基于隐马尔科夫模型的人脸识别VIP免费

基于隐马尔科夫的人脸识别1人脸检测及常用算法人脸检测，指的是从输入的图像（或者视频）中确定人脸的位置、大小和姿态的过程，是进行人脸识别的基础，也是实现人脸识别功能的一个关键环节。人脸检测是一种计算机视觉中的模式识别问题，就是将所有的人脸作为一个模式，而非人脸作为另一种模式，人脸检测的核心问题就是将人脸模式和非人脸模式区别开来。人脸检测的算法主要分为两大类，基于先验知识的和基于后验知识的学习和训练的算法。常见人脸检测的算法有：基于特征子脸人脸检测算法：该算法将所有人脸的集合视作一个人脸子空间，通过检测样本与子空间之间的投影距离检测样本中是否存在人脸；基于模板匹配的人脸检测算法：该算法先设计一个代表标准人脸的模板，将进行检测的样本与标准模板进行比对，通过考察样本与标准模板的匹配程度，设置合理的阈值来检测样本中是否存在人脸；神经网络人脸检测算法：该算法是一种学习算法，用于学习的训练集分为属于人脸图像的训练集和非人脸图像的训练集两类，通过学习从而产生分类器进行人脸检测；基于纹理模型的算法，对于人脸图像的灰度共生矩阵进行计算可以获得倒数分差、惯量相关特征这三个特征矩阵，然后通过迭代计算求得人脸图像矩阵中的参数。使用这种方法取得的模型就被称为人脸纹理模型。若人脸姿态有旋转，通过对眼睛进行定位可以计算出人脸的旋转角度或者使用投影直方图FFT变换等方法确定人脸旋转的方向，再进行人脸检测。1.1Haar特征Harr特征是一种矩形特征，在特征提取时由四类特征组成特征模板—边缘特征、圆心环绕特征、线性特征和特定方向的特征。特征模板包括白色矩形和黑色矩形两种。白色矩形内像素和（Sum白）减去黑色矩形像素和（Sum黑）就是模板的特征值。Haar特征反映的是图像中相邻矩形区域的灰度变化。Haar特征的每一个特征值feature可以表示为：iNiirrectsumfeature1其中i表示矩形的权重，irrectsum表示矩形所包围图像的灰度值之和。PaulViola和MichaclJoncs提出积分图算法提高图像举行特征的计算速度。对于对象中的任意一点yx,A，其灰度值为yxi,，积分图yyxxyxiyxii,,,，经过对图片的一次遍历，就可以得到图像中每一个点的积分图的值。假设需要计算矩形D的特征，其顶点为点1、2、3、4。这样，矩形D的特征为1324iiiiiiiifeatured。1.2AdaBoostAdaBoost（theAdaptiveBoostingAlgorithm）算法是一种用于分类器训练的算法该分类器算法，是一种基于统计模型的迭代算法。核心思想在于将一系列弱分类（BasicClassifier）器通过一定的方式进行叠加（Boost）后形成一个分类能力很强的强分类器（StrongClassifier）。首先，获得用于训练的样本库，样本库需包含正负样本。就人脸识别而言，即需获得人脸图片与非人脸图片，选择人脸图片时需考虑样本的多样性，选择非人脸图片时需要考虑样本是否具有代表性。在选取了合适的样本集合后对其进行循环处理，每次循环处理后可以得到一个假设。接下来对这个假设进行验证，得到使用该假设进行分类的错误率。在开始下一轮循环之前依据该错误率调整每个样本所占的权重。在实际训练过程中，第一次使所有样本的权重相同进行训练，从而得到一个弱分类器。然后使用这个得到的弱分类器进行人脸图片与非人脸图片的分类，得到分类结果。依据结果降低可正确分类的样本的权重，提高被错误分类的样本所占的权重再进行训练，从而得到一个新的分类器，之后重复上述步骤进行循环训练。这样，经过T次循环训练之后，就得到了T个弱分类器，将这T个弱分类器经过加权叠加，就得到了强分类器，理论上将，无穷多个大于50%的弱分类器的联合，其分辨正确率可以达到100%。1.3分类器最初的弱分类器可能只是一个最基本的Haar-like特征，计算输入图像的Haar-like特征值，和最初的弱分类器的特征值比较，以此来判断输入图像是不是人脸。比较输入图片的特征值和弱分类器中特征，一定需要一个阈值，当输入图片的特征值大于该阈值时才判定其为人脸。训练最优弱分类器的过程实际上就是在寻找合适的分类器阈值，使该分类器对所有样本的判读误差最低。具体操作过程：1、对于每个特征f，计算所有训练样本的特征值，并将其...