SVM在人脸识别中的应用课件

1、SVM在人脸识别中的应用红酒7/18/20221介绍主要是关于SVM理论在人脸上的应用本人现在还没做出实际的实验结果还是理论分析和探讨的过程,基于的是SPIDER的matlab编程环境下的仿真还在学习过程中.7/18/20222讨论主题基于肤色的分类,通过SVM训练,识别出人脸.7/18/20223人脸检测方法 基于知识knowledge-based methods 的方法 基于特征不变性feature invariant approaches 的方法 模版匹配template matching methods 的方法 基于外观appearance-based methods的方法 7/18/

2、20224肤色模型本文采用的是基于特征不变性的方法.肤色是人脸非常重要的一个特性,是带有人物的彩色图象中数据量相对集中且稳定的区域.有研究表明:尽管不同民族、不同年龄、不同性别的人的肤色看上去不同，但这种不同主要集中在亮度上，在色度空间里，不同人的肤色分布具有聚类性。肤色聚类的任务是在选定的颜色空间内求出肤色的分布，肤色的这种聚类特性可以用来从背景中分割出人脸。7/18/20225选择色彩空间选取YCbCr色彩空间的原因：（1）RGB色彩空间表达色度信息和亮度信息是混合在一起的，为利用肤色在色度空间的聚类性，需要把颜色表达中的色度信息与亮度信息分开，因为环境光线变化对肤色的判定有很大影响，而Y

3、CbCr色彩空间是修改YUV色彩空间所得到的，分为亮度Y与Cb与Cr两个色度，对亮度的分离性高，便于色度分开操作，适合进行图像处理。（2） YCbCr色彩空间不是单纯地依靠压缩色彩信息来降低误检率，而是将人脸的肤色信息集中于两个色度分量上，且是两维独立分布。7/18/20226（3） YCbCr色彩空间和通用视频输入源的格式一致，无需额外作色度空间的变换，既实现了色彩信息的压缩，也实现了亮度色度的分离，有利于以后的动态视频人脸检测的研究。（4）从RGB空间到YCbCr色彩空间是线性变换，与HSV、HIS等空间变换7/18/20227肤色分割简单图象的肤色分割（1）对人脸样本在CbCr色度空间进

4、行统计学习，得到一个CbCr平面中的人脸肤色分布模型。（2）放大分析肤色分布图，可以发现肤色像素主要分布在区间： 肤色区间在一定光照变化范围内保持稳定。（3）将输入的RGB图象转化到YCbCr颜色空间，然后采用阈值方法对肤色区域进行判决，判断图象中各个像素点的色度值是否符合模型的分布，获得预分割的肤色区域。7/18/20228其中，是输入图象中原有的像素值，是肤色预分割后该像素点的值（）将图象转变成一个二值图象，用中值滤波和形态学算子剔除有噪声引起的孤立小区域，得到更准确的肤色区域7/18/20229复杂背景的图象（）选择有代表性的各种光照、不同人种（主要以亚洲、欧美人为选择对象）的人脸图象，

5、利用手工采集人脸皮肤样本，以额头和面颊上的皮肤为主要采集对象。（）利用统计的方法，在色彩空间建立一个高斯模型（，），得到人脸肤色直方图见图和高斯分布图见图。（）将输入的彩色图象转化到颜色空间，对图象中每个像素用公式计算高斯模型概率，判断图象中各个像素点的色度值是否符合模型的分布，得到似然度图象其中， ,7/18/202210图7/18/202211图7/18/202212(4)将似然度图象二值化，用的中值滤波器去除噪声，得到更准确的肤色区域小结：经过肤色分割后的图象大大缩小了人脸的搜索范围，为后面基于的人脸检测方法打下了良好的基础7/18/202213（）支持向量聚类理论的介绍SV-Clustering的基本算法思想如下 ：7/18/2022147/18/2022157/18/2022167/18/2022177/18/2022187/18/202219应用的进行下面介绍下我的设想了，基本还没通过仿真，先在我自己的头脑中模型了下，如果有错误的概念，请间谅！7/18/202220流程：图象资源进行色彩空间的转换通过预处理，进行肤色分割然后将肤色信息用的模块进行训练（到现在这个模块我还没做出来）训练出分类后，标记出位置（希望能得到是人脸）因为选取参数时处于自由度很大，由于我把肤色信息提取成二维色度信息了，训练时基本可以通过直观的方式确定参数，然后大量的训练其他样本去验