人脸检测的一篇外文翻译中的一章,请高手帮忙翻译完,谢谢
发布网友
发布时间：2022-05-07 11:34
共3个回答
热心网友
时间：2023-10-29 14:50
难题：能够从一张随意选择的图像探测到人脸。
3.1 滑动窗
被研究的两种分类技术（神经网络和支撑矢量机）将20X20窗口像素归类于一个人脸/非人脸。因此，系统将20X20 窗口在图像上滑过。为使分类机能够正确地探测一张人脸，脸型的大小必须匹配并占据整个窗口，就是说，它不可大过或小于窗口。如果认为每次都能这样，当然那是荒谬的，为了补救，我们使用一个常数重复将图像缩小，然后在这较小的窗口上滑过一张20X20图像。通过这种操作，我们可以探测到比原来图像的窗口更大的人脸。
3.2 图像预处理
人脸图像的变化程度很大---不同的种族、肤色、性别等等使人脸相片错综复杂。更有甚者，在不同的光线条件及使用不同的设备等所拍摄的照片，由于分类机的鉴定是受这些因素的影响，所以它会被搞得很困惑的。
为了避免这情况，每张图像送至分类机前都进行预处理；具体包括下列步骤：
* 光源纠正：从窗口像素值减掉一个最佳拟合的亮度平面，以让光线与浓重阴影可以降低。
* 直方图均衡：这可对光源的亮度、照相机反应、肤色等等的差异作补偿。
这些步骤是针对每个窗口使用，而不是用于整个图像。
3.3 自举方法
为神经网络/支撑矢量机创造一个培养集是一个备受挑战的任务，因为要在培养集增添非人脸图像特征是颇具难度的。要人脸图像的代表性样本毫无困难，但是要从庞大数量的非人脸图像选择正确的组合却是一个复杂的工作。
因此，每次培养期后，被误测为人脸的非人脸图像都加到下一轮的培养期。这种“自举”方法可以避免在培养集里使用大量的非人脸图像的难题，这种图像很多是对培养毫无影响的。
3.4 培养集阐述
人脸探测领域的研究使用两种常用的培养集[CMU, MIT(Poggio)], 不过很难获取。根据我们的目的，我们使用一些来自CMU测试集的图像（参阅资源）、“生物识别安全”BioID的人脸数据（参阅资源）以及在印度坎普尔IIT生成的印度人脸数据。
放置在培养集的每张图像，其眼、鼻、嘴的左、中、右都被标上记号；然后将脸转为一个20X20 窗口，有记号的特征都在预定的方位{ELABORATE}。
最初，从底片样本随意形成的图像被加至培养集里。培养集最终以风景与误测的图像增强。
为了使系统对任何改变有不变性，例如人脸的旋转，对培养集里的图像进行随机变换（旋转加减15度，镜像）。最后使用的培养集有8982输入矢量（包括自举）。
热心网友
时间：2023-10-29 14:50
3.1被学习的二个分类技术(神经网络和SVMs)分类映像点一个20x20窗口作为面孔或非面孔。 因此，系统滑这个20x20窗口横跨图象。 为了量词能正确地查出面孔，面孔必须适合入窗口，并且占领所有， ie，它窗口不能对大或小于。 要期望这总将发生是ofcourse荒谬和补尝这个事实我们由一个恒定的因素在这个更小的窗口一再缩减图象然后滑一个20x20图象。 与此我们能查出大于窗口也许的面孔在原始的图象
3.2面孔图象在种族、颜色，性别等有很多变异-变化。 达到在面孔图片上的很多变化。 增加到那在不同的照明设备条件下被采取的图象上的区别，用另外设备等。 并且量词可能得到completelyconfused，它的决定是影响由这样因素。要避免此，每个图象在被给是预先处理的theclassifier之前。 预处理包括以下步：• 照明更正： 佳适合亮光飞机是subtractedfrom窗口映像点价值，允许轻和重的阴影的减少。• 直方图平衡： 这补尝区别inillumination亮光、照相机反应，肤色等。整体上这些步被运用于每个20x20窗口而不是图象。
3.3面孔图象有很多变异-引起为SVM/neural网络设置的训练是一项富挑战性任务由于困难在安置“典型”非面孔图象在athe训练集合。 要得到面孔图象代表性抽样是问题的notmuch; 然而，从巨大地大套的这样图象选择非面孔图象的正确组合，是一项复杂的任务。为此，在每次训练以后，非面孔incorrectlydetected，面孔在为下个会议设置的训练安置。 这个“引导”方法克服使用巨大的套的问题非面孔图象在训练集合，许多，其中不可以影响训练
3.4在研究面孔侦查领域使用了二个共同性训练集合(CMU， MIT (Poggio))然而，那些不容易地是可利用的。 对于我们的目的，我们使用了有些图象从被设置的CMU测试(参见资源)，并且生物统计的安全的BioID面孔数据库(参见资源)和印第安面孔数据库这里引起在IIT Kanpur.In在训练将安置的每个图象设置了眼睛，鼻子，并且左，正确和中心嘴被标记了。 与这些标号，面孔被变换了成一个20x20窗口与明显特点atpredetermined位置[精心制作]。
