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 : 資工研一 楊倍權

講者 : 聯合大學資工系—韓欽銓教授

　　人臉辨識已應用在許多領域，最常見的是日新月異的數位相機，近年來手機裡也有許多拍照的功能也有人臉辨識的能力，網路上面也有著相關應用。
　　上圖為一個將人臉合成各知名電影宣傳海報的網站iStarin.com，該網站在索取想合成的照片時即辨識出人臉的位置並放置於約略的位置，人臉辨識技術的發展運用在網路上並且演算的過程極為迅速。

　　韓教授的辨識方法主要有三大點

(a) 人臉特徵表示方式(Face Representation)

　　主成分分析(PCA)是最常被用來以特徵空間來表示人臉的一種方法。 它淬取了人臉影像中最具代表性的全域特徵資訊，並且以這些特徵來代表原始人臉影像，而這些特徵也能夠以最低維度保留最多原始資訊的方式存在於特徵空間中， 因此亦具有降維的功能。
　　韓教授在演講中提到了些抽象的概念，運用多維度來表示各個影像的相近程度，一般二維表示的方法只有用X,Y來表示兩點的遠近，韓教授使用了三維以上的維度來表示每個影像的距離來判別兩張人臉影像是否為同一人。

(b) 區分特徵分析(Discriminant Feature Analysis)

　　線性區分分析(Linear discriminant analysis, LDA)是一種相當常使用到的鑑別性特徵分析的工具，它與PCA不 同之處在於LDA將類別資訊加入了分析過程之中，因此它所找到的特徵空間是具有類別資訊的特徵空 間，能夠使不同類別資料點在特徵空間中更具區別性。

(c) 基於演算法之分類(Algorithm-based Classification)

　　主要是以DCT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。Ahonen et al的方法是一種基於以紋理特徵來 當作人臉資訊的方式，它的每一個像素都與鄰近像素比大小，並將此資訊編碼，而編碼值即可代表一種紋理特徵，然後再進一步將這些編碼以histogram統計成為最後分類的特徵，此種作法的好處在於可以減少光線變化的影響，並且較不受到人臉旋轉 變化時的影響，然而因只有紋理資訊，也因此在辨識時效果有限。

利用NFL分類器，分類CMU人臉資料結果。

　　聽講中得知目前每次的執行時間與訓練仍須以日為單位，但韓教授的研究方法在各家分析所需時間上是極短的，在之後的實驗中的發展可能達成了自動警衛上的相關應用，期待這研究數年的問題能夠發展到更驚人的結果。

資料來源：電腦視覺監控產學研聯盟電子報