人工神经网络(ANN)和人工智能开发的创新之一是卷积神经网络(CNN)。使用最广泛的深度学习技术之一教授模型直接对图像、视频、文本或声音执行分类任务。在计算机视觉、自然语言处理(NLP)和最大的图像分类数据集领域,该模型表现出出色的结果(Image Net)。卷积层和池化层已被添加到典型的神经网络中以创建 CNN。对于CNN来说,这些层可以达到数百甚至数千,并且每个层都获得了识别各种图像元素的能力。
2)哈尔级联
一种在图像上查找对象的方法称为Haar Cascade。该算法从大量的正样本和负样本中学习,其中正样本包含感兴趣的对象,负样本包含其他任何对象。分类器可以在训练后识别新鲜照片上有趣的对象。将该技术与本地二进制模式算法相结合,用于刑事识别以识别人脸。即使表达式波动,Haar 级联分类器也需要 200(共 6000 个)特征才能保证 85-95% 的识别率。
3)特征面
图片数据集中的人脸方差是使用人脸检测和识别算法特征面找到的。在机器学习的帮助下,它使用这些变体对人脸进行编码和解码。通过统计分析许多不同的面部照片,产生一组称为一组特征面部的“标准化面部成分”。由于这种方法不使用数字图像,而是使用统计数据库,因此面部特征被赋予数值。这些变量以不同百分比的混合构成了每个人的面孔。
4)Fisherfaces
作为最受欢迎的面部识别算法之一,Fisherfaces被认为优于许多竞争对手。它经常被比作特征面作为对Eeigenfaces方法的增强,并且在整个训练过程中被认为在类区分方面更有效。该算法的主要优点是它能够推断和插值照明和面部表情的变化。据报道,当在预处理阶段与PCA方法结合使用时,Fisherfaces算法的准确率为93%。
5)内核方法&#