SVM在人脸识别中的应用

1/10/20201SVM在人脸识别中的应用红酒1/10/20202介绍主要是关于SVM理论在人脸上的应用本人现在还没做出实际的实验结果还是理论分析和探讨的过程,基于的是SPIDER的matlab编程环境下的仿真还在学习过程中.1/10/20203讨论主题基于肤色的分类,通过SVM训练,识别出人脸.1/10/20204人脸检测方法基于知识knowledge-basedmethods的方法基于特征不变性featureinvariantapproaches的方法模版匹配templatematchingmethods的方法基于外观appearance-basedmethods的方法1/10/20205肤色模型本文采用的是基于特征不变性的方法.肤色是人脸非常重要的一个特性,是带有人物的彩色图象中数据量相对集中且稳定的区域.有研究表明:尽管不同民族、不同年龄、不同性别的人的肤色看上去不同，但这种不同主要集中在亮度上，在色度空间里，不同人的肤色分布具有聚类性。肤色聚类的任务是在选定的颜色空间内求出肤色的分布，肤色的这种聚类特性可以用来从背景中分割出人脸。1/10/20206选择色彩空间选取YCbCr色彩空间的原因：（1）RGB色彩空间表达色度信息和亮度信息是混合在一起的，为利用肤色在色度空间的聚类性，需要把颜色表达中的色度信息与亮度信息分开，因为环境光线变化对肤色的判定有很大影响，而YCbCr色彩空间是修改YUV色彩空间所得到的，分为亮度Y与Cb与Cr两个色度，对亮度的分离性高，便于色度分开操作，适合进行图像处理。（2）YCbCr色彩空间不是单纯地依靠压缩色彩信息来降低误检率，而是将人脸的肤色信息集中于两个色度分量上，且是两维独立分布。1/10/20207（3）YCbCr色彩空间和通用视频输入源的格式一致，无需额外作色度空间的变换，既实现了色彩信息的压缩，也实现了亮度色度的分离，有利于以后的动态视频人脸检测的研究。（4）从RGB空间到YCbCr色彩空间是线性变换，与HSV、HIS等空间变换1/10/20208肤色分割简单图象的肤色分割（1）对人脸样本在CbCr色度空间进行统计学习，得到一个CbCr平面中的人脸肤色分布模型。（2）放大分析肤色分布图，可以发现肤色像素主要分布在区间：]168,130[]127,86[CrCb]168,130[]127,86[CrCb肤色区间在一定光照变化范围内保持稳定。（3）将输入的RGB图象转化到YCbCr颜色空间，然后采用阈值方法对肤色区域进行判决，判断图象中各个像素点的色度值是否符合模型的分布，获得预分割的肤色区域。1/10/20209elseandCrCbPPoldoldnew,255]168,130[]127,86[,oldP其中，是输入图象中原有的像素值，是肤色预分割后该像素点的值．newP（４）将图象转变成一个二值图象，用中值滤波和形态学算子剔除有噪声引起的孤立小区域，得到更准确的肤色区域．1/10/202010复杂背景的图象（１）选择有代表性的各种光照、不同人种（主要以亚洲、欧美人为选择对象）的人脸图象，利用手工采集人脸皮肤样本，以额头和面颊上的皮肤为主要采集对象。（２）利用统计的方法，在ＹＣｂＣｒ色彩空间建立一个高斯模型Ｎ（ｍ，），得到人脸肤色直方图见图１和高斯分布图见图２。（３）将输入的ＲＧＢ彩色图象转化到ＹＣｂＣｒ颜色空间，对图象中每个像素用公式计算高斯模型概率，判断图象中各个像素点的色度值是否符合模型的分布，得到似然度图象．))()(21exp(mxmxPTpixel其中，,Tcrcbx),(TmxmxE))((),(crcbEm1/10/202011图１1/10/202012图２1/10/202013(4)将似然度图象二值化，用３＊３的中值滤波器去除噪声，得到更准确的肤色区域．