過去我們在探討指紋識別技術時,我們在講指紋門禁一體機,指紋門禁讀頭,指紋門禁考勤一體機等指紋識別產品,在指紋識別過程中是如何對指紋特征的提取。下面我們就帶你去了解一下人臉特征的提取技術。人臉表情特征提取技術的可以分為一下三部分。
1.原始特征的提取
原始特征包括特征(如眼睛、嘴唇等人臉特征)和瞬時特征(如某些表情所導致的魚尾紋等),他們可從圖像或視頻中獲取,不過所采用的方法有所不同:如果要從靜態圖像中獲取原始特征。
2.特征降維和抽取
獲取的原始特征往往都具有巨大的空間維數,這樣巨大的數據和信息冗余給進一步的分析帶來計算量和復雜度方面的問題。因此需要通過一些映射或變換將高維特征轉換到低維的子空間或將高維特征中的一部分抽取出來。另外,從心理學角度看,高維的圖像數據*可以投射到一個低維的子空間當中,且在這個子空間的信息已經足夠使得計算機完成對人臉特征的鑒別和分類工作。所以特征降維不僅可以使特征的維數明顯降低'而且可PCA.LDA、ICA特征的有效性得到提高。常用的特征降維和抽取的方法主要有PcA、LDA、IcA等。
3.特征分解
人臉圖像包含了豐富的信息。一方面,對不同的識別任務來說,所利用的信息各不相同。例如人臉檢測定位利用的是人臉圖像共有的信息,人臉識別利用的是人臉個體差異的信息,而表情識別則需要利用各種表情之間差異的信息;另一方面,對一種識別任務有利的信息有可能反而對其他識別任務造成干擾。所以,需要把與人臉有關的不同因素,如表情因素和個體因素分離開來,使得識別能夠在相應的子空間中進行,避免其他因素的干擾。
在臉部表情分解時,可以采用高階奇異值分解( HOSVD)的方法。這類方法將不同人、不同表情的圖像用一個3階的張量(分別表示個體、表情和特征)來表示,然后對張量用HOSVD方法進行分解,分別得到個體子空間、表情子空間和特征子空間。這類方法由于可把人臉各種不同的因素分解開,所以不僅可以較好地應用于表情識別,也可以方便地進行人臉表情的合成,甚至增加新的因素來滿足不同光照和不同角度的合成要求。此外,人臉的表情特征可以分為形變特征和運動特征,也可以分為基于整體特征的表情識別和基于局部特征的表情識別。
2025第十一屆中國國際機電產品交易會 暨先進制造業博覽會
展會城市:合肥市展會時間:2025-09-20