取样。特征脸可以是由称为
主成分分析（PCA）的数学工具的
装置提取出的图像数据的
To generate a set of eigenfaces, a large set of digitized images of human faces, taken under the same lighting conditions, are normalized to line up the eyes and mouths. They are then all resampled at the same pixel resolution. Eigenfaces can be extracted out of the image data by means of a mathematical tool called principal component analysis (PCA).
特征脸现在可以用于
表示新的面孔：我们可以投射出
新的
特征脸（均值减去）的图像，从而记录下
新脸的区别平均脸。
相每
相关联的特征脸表示多少在训练集中的
图像从
在该方向上的平均图像变化的特征值。我们
按上本征向量的一个子集，
伸出的
图像丢失的信息，但我们最小化通过保持
相最大
的特征值的那些特征脸这一损失。
The eigenfaces can now be used to represent new faces: we can project a new (mean-subtracted) image on the eigenfaces and thereby record how that new face differs from the mean face. The eigenvalues associated with each eigenface represent how much the images in the training set vary from the mean image in that direction. We lose information by projecting the image on a subset of the eigenvectors, but we minimise this loss by keeping those eigenfaces with the largest eigenvalues.
如果你的脸没有对齐，那么我建议你阅读以下文章：
If your faces aren't aligned, then I'd recommend reading the following paper:
<一个HREF =http://cbcl.mit.edu/projects/cbcl/publications/ps/iccv2001.pdf>支持向量机
摘要：：我们提出了一种基于组件的方法
和面部
识别两个全球性的方法，并与
关于对姿势$稳健性评估它们b $ b变为。在组件系统中，我们
第一定位面部组件，
提取它们，并将它们结合成它是由一个支持向量机
归类
A
单个特征矢量（SV ）。
Abstract: We present a component-based method and two global methods for face recognition and evaluate them with respect to robustness against pose changes. In the component system we first locate facial components, extract them and combine them into a single feature vector which is classified by a Support Vector Machine (SVM).
这两个全球系统通过分类的单一特征向量
组成的
面部整体图像的灰度值识别人脸
。在全球第一个
系统我们培养了一个SVM
分类每个人在
数据库。第二个系统由一系列具体观点-SVM
分类的
和培训过程中涉及到的聚类
The two global systems recognize faces by classifying a single feature vector consisting of the gray values of the whole face image. In the first global system we trained a single SVM classifier for each person in the database. The second system consists of sets of viewpoint-specific SVM classifiers and involves clustering during training.
这篇关于人脸检测和比较的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！
