最近特徵空間轉換法之人臉辨識技術

課程 : 論文研討(三)

日期 : 2011.09.23

時間 : 13:50 ~ 15:40

地點 : S516

作者 : 資工產碩(二) — 張振欣

講者 : 聯合大學資工系—韓欽銓教授

近年來人臉辨識的應用，相信大家都從Google Picasa網路相簿開始認識這項功能，自動找出相簿人的臉形辨識，幫助使用者標記名字，今年起Facebook也加入了這項功能，所以大家應該不會陌生，但是這些都僅是從現有的照片中套用特徵點方式做辨識，若是要做到攝影機，即時辨識訪客臉型，建檔資料管理，相信是這項技術的最終目的。

聯合大學的韓教授提出了他所研究的人臉辨識技術，雖然距離成熟穩定仍有一點距離，但是看到未來人臉辨識技術在日常生活中的成熟應用，也不再是遙不可及的夢想了，韓教授提到了以下三種步驟：

1. 人臉特徵表示方式(Face Representation)：

主要是萃取人臉影像中最具代表性的全域特徵資訊。

2. 區分特徵分析(Discriminant Feature Analysis)：

透過線性區分分析(LDA)，找到的特徵點能夠使不同類別資料點在特徵空間中更具區別性。

3. 基於演算法之分類(Algorithm-based Classification)：

將人臉資訊降維並取出特徵後進行分群，然後以LDA將類別資訊強化，最後再以RBF類神經 網路進行分類。

引述韓教授的"最近特徵空間轉換法之人臉辨識技術"在"電腦視覺監控產學研聯盟"網站上的報導：

本研究所提之流程架構如圖一所示，利用主軸分析(principal component analysis, PCA)對影像作前處理，目的除了是降低維度以避免在後續的Fisher’s Criterion轉換中遭遇到小樣本問題外，另外還有保留影像中有用資訊及去除雜訊的目的。

而後以Nearest Feature Space Embedding(NFS Embedding)進行特徵空間轉換，由於NFS Embedding特徵空間轉換乃是將Nearest Feature Space 融入了Laplacian Matrix中，因此不僅可以保留樣本在原空間中的拓樸資訊，還能夠將樣本間的線性變化的關係亦同時保留下來，而由於 我們已把NFL點到空間的距離衡量技術融入到NFS Embedding特徵空間轉換之中，該特徵空間便已具有NFL的分類優點，因而我們可以在NFS Embedding所產出特徵空間中進行點到點的樣本比對進行分類，以節省大量的 點到線的比對時間，換言之，原本大量的NFL分類比對時間已被我們挪移至特徵空間轉換的訓練時間中。

圖一：人 臉辨識器系統架構區塊圖。

該研究方法的成果，比起一般其他人臉辨識技術更能有效降低因為人臉的光線、表情和姿勢等變化產生的衝擊影響，而仍可有效提高人臉辨識的正確性，以下是報導原文參考網址：
http://140.113.87.112/vol_37/index_firefox_frontpage_epaper.htm#%B3%CC%AA%F1%AFS%BCx%AA%C5%B6%A1%C2%E0%B4%AB%AAk%A4%A7%A4H%C1y%BF%EB%C3%D1