El método de reconocimiento facial basado en características algebraicas parece muy difícil. Me pregunto cómo lo manejan todos.

En el reconocimiento facial basado en características algebraicas, cada imagen de la cara se considera como una matriz con una escala de grises de píxeles como elemento, y las características de la cara se representan mediante datos que reflejan ciertas características a representar. Seamos realistas), (y x I es una imagen bidimensional de N M. Sin embargo, en un espacio así, no todas las partes contienen información valiosa, por lo que generalmente es necesario mapear estos puntos en un espacio tan grande en un espacio de menor dimensión. a través de algún tipo de transformación, y luego usar la imagen. Se utiliza alguna medida de proyección (más comúnmente varias medidas de distancia) para determinar la similitud entre imágenes. Entre los métodos de reconocimiento facial basados ​​​​en características algebraicas, los más estudiados son el análisis de componentes principales (. PCA) y Fisher lineal (LDA).

La aplicación completa de reconocimiento facial PCA (PrincipalComponentAnalysis) incluye cuatro pasos: preprocesamiento de imágenes faciales y entrenamiento para formar un subespacio de características; La imagen de entrenamiento y la imagen de prueba se proyectan en el subespacio obtenido en el paso anterior; seleccione una determinada función de distancia para el reconocimiento. Los detalles son los siguientes:

4.1 Leer la base de datos de rostros

. Realice la base de datos de rostros después de la normalización, seleccione una cierta cantidad de imágenes para cada persona en la biblioteca para formar un conjunto de entrenamiento. Deje que la imagen normalizada sea n × n y las columnas se conecten para formar un vector de n 2 dimensiones. considerarse como un vector de n2 dimensiones en un espacio de n2 dimensiones. En un punto, la imagen se puede describir mediante la transformación K-L mediante un subespacio de baja dimensión.

4.2 Calcule la matriz generadora de la transformación K.L.

La matriz de dispersión general de un conjunto de muestras de entrenamiento es la matriz generadora, es decir

o se escribe como:

En la fórmula, xi es el. vector de imagen de la i-ésima muestra de entrenamiento, |l es el vector medio de la muestra de entrenamiento y M es el número total de muestras de entrenamiento. Para encontrar los valores propios y los vectores propios normalizados ortogonales de la matriz dimensional n2 × n2. Σ, calcularlos directamente es demasiado costoso desde el punto de vista computacional, por lo que se introduce el teorema de descomposición del valor singular para resolver el problema de las dimensiones demasiado altas.

Si es posible, puede ir a Ph colorreco, tienen una comunicación. plataforma