Este algoritmo aplica el concepto de tensores de segundo orden al método de análisis de correlación canónico original, evitando efectivamente la singularidad de la matriz de covarianza, reduciendo en gran medida la complejidad computacional.
Artículos relacionados:
Investigación sobre algoritmos de reconocimiento facial subespacial lineal y problemas de postura
Huang Likun
En los últimos treinta años, automático La tecnología de reconocimiento facial ha despertado un gran interés y una amplia atención por parte de investigadores en diversos campos relacionados, que abarcan múltiples campos de investigación como el procesamiento de imágenes, la visión por computadora, la neurociencia, la estadística y el reconocimiento de patrones. Con el desarrollo de la ciencia y la tecnología, la tecnología de reconocimiento facial automático se utiliza gradualmente en los campos comercial y de seguridad pública. Desde la comparación estática de fotografías de rostros en formatos controlables, como pasaportes, tarjetas de identificación y licencias de conducir, hasta el reconocimiento de imágenes de rostros en monitoreo en tiempo real, la tecnología de reconocimiento automático de rostros ha desempeñado un enorme valor de aplicación. Cuando las imágenes faciales utilizadas actualmente para el reconocimiento se obtienen en condiciones controlables, como que el frente está despejado y las condiciones de iluminación son adecuadas, la tasa de reconocimiento ha alcanzado un nivel que es aceptable para nosotros. Sin embargo, cuando la imagen facial para el reconocimiento se obtiene cuando el usuario no coopera y las condiciones son inapropiadas, como condiciones no frontales, con pocos píxeles y con poca iluminación interceptadas de videos de vigilancia, la tasa de reconocimiento se reducirá considerablemente. En algunos casos, la tasa de reconocimiento es incluso inferior al 30%. Por lo tanto, se puede ver que hay muchos problemas en la tecnología de reconocimiento facial que aún no se han resuelto, y estos problemas son los problemas reales que la tecnología de reconocimiento facial necesita resolver con urgencia en la vida diaria. Este artículo estudia principalmente dos cuestiones en la tecnología de reconocimiento facial: el algoritmo de reconocimiento facial basado en el aprendizaje subespacial lineal y el algoritmo de reconocimiento facial bajo cambios de postura. Este artículo primero explica el algoritmo de reconocimiento facial basado en el aprendizaje subespacial lineal e introduce en detalle el análisis de componentes principales, el análisis discriminante lineal y el análisis de correlación canónica. Sobre la base del análisis del algoritmo de reconocimiento facial subespacial lineal, se propone un nuevo algoritmo de reconocimiento facial basado en el aprendizaje subespacial lineal (análisis de correlación canónica discriminante bidimensional). Este algoritmo aplica el concepto de tensores de segundo orden al método de análisis de correlación típico original, evitando efectivamente la singularidad de la matriz de covarianza y reduciendo en gran medida la complejidad computacional. El reconocimiento de imágenes faciales bajo cambios de postura es uno de los principales problemas en la investigación del reconocimiento facial automático. Este artículo resume los algoritmos de reconocimiento facial bajo diferentes cambios de postura. Dado que la transformación de imágenes faciales bajo cambios de postura no es lineal, el algoritmo de reconocimiento facial basado en subregiones puede resolver mejor el problema del reconocimiento facial bajo cambios de postura. Basado en el método de regresión lineal local y el modelo de probabilidad gaussiano, se propone un nuevo algoritmo de reconocimiento facial basado en cambios de pose de subregión (algoritmo de reconocimiento facial de similitud de subregión ponderada). Este algoritmo utiliza un método de regresión lineal local para generar una imagen frontal de un rostro humano virtual.