Visage propre: Explorer les profondeurs de la reconnaissance visuelle avec Eigenface

Une face propre est le nom donné à un ensemble de vecteurs propres lorsqu'il est utilisé dans le problème de vision par ordinateur de la reconnaissance des visages humains. L'approche consistant à utiliser les visages propres pour la reconnaissance a été développée par Sirovich et Kirby et utilisée par Matthew Turk et Alex Pentland dans la classification des visages. Les vecteurs propres sont dérivés de la matrice de covariance de la distribution de probabilité sur l'espace vectoriel de grande dimension des images de visage. Les faces propres elles-mêmes forment un ensemble de base de toutes les images utilisées pour construire la matrice de covariance. Cela produit une réduction de dimension en permettant au plus petit ensemble d'images de base de représenter les images d'entraînement d'origine. La classification peut être obtenue en comparant la façon dont les visages sont représentés par l'ensemble de base.

Comment vous en bénéficierez

(I) Informations et validations sur les éléments suivants sujets :

Chapitre 1 : Face propre

Chapitre 2 : Analyse en composantes principales

Chapitre 3 : Décomposition en valeurs singulières

Chapitre 4 : Valeurs propres et vecteurs propres

Chapitre 5 : Décomposition propre d'une matrice

Chapitre 6 : Analyse en composantes principales du noyau

Chapitre 7 : Analyse matricielle

Chapitre 8 : Système dynamique linéaire

Chapitre 9 : Distribution normale multivariée

Chapitre 10 : Modes de variation

(II) Répondre aux principales questions du public sur la face propre.

(III) Exemples concrets d'utilisation de la face propre dans de nombreux domaines.

À qui s'adresse ce livre

Professionnels, étudiants de premier cycle et les étudiants diplômés, les passionnés, les amateurs et ceux qui souhaitent aller au-delà des connaissances ou des informations de base pour tout type d'Eigenface.