人脸识别演示稿_第1页
人脸识别演示稿_第2页
人脸识别演示稿_第3页
人脸识别演示稿_第4页
人脸识别演示稿_第5页
已阅读5页，还剩8页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

人脸识别演示稿1第一页，共十三页，2022年，8月28日课题研究内容一、研究目的（一）身份识别图（一）人的面部特征人脸数据库反馈输出身份信息2第二页，共十三页，2022年，8月28日（二）论证当前主流人脸识别算法二维： 基于模板匹配的方法 基于奇异值特征方法 子空间分析方法 主成分分析（PCA）方法三维： 基于图像特征方法 基于模型可变参数的方法课题研究内容3第三页，共十三页，2022年，8月28日方案设计流程图：训练样本人脸检测、定位、切割输入人脸图像特征提取人脸图像TPCA变换矩阵测试样本人脸特征比对、匹配识别预处理身份确认输出身份信息图（二）系统流程图4第四页，共十三页，2022年，8月28日运行过程（一）人脸图像的预处理人脸图像分割：将背景和人脸图区分开来。图像分割5第五页，共十三页，2022年，8月28日人脸图像的去噪处理：去除图像编码和传输中产生的噪声。运行过程(a)有噪声的人脸图(b)去噪后的人脸图图像去噪（一）人脸图像的预处理6第六页，共十三页，2022年，8月28日人脸的区域标定、选取：检测出人脸在图像中的位置、大小信息。运行过程（一）人脸图像的预处理人脸区域标定、选取7第七页，共十三页，2022年，8月28日运行过程（二）人脸特征的提取TensorPCA（张量主成分分析）:在传统主成分分析(PCA)方法上的扩展。1、传统主成分分析方法2、张量主成分分析8第八页，共十三页，2022年，8月28日运行过程（三）高阶奇异值分解（HOSVD）奇异值分解是线性代数中一种重要的矩阵分解，可以用来求高阶矩阵特征值时降阶，有两个重要应用：1、求伪逆2、矩阵近似值9第九页，共十三页，2022年，8月28日研究结果（一）基于TensorPCA算法 的人脸识别系统1、利用ORL人脸库：避免因外界因素影响图像质量下降，直接使用ORL库中已经处理过的人脸图像。2、MATLAB中实现人脸识别，利用MatLab中自带强大的矩阵处理函数。10第十页，共十三页，2022年，8月28日研究结果（一）基于TensorPCA算法 的人脸识别系统图（三）人脸识别检测系统11第十一页，共十三页，2022年，8月28日研究结果（二）基于TensorPCA算法 的创新性1、张量主成分分析用于人脸数据结构克服了数据向量化带来的缺点。2、与常规的主成分分析算法相比，张量主成分分析算法在同样的压缩比水平上能够实现更优的重构图像。12第十二页，共十

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论