¿Cómo lograr la máxima velocidad de detección de rostros?
Existen muchos métodos de reconocimiento facial. Estos son algunos de los principales métodos de reconocimiento facial.
Método de reconocimiento facial basado en (1) rasgos geométricos
Los rasgos geométricos pueden ser la forma de ojos, nariz, boca, etc. y la relación geométrica entre ellos (como la distancia entre ellos). Estos algoritmos tienen una velocidad de reconocimiento rápida y poca memoria, pero una tasa de reconocimiento baja.
(2) Método de reconocimiento facial basado en cara propia
El método de cara propia es un método de reconocimiento facial basado en la transformación KL, que es un método de compresión ortogonal óptima. El espacio de imagen de alta dimensión después de la transformación KL obtiene un nuevo conjunto de bases ortogonales, conservando bases ortogonales importantes, generando así un espacio lineal de baja dimensión. Si se supone que las proyecciones de rostros humanos en estos espacios lineales de baja dimensión son separables, entonces estas proyecciones se pueden utilizar como vectores de características para el reconocimiento. Esta es la idea básica del método de caras propias. Estos métodos requieren más muestras de entrenamiento y se basan completamente en las propiedades estadísticas de la imagen en escala de grises. Actualmente existen algunos métodos de cara propia mejorados.
(3) Método de reconocimiento facial basado en red neuronal.
La entrada de la red neuronal puede ser una imagen de rostro con resolución reducida, la función de autocorrelación del área local, el segundo momento de la textura local, etc. Este método también requiere más muestras para el entrenamiento y, en muchas aplicaciones, la cantidad de muestras es muy limitada.
(4) Método de reconocimiento facial basado en coincidencia de gráficos elásticos.
El método de coincidencia de gráficos elásticos define la distancia en el espacio bidimensional que es invariante a las deformaciones faciales comunes y utiliza gráficos de topología de atributos para representar caras. Cualquier vértice del gráfico topológico contiene un vector de características, que se utiliza para registrar la información de la cara cerca de la posición del vértice. Este método combina características de escala de grises y factores geométricos, lo que permite que las imágenes se deformen elásticamente durante la comparación, logrando buenos resultados para superar el impacto de los cambios de expresión en el reconocimiento y eliminando la necesidad de entrenar múltiples muestras para una sola persona.
(5) Método de reconocimiento facial basado en la distancia de Hausdorff
La investigación psicológica muestra que la velocidad y precisión del reconocimiento humano de imágenes de contorno (como los cómics) no son mejores que las del reconocimiento. de imágenes grises. Gráfico de grados deficientes. LHD se basa en dibujos lineales extraídos de imágenes de rostros en escala de grises, que definen la distancia entre dos conjuntos de segmentos de línea. La diferencia es que LHD no establece una correspondencia uno a uno entre segmentos de línea en diferentes colecciones de segmentos de línea, por lo que es más adecuado para cambios menores entre dibujos de segmentos de línea. Los resultados experimentales muestran que LHD tiene buenos efectos de reconocimiento en diferentes condiciones de iluminación y diferentes posturas, pero el efecto de reconocimiento no es bueno en expresiones grandes.
(6) Método de reconocimiento facial basado en una máquina de vectores de soporte (SVM)
La máquina de vectores de soporte (SVM) es un nuevo punto caliente en el campo del reconocimiento de patrones estadísticos en los últimos años. que intenta hacer que la máquina de aprendizaje alcance un compromiso entre el riesgo de la experiencia y la capacidad de generalización, mejorando así el rendimiento de la máquina de aprendizaje. La máquina de vectores de soporte resuelve principalmente un problema de clasificación 2. Su idea básica es intentar transformar un problema linealmente inseparable de baja dimensión en un problema linealmente separable de alta dimensión. Por lo general, los resultados experimentales muestran que SVM tiene una buena tasa de reconocimiento, pero requiere una gran cantidad de muestras de entrenamiento (300 por categoría), lo que a menudo no es realista en aplicaciones prácticas. Además, el tiempo de entrenamiento de la máquina de vectores de soporte es largo y el método complicado. No existe una teoría unificada sobre cómo obtener esta función.
Existen muchos métodos de reconocimiento facial. Una de las direcciones de investigación actuales es la fusión de múltiples métodos para mejorar la tasa de reconocimiento.
En el reconocimiento facial, el primer tipo de cambios debe ampliarse como estándar para distinguir individuos, mientras que el segundo tipo de cambios debe eliminarse porque pueden representar al mismo individuo. En términos generales, el primer tipo de cambio se denomina cambio entre clases y el segundo tipo de cambio se denomina cambio intraclase. Para los rostros humanos, la variación intraclase es a menudo mayor que la variación interclase, lo que hace extremadamente difícil utilizar la variación interclase para distinguir individuos bajo la interferencia de la variación intraclase. Por las razones anteriores, no fue hasta principios del siglo XX que el reconocimiento facial comenzó a comercializarse en el extranjero. Sin embargo, debido a la complejidad del algoritmo de reconocimiento facial, sólo puede utilizar servidores enormes y basarse en potentes plataformas informáticas.