小结：经过肤色分割后的图象大大缩小了人脸的搜索范围，为后面基于ＳＶＭ的人脸检测方法打下了良好的基础．1/10/202014ＳＶＣ（ＳｕｐｐｏｒｔＶｅｃｏｔｒＣｌｕｓｔｅｒｉｎｇ）支持向量聚类理论的介绍SV-Clustering的基本算法思想如下：1/10/202015是一个惩罚项。是常数，　　　　其中　　拉格朗日乘子　　　其中拉格朗日定理有。０其中＋使得　　　目标外以允许若干点在超球之或者增加一个松弛变量是球的中心）是欧几里德范式，　使得　　　目标中最小化泛函征空间我们需要在这个高维特：：的映射到特征空间个从空间核函数，从而定义了一选择这里个样本点的数据集给定jjjjjjjjjjjjjjjdCCNjCaxRRLNjRaxajRaxRXXNi;,,2,1,0,0))((,,2,1,)(RMin()(RMinFx),k(xF,XFXRBF,},,2,1|{xN2222222i1/10/2020161,,1,0)()()(0))((0)(1222jjjjjiijjijjijjjjjjjjjjjjjjjNjCxxxWaaxRCxaaR　　　　　　　　　　　　　　其中，　　关于变量　最大化　　的二次形式我们得到关于变量，和Ｒ，利用上述条件消除变量　　　　　　　　们又有从传统的ＫＫＴ条件我　）　（这定义了球的中心　　　有求导并令其为零，我们和，分别对1/10/20201722)()(),(),()()(),(00axxRxxxKxxKWxxxxKxxjiijjijjjijijijjjj　　　到球中心的距离为间中的像，我们定义它在特征空对每一个点我们有　，然后根据核函数的性质确定了球的中心。球的边界上），这些点（其像点将出现在对应的点在球上）；与，有些可能（其像点被包含在球内对应的数据点种类型的数据点：与　这样，我们将得到两1/10/202018　　其它，如果Ｒ的线段上的点和　　对所有连接Ａ图的连通成分。这里类就是有矩阵Ａ导出的，那么这些点所属各聚邻接矩阵Ａ超球上或之内）定义其像点在（它们在特征空间中的和对原始空间中的这些点过的点。进一步，我们通孤立点定义为满足条件　　　　｛定义为　　中构成个聚类的边界线径。于是原始数据空间均值作为最终的半在所有支持向量上的平通常我们取是支持向量｝　　　是特征空间中超球的半径根据上述条件得0)(1)(})(|)(|)({),(),(2),()(2RyyxxxxRxRRxRxxRxxRRxxKxxKxxKxRjiijijjiiiijiijjijjj1/10/202019。即最小化　最大化　　：结合前述公式可转换为核函数选取的方法进行。另外，若试用随机若干点并验证其中，对线段上点的测),(),,(1)exp(),(2jiijjijiijjiiixxKWxxKWxxxxKRBF1/10/202020应用的进行下面介绍下我的设想了，基本还没通过ＭＡＴＬＡＢ仿真，先在我自己的头脑中模型了下，如果有错误的概念，请间谅！1/10/202021流程：图象资源进行色彩空间的转换－＞通过预处理，进行肤色分割－＞然后将肤色信息用ＳＶＣ的ＳＶＭ模块进行训练（到现在这个模块我还没做出来）－＞训练出分类后，标记出位置（希望能得到是人脸）．ＳＶＣ因为选取参数时处于自由度很大，由于我把肤色信息提取成二维色度信息了，训练时基本可以通过直观的方式确定参数，然后大量的训练其他样本去验证这个算法的可靠性．1/10/202022当然现在还是我的想法，还没有实践的结果，所以只供讨论之用，不能做为结果和实验，希望可以跟大家共同研究，也希望更多的帮助，谢谢！