生物识别之人脸识别中人脸表情特征的提取技术

2022年05月23日 18:44:37人气：285来源：深圳市深安威尔迪科技有限公司

　　过去我们在探讨指纹识别技术时，我们在讲指纹门禁一体机，指纹门禁读头，指纹门禁考勤一体机等指纹识别产品，在指纹识别过程中是如何对指纹特征的提取。下面我们就带你去了解一下人脸特征的提取技术。人脸表情特征提取技术的可以分为一下三部分。

　　1.原始特征的提取

　　原始特征包括特征(如眼睛、嘴唇等人脸特征)和瞬时特征(如某些表情所导致的鱼尾纹等)，他们可从图像或视频中获取，不过所采用的方法有所不同：如果要从静态图像中获取原始特征。

　　2.特征降维和抽取

　　获取的原始特征往往都具有巨大的空间维数，这样巨大的数据和信息冗余给进一步的分析带来计算量和复杂度方面的问题。因此需要通过一些映射或变换将高维特征转换到低维的子空间或将高维特征中的一部分抽取出来。另外，从心理学角度看，高维的图像数据*可以投射到一个低维的子空间当中，且在这个子空间的信息已经足够使得计算机完成对人脸特征的鉴别和分类工作。所以特征降维不仅可以使特征的维数明显降低'而且可PCA.LDA、ICA特征的有效性得到提高。常用的特征降维和抽取的方法主要有PcA、LDA、IcA等。

　　3.特征分解

　　人脸图像包含了丰富的信息。一方面，对不同的识别任务来说，所利用的信息各不相同。例如人脸检测定位利用的是人脸图像共有的信息，人脸识别利用的是人脸个体差异的信息，而表情识别则需要利用各种表情之间差异的信息；另一方面，对一种识别任务有利的信息有可能反而对其他识别任务造成干扰。所以，需要把与人脸有关的不同因素，如表情因素和个体因素分离开来，使得识别能够在相应的子空间中进行，避免其他因素的干扰。

　　在脸部表情分解时，可以采用高阶奇异值分解( HOSVD)的方法。这类方法将不同人、不同表情的图像用一个3阶的张量(分别表示个体、表情和特征)来表示，然后对张量用HOSVD方法进行分解，分别得到个体子空间、表情子空间和特征子空间。这类方法由于可把人脸各种不同的因素分解开，所以不仅可以较好地应用于表情识别，也可以方便地进行人脸表情的合成，甚至增加新的因素来满足不同光照和不同角度的合成要求。此外，人脸的表情特征可以分为形变特征和运动特征，也可以分为基于整体特征的表情识别和基于局部特征的表情识别。

上一篇：服装仓库RFID智能管理方案

下一篇：条码PDA手持机让仓库盘点更简单

全年征稿/资讯合作 联系邮箱：1271141964@qq.com

免责声明

凡本网注明"来源：智能制造网"的所有作品，版权均属于智能制造网，转载请必须注明智能制造网，https://www.gkzhan.com。违反者本网将追究相关法律责任。
企业发布的公司新闻、技术文章、资料下载等内容，如涉及侵权、违规遭投诉的，一律由发布企业自行承担责任，本网有权删除内容并追溯责任。
本网转载并注明自其它来源的作品，目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品来源，并自负版权等法律责任。
如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。