热心网友
时间：2023-10-29 14:51
热心网友
时间：2023-10-29 14:50
难题：能够从一张随意选择的图像探测到人脸。
3.1 滑动窗
被研究的两种分类技术（神经网络和支撑矢量机）将20X20窗口像素归类于一个人脸/非人脸。因此，系统将20X20 窗口在图像上滑过。为使分类机能够正确地探测一张人脸，脸型的大小必须匹配并占据整个窗口，就是说，它不可大过或小于窗口。如果认为每次都能这样，当然那是荒谬的，为了补救，我们使用一个常数重复将图像缩小，然后在这较小的窗口上滑过一张20X20图像。通过这种操作，我们可以探测到比原来图像的窗口更大的人脸。
3.2 图像预处理
人脸图像的变化程度很大---不同的种族、肤色、性别等等使人脸相片错综复杂。更有甚者，在不同的光线条件及使用不同的设备等所拍摄的照片，由于分类机的鉴定是受这些因素的影响，所以它会被搞得很困惑的。
为了避免这情况，每张图像送至分类机前都进行预处理；具体包括下列步骤：
* 光源纠正：从窗口像素值减掉一个最佳拟合的亮度平面，以让光线与浓重阴影可以降低。
* 直方图均衡：这可对光源的亮度、照相机反应、肤色等等的差异作补偿。
这些步骤是针对每个窗口使用，而不是用于整个图像。
3.3 自举方法
为神经网络/支撑矢量机创造一个培养集是一个备受挑战的任务，因为要在培养集增添非人脸图像特征是颇具难度的。要人脸图像的代表性样本毫无困难，但是要从庞大数量的非人脸图像选择正确的组合却是一个复杂的工作。
因此，每次培养期后，被误测为人脸的非人脸图像都加到下一轮的培养期。这种“自举”方法可以避免在培养集里使用大量的非人脸图像的难题，这种图像很多是对培养毫无影响的。
3.4 培养集阐述
人脸探测领域的研究使用两种常用的培养集[CMU, MIT(Poggio)], 不过很难获取。根据我们的目的，我们使用一些来自CMU测试集的图像（参阅资源）、“生物识别安全”BioID的人脸数据（参阅资源）以及在印度坎普尔IIT生成的印度人脸数据。
放置在培养集的每张图像，其眼、鼻、嘴的左、中、右都被标上记号；然后将脸转为一个20X20 窗口，有记号的特征都在预定的方位{ELABORATE}。
最初，从底片样本随意形成的图像被加至培养集里。培养集最终以风景与误测的图像增强。
为了使系统对任何改变有不变性，例如人脸的旋转，对培养集里的图像进行随机变换（旋转加减15度，镜像）。最后使用的培养集有8982输入矢量（包括自举）。
热心网友
时间：2023-10-29 14:50
难题：能够从一张随意选择的图像探测到人脸。
3.1 滑动窗
被研究的两种分类技术（神经网络和支撑矢量机）将20X20窗口像素归类于一个人脸/非人脸。因此，系统将20X20 窗口在图像上滑过。为使分类机能够正确地探测一张人脸，脸型的大小必须匹配并占据整个窗口，就是说，它不可大过或小于窗口。如果认为每次都能这样，当然那是荒谬的，为了补救，我们使用一个常数重复将图像缩小，然后在这较小的窗口上滑过一张20X20图像。通过这种操作，我们可以探测到比原来图像的窗口更大的人脸。
3.2 图像预处理
人脸图像的变化程度很大---不同的种族、肤色、性别等等使人脸相片错综复杂。更有甚者，在不同的光线条件及使用不同的设备等所拍摄的照片，由于分类机的鉴定是受这些因素的影响，所以它会被搞得很困惑的。
为了避免这情况，每张图像送至分类机前都进行预处理；具体包括下列步骤：
* 光源纠正：从窗口像素值减掉一个最佳拟合的亮度平面，以让光线与浓重阴影可以降低。
* 直方图均衡：这可对光源的亮度、照相机反应、肤色等等的差异作补偿。
这些步骤是针对每个窗口使用，而不是用于整个图像。
3.3 自举方法
为神经网络/支撑矢量机创造一个培养集是一个备受挑战的任务，因为要在培养集增添非人脸图像特征是颇具难度的。要人脸图像的代表性样本毫无困难，但是要从庞大数量的非人脸图像选择正确的组合却是一个复杂的工作。
因此，每次培养期后，被误测为人脸的非人脸图像都加到下一轮的培养期。这种“自举”方法可以避免在培养集里使用大量的非人脸图像的难题，这种图像很多是对培养毫无影响的。
3.4 培养集阐述
人脸探测领域的研究使用两种常用的培养集[CMU, MIT(Poggio)], 不过很难获取。根据我们的目的，我们使用一些来自CMU测试集的图像（参阅资源）、“生物识别安全”BioID的人脸数据（参阅资源）以及在印度坎普尔IIT生成的印度人脸数据。
放置在培养集的每张图像，其眼、鼻、嘴的左、中、右都被标上记号；然后将脸转为一个20X20 窗口，有记号的特征都在预定的方位{ELABORATE}。
最初，从底片样本随意形成的图像被加至培养集里。培养集最终以风景与误测的图像增强。
