¿Qué tecnología se utiliza para lograr el reconocimiento facial?
El método de cara propia es un método de reconocimiento facial basado en la transformación KL, que es una transformación ortogonal óptima para la compresión de imágenes. Después de la transformación KL, se obtiene un nuevo conjunto de bases ortogonales a partir de un espacio de imagen de alta dimensión, que conserva bases ortogonales importantes y se puede transformar en un espacio lineal de baja dimensión. Suponiendo que las proyecciones de rostros humanos en estos espacios lineales de baja dimensión son separables, estas proyecciones se pueden utilizar como vectores de características para el reconocimiento. Ésta es la idea básica del método de caras propias. Estos métodos requieren más muestras de entrenamiento y se basan completamente en la escala de grises de la imagen.
2. Método de reconocimiento facial basado en red neuronal.
La entrada de la red neuronal puede ser una imagen de un rostro con resolución reducida, la función de autocorrelación del área local, el segundo momento de la textura local, etc. Este método también requiere más muestras para el entrenamiento, pero en muchas aplicaciones, la cantidad de muestras es muy limitada.
3. Método de reconocimiento facial basado en coincidencia de gráficos elásticos.
El método de coincidencia de gráficos elásticos define la distancia en el espacio bidimensional que es invariante a las deformaciones faciales comunes y utiliza gráficos de topología de atributos para representar caras. Cualquier vértice del gráfico topológico contiene un vector de características, que se utiliza para registrar la información de la cara cerca de la posición del vértice. Este método combina características de escala de grises y factores geométricos, permite la deformación elástica de imágenes durante la comparación y logra buenos resultados para superar el impacto de los cambios de expresión en el reconocimiento, al tiempo que elimina la necesidad de entrenar múltiples muestras para una sola persona.
4. Método de reconocimiento facial basado en la distancia de Hausdorff
La investigación psicológica muestra que la velocidad y precisión del reconocimiento de imágenes de contorno (como los cómics) no son mejores que las de las imágenes en escala de grises. . LHD se basa en un mapa de segmentos de línea extraído de una imagen en escala de grises de la cara, que define la distancia entre dos conjuntos de segmentos de línea. La diferencia es que LHD no establece una correspondencia uno a uno entre conjuntos de segmentos de línea, por lo que es más adecuado para cambios menores entre dibujos de segmentos de línea. Los resultados experimentales muestran que el LHD tiene diferentes condiciones de iluminación y diferentes posturas.
5. Método de reconocimiento facial basado en máquina de vectores de soporte (SVM)
La máquina de vectores de soporte (SVM) es un nuevo punto caliente en el campo del reconocimiento de patrones estadísticos en los últimos años. Intenta hacer que la máquina de aprendizaje alcance un compromiso entre el riesgo de la experiencia y la capacidad de generalización, mejorando así el rendimiento de la máquina de aprendizaje. SVM resuelve principalmente un problema de clasificación binaria. Su idea básica es intentar transformar un problema linealmente inseparable de baja dimensión en un problema linealmente separable de alta dimensión. Por lo general, los resultados experimentales muestran que SVM tiene una buena tasa de reconocimiento. Pero requiere una gran cantidad de muestras de entrenamiento (300 muestras por categoría), lo que a menudo no es realista en aplicaciones prácticas. Además, el tiempo de entrenamiento de la máquina de vectores de soporte es largo, el método es complicado y no existe una teoría unificada sobre cómo obtener la función del núcleo.