Gesichtserkennung

Gesichtserkennung mit Computer Vision

Kreuzvalidierung ist eine Technik zur Bewertung der Leistung eines Modells beim Gesichtserkennung ist der Prozess der Identifizierung einer oder mehrerer Personen auf Bildern oder in Videos durch die Analyse und den Vergleich von Mustern. Algorithmen für die Gesichtserkennung extrahieren normalerweise Gesichtszüge und vergleichen Sie mit einer Datenbank, um die beste Übereinstimmung zu finden. Gesichtserkennung ist entscheidend für viele biometrische Systeme, Sicherheits- und Überwachungsanlagen sowie für Bild- und Video-Indexierungssysteme.

Schritte des Gesichtserkennungsworkflows.

Gesichtserkennung nutzt Computer Vision Techniken zur Extraktion unterschiedlicher Informationen aus Gesichtsbildern und Mustererkennung oder Techniken des maschinellen Lernens, um das Aussehen von Gesichtern zu modellieren und diese zu klassifizieren.

Sie können Techniken der Computer Vision verwenden, um eine Merkmalsextraktion durchzuführen. Dadurch ist die Kodierung der unterschiedlichen Informationen, die für die Gesichtserkennung notwendig sind, als kompakter Merkmalsvektor mit bestimmten Techniken und Algorithmen möglich. Beispiele hierfür sind:

  • Dichte lokale Merkmalsextraktion mit SURF, BRISK oder FREAK Deskriptoren
  • Histogramm ausgerichteter Gradienten
  • Abstand zwischen erkannten Orientierungspunkten im Gesicht wie Augen, Nasen und Lippen

Techniken des maschinellen Lernens können auf extrahierte Merkmale angewandt werden, um Gesichtserkennung oder Klassifizierung mit Folgendem durchzuführen:

  • Techniken des überwachten Lernerns wie zum Beispiel Support Vector Machines (SVM) und Entscheidungsbäume
  • Ensemble-Lernmethoden
  • Deep neural networks

Beispiele und Anleitungen


Softwarereferenz

Siehe auch: MATLAB und OpenCV, Machine Learning, Merkmalsextraktion, optischer Fluss, RANSAC, Mustererkennung