为了使系统对任何改变有不变性，例如人脸的旋转，对培养集里的图像进行随机变换（旋转加减15度，镜像）。最后使用的培养集有8982输入矢量（包括自举）。
热心网友
时间：2023-10-29 14:50
3.1被学习的二个分类技术(神经网络和SVMs)分类映像点一个20x20窗口作为面孔或非面孔。 因此，系统滑这个20x20窗口横跨图象。 为了量词能正确地查出面孔，面孔必须适合入窗口，并且占领所有， ie，它窗口不能对大或小于。 要期望这总将发生是ofcourse荒谬和补尝这个事实我们由一个恒定的因素在这个更小的窗口一再缩减图象然后滑一个20x20图象。 与此我们能查出大于窗口也许的面孔在原始的图象
3.2面孔图象在种族、颜色，性别等有很多变异-变化。 达到在面孔图片上的很多变化。 增加到那在不同的照明设备条件下被采取的图象上的区别，用另外设备等。 并且量词可能得到completelyconfused，它的决定是影响由这样因素。要避免此，每个图象在被给是预先处理的theclassifier之前。 预处理包括以下步：• 照明更正： 佳适合亮光飞机是subtractedfrom窗口映像点价值，允许轻和重的阴影的减少。• 直方图平衡： 这补尝区别inillumination亮光、照相机反应，肤色等。整体上这些步被运用于每个20x20窗口而不是图象。
3.3面孔图象有很多变异-引起为SVM/neural网络设置的训练是一项富挑战性任务由于困难在安置“典型”非面孔图象在athe训练集合。 要得到面孔图象代表性抽样是问题的notmuch; 然而，从巨大地大套的这样图象选择非面孔图象的正确组合，是一项复杂的任务。为此，在每次训练以后，非面孔incorrectlydetected，面孔在为下个会议设置的训练安置。 这个“引导”方法克服使用巨大的套的问题非面孔图象在训练集合，许多，其中不可以影响训练
3.4在研究面孔侦查领域使用了二个共同性训练集合(CMU， MIT (Poggio))然而，那些不容易地是可利用的。 对于我们的目的，我们使用了有些图象从被设置的CMU测试(参见资源)，并且生物统计的安全的BioID面孔数据库(参见资源)和印第安面孔数据库这里引起在IIT Kanpur.In在训练将安置的每个图象设置了眼睛，鼻子，并且左，正确和中心嘴被标记了。 与这些标号，面孔被变换了成一个20x20窗口与明显特点atpredetermined位置[精心制作]。
热心网友
时间：2023-10-29 14:51
热心网友
时间：2023-10-29 14:50
3.1被学习的二个分类技术(神经网络和SVMs)分类映像点一个20x20窗口作为面孔或非面孔。 因此，系统滑这个20x20窗口横跨图象。 为了量词能正确地查出面孔，面孔必须适合入窗口，并且占领所有， ie，它窗口不能对大或小于。 要期望这总将发生是ofcourse荒谬和补尝这个事实我们由一个恒定的因素在这个更小的窗口一再缩减图象然后滑一个20x20图象。 与此我们能查出大于窗口也许的面孔在原始的图象
3.2面孔图象在种族、颜色，性别等有很多变异-变化。 达到在面孔图片上的很多变化。 增加到那在不同的照明设备条件下被采取的图象上的区别，用另外设备等。 并且量词可能得到completelyconfused，它的决定是影响由这样因素。要避免此，每个图象在被给是预先处理的theclassifier之前。 预处理包括以下步：• 照明更正： 佳适合亮光飞机是subtractedfrom窗口映像点价值，允许轻和重的阴影的减少。• 直方图平衡： 这补尝区别inillumination亮光、照相机反应，肤色等。整体上这些步被运用于每个20x20窗口而不是图象。
3.3面孔图象有很多变异-引起为SVM/neural网络设置的训练是一项富挑战性任务由于困难在安置“典型”非面孔图象在athe训练集合。 要得到面孔图象代表性抽样是问题的notmuch; 然而，从巨大地大套的这样图象选择非面孔图象的正确组合，是一项复杂的任务。为此，在每次训练以后，非面孔incorrectlydetected，面孔在为下个会议设置的训练安置。 这个“引导”方法克服使用巨大的套的问题非面孔图象在训练集合，许多，其中不可以影响训练
3.4在研究面孔侦查领域使用了二个共同性训练集合(CMU， MIT (Poggio))然而，那些不容易地是可利用的。 对于我们的目的，我们使用了有些图象从被设置的CMU测试(参见资源)，并且生物统计的安全的BioID面孔数据库(参见资源)和印第安面孔数据库这里引起在IIT Kanpur.In在训练将安置的每个图象设置了眼睛，鼻子，并且左，正确和中心嘴被标记了。 与这些标号，面孔被变换了成一个20x20窗口与明显特点atpredetermined位置[精心制作]。
热心网友
时间：2023-10-29 14:51
