計算機識別方向：人臉圖像的檢測與識別

最新 03-11

以科技見證世界改變

Self Introduction

【Kendrick Han】

Hello, 大家好～我是Kendrick，天蠍座，還有幾個月的時間就要飛往美國南卡就讀Hilton Head高一啦，對於編程啊乒乓球?鋼琴什麼的都會一點，對基礎的物理與數學也很感興趣，歡迎關注哦

人臉識別

定義

人臉識別 (Face Recognition) 是基於人的臉部特徵信息進行身份識別的一種生物識別技術。用攝像機或攝像頭採集含有人臉的圖像或視頻流，並自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部的一系列相關技術，通常也叫做人像識別、面部識別。其主要包括四個組成部分，分別為：人臉圖像採集、人臉圖像預處理、人臉圖像特徵提取以及匹配與識別。

發展歷史

人臉識別系統研究始於20世紀60年代，在90年代進入初級應用階段。人臉識別系統成功的關鍵在於是否擁有尖端的核心演算法，並使識別結果具有實用化的識別率和識別速度。人臉識別系統集成了人工智慧、機器識別、機器學習、模型理論、專家系統、視頻圖像處理等多種專業技術，同時需結合中間值處理的理論與實現。生物識別技術已廣泛應用於政府、軍隊、銀行、社會福利保障、電子商務、安全防務等領域。

Matlab

MATLAB是美國MathWorks公司出品的商業數學軟體，用於演算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和互動式環境，主要包括MATLAB和Simulink兩大部分。

SVM

理論基礎

傳統的統計模式識別方法只有在樣本趨向無窮大時，其性能才有理論的保證。統計學習理論 STL 研究有限樣本情況的機器學習問題。SVM的理論基礎就是統計學習理論。傳統的統計模式識別方法在進行統計學習時，強調風險最小化。而單純的經驗風險最小化會產生「過學習問題」，其推廣能力較差。

分類

通過內積函數定義的非線性變換將輸入空間變換到一個高維空間，在SVM這個空間中求最優分類面。SVM分類函數形式上類似於一個神經網路，輸出是中間節點的線性組合，每個中間節點對應一個輸入樣本與一個支持向量的內積，因此也被叫做支持向量網路。不足：SVM演算法對大規模訓練樣本難以實施，解決多分類問題存在困難。

監督與非監督學習

監督學習：監督式學習是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（函數 / learning model），並依此模式推測新的實例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（回歸分析），或是預測一個分類標籤(分類) 。

非監督學習：非監督式學習是一種機器學習的方式，並不需要人力來輸入標籤。它是監督式學習和強化學習等策略之外的一種選擇。在監督式學習中，典型的任務是分類和回歸分析，且需要使用到人工預先準備好的範例。

PCA與PCA降維

在多元統計分析中，主成分分析（英語：Principal components analysis，PCA）是一種分析、簡化數據集的技術。主成分分析經常用於減少數據集的維數，同時保持數據集中的對變異數貢獻最大的特徵。這是通過保留低階主成分，忽略高階主成分做到的。這樣低階成分往往能夠保留住數據的最重要方面。但是，這也不是一定的，要視具體應用而定。由於主成分分析依賴所給數據，所以數據的準確性對分析結果影響很大。