얼굴 인식을 위한 세 가지 기본 알고리즘은 Eigenface, LBP(Local Binary Patterns) 및 Fisherface 알고리즘입니다.
얼굴 인식을 위한 세 가지 고전적인 알고리즘
Eigenface 방법(Eigenface)
Eigenface 기술은 최근 개발된 기술로 얼굴 또는 일반 강체 인식 및 기타 관련 얼굴 처리 방법입니다. . 얼굴 인식을 위해 고유얼굴을 사용하는 방법은 Sirovich와 Kirby(1987)("Low-Dimensional Procedure for the Characterization of Human Faces")에 의해 처음 제안되었으며 Matthew Turk와 Alex Pentland("Eigenfaces for recognition")에 의해 얼굴 분류에 사용되었습니다. . 먼저, 얼굴 이미지 배치는 초기 훈련 이미지 세트의 기본 구성 요소인 "Eigenfaces"라는 특징 벡터 세트로 변환됩니다. 인식 과정은 새로운 이미지를 고유면 부분공간에 투영하고, 부분공간에서의 투영점의 위치와 투영선의 길이를 통해 이를 결정하고 식별하는 것입니다.
이미지가 다른 공간으로 변환된 후에는 동일한 카테고리의 이미지가 함께 수렴되는 반면, 서로 다른 카테고리의 이미지는 멀리 수렴됩니다. 원래 픽셀 공간에서는 분포에 단순한 선이나 단순한 선을 사용하기가 어렵습니다. 다양한 카테고리의 이미지를 표면을 분할하여 다른 공간으로 변환함으로써 매우 잘 분리할 수 있습니다.
Eigenfaces가 선택한 공간 변환 방법은 PCA(Principal Component Analysis)입니다. PCA는 얼굴 분포의 주요 구성 요소를 얻는 데 사용됩니다. 구체적인 구현은 훈련 세트에서 모든 얼굴 이미지의 공분산 행렬에 대해 고유값 분해를 수행하는 것입니다. 해당 고유값을 얻으면 이러한 고유벡터가 "고유면"입니다. 각 고유벡터 또는 고유면은 인간 얼굴 간의 변화 또는 특성을 캡처하거나 설명하는 것과 동일합니다. 이는 각 면이 이러한 고유면의 선형 조합으로 표현될 수 있음을 의미합니다.
로컬 바이너리 패턴(LBP)
로컬 바이너리 패턴(LBP)은 컴퓨터 비전 분야에서 분류에 사용되는 시각적 연산자입니다. 이미지 텍스처 특징을 설명하는 데 사용되는 연산자인 LBP는 1996년 핀란드 오울루 대학교의 T. Ojala et al.에 의해 제안되었습니다("특징 분포를 기반으로 한 분류를 통한 텍스처 측정에 대한 비교 연구"). 2002년에 T. Ojala et al.은 PAMI에 LBP("로컬 바이너리 패턴을 사용한 다중 해상도 회색조 및 회전 불변 텍스처 분류")에 대한 또 다른 기사를 발표했습니다. 이 기사에서는 다중 해상도, 그레이 스케일 불변, 회전 불변 및 등가 모드의 향상된 LBP 기능을 매우 명확하게 설명합니다. LBP의 핵심 아이디어는 중앙 픽셀의 회색 값을 임계값으로 사용하고 이를 해당 필드와 비교하여 해당 이진 코드를 얻어 로컬 텍스처 특징을 나타내는 것입니다.
LBP는 차별의 근거로 지역적 특징을 추출합니다. LBP 방식의 가장 큰 장점은 조명에 둔감하지만 여전히 자세와 표현의 문제를 해결하지 못한다는 점입니다. 그러나 고유면 방법에 비해 LBP 인식률이 크게 향상되었습니다.
Fisherface 알고리즘
선형 판별 분석은 차원을 줄이면서 범주 정보를 고려합니다. 이 분석은 1936년에 통계학자 R. A. Fisher 경("분류학 문제에서 다중 측정 사용")에 의해 발명되었습니다. 클래스 간 분산을 최대화하고 클래스 내 분산을 최소화하기 위해 기능을 결합하는 방법을 찾기 위해. 아이디어는 간단합니다. 저차원 표현에서는 동일한 클래스가 서로 촘촘하게 모여 있어야 하고, 다른 클래스는 최대한 멀리 떨어져 있어야 합니다. 1997년에 Belhumer는 얼굴 분류에 Fisher 판별 기준을 성공적으로 적용하고 선형 판별 분석을 기반으로 하는 Fisherface 방법을 제안했습니다("Eigenfaces 대 fisherfaces: 클래스별 선형 투영을 사용한 인식").
더 많은 관련 지식을 보려면 PHP 중국어 웹사이트를 방문하세요!
위 내용은 얼굴 인식을 위한 세 가지 고전적인 알고리즘은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!