人脸朝向识别.ppt

d.选择与权值向量的距离最小的神经元 计算并选择输入向量和权值向量的距离最小的神经元，并把其称为胜出神经元，记为j 。 e.更新连接权值 如果胜出神经元和预先指定的分类一致，称为正确分类，否则称为不正确分类。正确分类和不正确分类时权值的调整量分别使用公式（1）、（2）： f.判断是否满足预先设定的最大迭代次数，满足时算法结束，否则返回2，进入下一轮学习。 2、 LVQ神经网络模型 2、 LVQ神经网络模型 四、人脸朝向的判别 BP网络 从题目所给的图片中选取一张人脸（例如第八个）的五张图片并提取其特征向量，结果如下： 四、人脸朝向的判别 将其带入训练后的BP神经网络，输出结果为： 即 Y1=[0.8721 0.0746 -0.0670]…………[1 0 0](左) Y2=[1.0962 1.0465 0.0258] …………[1 1 0](左前) Y3=[-0.0345 1.0025 0.0947]…………[0 1 0](前) Y4=[0.0342 1.0087 1.0067] …………[0 1 1](右前) Y5=[0.3450 0.1453 1.0984] …………[0 0 1](右) 谢谢！ * 人脸朝向识别 一、 问题描述 人脸朝向识别在对人脸的应用研究中起着很关键的作用。 现给出了一组人脸在朝向不同角度时的图像数据，这组图像来自不同的10个人（详见附录一），每人有朝向五个不同方向的图像各一张，其朝向分别是：左方、左前方、前方、右前方和右方，如图1所给出范例。试建立人脸朝向识别模型，对人脸的朝向进行识别。 1 颜色特征提取 2 纹理特征提取 3 形状特征提取 4 空间关系特征提取 二、 图像特征提取方法 特点 优点：基于像素点，所有像素都有贡献。不受图像旋转和平移变化的影响，借助归一化可不受图像尺度变化的影响。 缺点：没有表达出颜色空间分布的信息，不能很好地捕捉图像中对象的局部特征。 1 颜色特征提取 常用的特征提取与匹配方法 a 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。 其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 1 颜色特征提取 常用的特征提取与匹配方法 b 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 1 颜色特征提取 常用的特征提取与匹配方法 c 颜色矩 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布 1 颜色特征提取 常用的特征提取与匹配方法 d 颜色聚合向量 核心思想：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 1 颜色特征提取 特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理 例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将