引言0.1 人脸识别的概念
2009-12-30 13:34
302 查看
引言0.1 人脸识别的概念
人脸识别是模式识别的一个分支。模式识别通常可以理解为我们日常所使用的“识别”一词。因此,人脸识别,可以理解成为利用人脸的一些信息来对对象进行识别的过程或方法。 比如一张桌子,我们可以描述其颜色、气味、尺寸、材质、重量以及品牌等等各种属性;比如一张脸,我们可以描述其肤色、表情、苍老程度、尺寸以及美丑等等各种属性。我们把桌子和脸抽象为一个对象,将其各种属性称为对象的属性,把对这些属性的描述称为对象的属性参数,把这些参数的分布所传递的内容称为信息。 那么,人脸识别就是利用人脸对象所包含的信息来进行识别的过程或方法。 我们的原始对象是人的脸。通过摄像机、照相机、三维扫描仪以及其他输入设备(如眼睛)所获得的数据是对人脸的一种视角的映射。这种映射本身肯定是不完备的。无论哪一种映射方法都是有损失的。比如我们的正面照片不能获得足够的鼻翼凹陷程度的描述。 利用这些映射所得到的数据,成为我们的第二手材料。数据来源的不同,衍生出很多种类的人脸识别方法,如可见光的人脸识别、非可见光人脸识别、视频人脸识别、三维人脸识别等。这些不同的方法之间又有交叉。但是万变不离其宗,那就是无论什么方法,都是利用某些人脸本身的信息在某个视角上的有损映射所获得的信息来进行识别的过程或方法。 我们这里暂时以可见光的平面照片人脸识别为基础。 人脸本身并不是永不改变的,严格来说,在不同时刻或不同地点,不存在同一个人脸。也就是说,人脸的变化是永恒的。那么,这种不断变化着的人脸,是否可以达到识别的要求。我们就先需要探讨识别的要求。这个我们放在下一个话题探讨。我们这里假设人脸里面蕴涵着某些不变的东西可以用来识别。 在不断变化的人脸中,提取出某些不会变化的特性,是我们用来识别的基础。这种特性的提取过程,我们通常称为特征提取,也叫建模。特征提取方法有很多很多种,我们将在以后的文章里进行一些讨论。 假设特征提取已经完成。也就是说,一个人的脸,通过某种采集输入设备获得了一个人脸的映射,在这个映射的基础上获得了某些不变的特征。那么,我们可以用这些特征来描述这个脸。如果可以通过这些特征通过某种算法恢复出原来的映射,那么这种特征提取方式就是一个全通的、无损的。而不能恢复的这种情况更为普遍,这是因为我们对于运算量和抽象化的要求。关于全通的问题,我们在新的话题里面探讨,这是《信号与系统》课程里的内容。 现在我们已经有了特征,如果我们的精确度足够,如果人脸能够精确区分,那么,这些特征就能够一一表征每一张脸,同时也就表征了每一个人。而显然,这样的精确性假设是不合理的。因此,一个人的不同的脸,将可能获得不同特征。也就是说,当我们得到两个特征的时候,我们不能百分之百地宣称,这就是同一个人。但是我们相信这些特征有一定的区分度。如果某两个特征比较接近,那么我们说这两张脸比较像。 我们说到两个特征比较接近,实际上是隐含了一个两个特征之间的距离概念,距离是用来定义两个特征之间的某种关系的一个数学符号。我们最常见的距离就是欧氏距离。但是欧氏距离并不一定适合我们的特征之间的距离。显然,距离是一个大于零的参数。这也在后面讨论。 如果我们定义了距离,那么如果距离等于零,我们是否就可以认为这是同一张脸。这可以认为是一个基本共识。如果距离比较近,我们就可以认为这两张脸比较象。因此距离参数d的范围从0到无穷大变化的时候,也就是两张脸从绝对相象(同一张脸)到完全不同的脸的变化。建立一个新的d(0-无穷大)到100%-0%的投影,我们就可以给出相似度的一个度量。 下一个话题我们谈人脸识别的系统。 |
相关文章推荐
- 关于人脸识别或者表情识别的一些基本概念
- 人脸识别的十个概念
- 人脸识别的十个概念
- 一篇文章搞懂人脸识别的十个概念
- 一篇文章搞懂人脸识别的十个概念
- 人脸识别之特征脸识别方法EigenFace
- opencv3之视频识别人脸并匹配
- 微软牛津项目人脸识别API初探
- 人脸检测和识别通用API和库
- Android中人脸识别技术
- 人脸识别必读的优秀论文
- opencv 学习人脸识别
- 人脸识别必读的N篇文章
- 人脸识别发展史与算法综述
- java实现人脸识别源码【含测试效果图】——Dao层(IBaseDaoUtil)
- 人脸性别识别文献阅读笔记(3)
- 资源 | 从人脸识别到机器翻译:52个有用的机器学习和预测API
- java实现人脸识别源码【含测试效果图】——Servlet层(FaceServlet)
- 多维活体检测,让人脸识别更安全
- 人脸识别SDK介绍