人脸描述是人脸识别的核心问题之一

人脸识别的研究实践表明，在人脸三维形状信息难以准确获取的情况下，从图像数据中提取多方位、多尺度Gabor特征是一种合适的选择。 利用Gabor特征进行人脸识别的典型方法有弹性地图匹配(EGM)和Gabor特征判别分类(GFC)。 在实践中，EGM需要解决关键特征点定位问题，速度难以提高;而GFC直接使用PCA来减小下采样Gabor特征的尺寸，进行判别分析。 虽然这避免了关键特征点精确定位的困难，但下采样样本的特征维度仍然偏高，需要简单的下采样策略。 可能缺少了很多有用的特性。针对上面的问题,我们考虑如何有效降低伽柏的尺寸特性,并应用创新学习演算法,目前的担忧,伽柏特征提取的选择最有利的特性识别(我们称之为选择伽柏特性AdaGabor特性)。 最后，通过对AdaGabor特征的判别分析(AGFC识别方法)来实现识别。 通过对casc - peal和FERET人脸图像数据库的实验表明，AGFC方法不仅可以大大减小Gabor特征的维数，而且可以更有效地避免“维数灾难问题”，降低计算复杂度，提高识别精度。 通过比较AGFC能量法和GFC,可以看出,能量法和GFC都是主观选择几个关键面部特征点提取面部特征表示,虽然AGFC我们提出的方法来自动选择伽柏特性发挥关键作用通过机器学习在区分不同的面孔。请看下面三者之间的区别和关系。基于SV SV - kfd_abstract:支持向量机(support vector machine, SVM)和Kernel_Fisher分析法是用核方法解决线性不可分问题的两种不同方法。 在一起。首先，在基于支持向量的类内散度矩阵的前提下，证明了支持向量机最优分类曲面的法向量具有零空间性质。在此基础上，我们定义了kernelized_decision_boundaries y_feature_matrix，简称KDBFM。最后，我们使用基于零空间的Kernel_Fis。她的方法计算投影空间。提出了一种将类平均向量差与KDBFM相结合的扩展决策边界特征矩阵的构造方法。 这两种方法已成功应用于人脸识别领域。实验结果表明，该方法比传统的人脸识别算法具有更好的识别性能。是的。基于特定人脸子空间的人脸识别问题:特征人脸是人脸识别领域最著名的算法之一，它本质上是通过PCA得到人脸图像分布的线性子空间。但这种空间反映出，对于识别来说，这样的特征不一定有利于识别。 识别任务需要那些最有可能区分不同面孔的特征。 在“feature face”方法中，每个人都有一个face子空间，而我们的方法是为每个个体的face子空间建立一个私有的face子空间，这样不仅可以更好地描述不同个体的面部差异，还可以尽可能的放弃识别。由于类内差分和噪声的不足，它比传统的特征人脸算法具有更好的识别能力。此外,针对人脸识别的问题只有一个训练样本为每个单独的标识,我们提出一种技术生成多个基于单个样本训练样本,所以个人面临子空间方法需要多个训练样本可以应用于人脸识别与一个训练样本。 通过对耶鲁人脸数据库B的对比实验也表明，该方法在一定范围内的面部表情、光照、姿态变化等方面都优于传统的特征人脸方法和模板匹配方法。