Cara Propia: Explorando las profundidades del reconocimiento visual con Eigenface
Por Fouad Sabry
()
Información de este libro electrónico
Qué es Eigenface
Una eigenface es el nombre que se le da a un conjunto de vectores propios cuando se utiliza en el problema de visión por computadora del reconocimiento de rostros humanos. El enfoque de utilizar caras propias para el reconocimiento fue desarrollado por Sirovich y Kirby y utilizado por Matthew Turk y Alex Pentland en la clasificación de rostros. Los vectores propios se derivan de la matriz de covarianza de la distribución de probabilidad sobre el espacio vectorial de alta dimensión de imágenes de rostros. Las propias caras propias forman un conjunto base de todas las imágenes utilizadas para construir la matriz de covarianza. Esto produce una reducción de dimensiones al permitir que el conjunto más pequeño de imágenes base represente las imágenes de entrenamiento originales. La clasificación se puede lograr comparando cómo se representan las caras mediante el conjunto básico.
Cómo se beneficiará
(I) Información y validaciones sobre lo siguiente temas:
Capítulo 1: Cara propia
Capítulo 2: Análisis de componentes principales
Capítulo 3: Descomposición de valores singulares
Capítulo 4: Valores propios y vectores propios
Capítulo 5: Descomposición propia de una matriz
Capítulo 6: Análisis de componentes principales del kernel
Capítulo 7: Análisis de matrices
Capítulo 8: Sistema dinámico lineal
Capítulo 9: Distribución normal multivariada
Capítulo 10: Modos de variación
(II) Respondiendo las principales preguntas del público sobre la cara propia.
(III) Ejemplos del mundo real para el uso de eigenface en muchos campos.
Para quién es este libro
Profesionales, estudiantes universitarios y estudiantes de posgrado, entusiastas, aficionados y aquellos que quieran ir más allá del conocimiento o la información básicos para cualquier tipo de Eigenface.
Relacionado con Cara Propia
Títulos en esta serie (100)
Joint Photographic Experts Group: Liberando el poder de los datos visuales con el estándar JPEG Calificación: 0 de 5 estrellas0 calificacionesVisión por computadora submarina: Explorando las profundidades de la visión por computadora debajo de las olas Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVisión por computador: Explorando las profundidades de la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación dura: Revelando la magia de Hough Transform en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de Hadamard: Revelando el poder de la transformación de Hadamard en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHistograma de imagen: Revelando conocimientos visuales, explorando las profundidades de los histogramas de imágenes en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCompresión de imagen: Técnicas eficientes para la optimización de datos visuales Calificación: 0 de 5 estrellas0 calificacionesMapeo de tonos: Mapeo de tonos: perspectivas iluminadoras en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDifusión anisotrópica: Mejora del análisis de imágenes mediante difusión anisotrópica Calificación: 0 de 5 estrellas0 calificacionesReducción de ruido: Mejora de la claridad, técnicas avanzadas para la reducción del ruido en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFiltro adaptativo: Mejora de la visión por computadora mediante filtrado adaptativo Calificación: 0 de 5 estrellas0 calificacionesTransformación de radón: Revelando patrones ocultos en datos visuales Calificación: 0 de 5 estrellas0 calificacionesHistograma de gradientes orientados: Revelando el ámbito visual: explorando el histograma de gradientes orientados en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesHomografía: Homografía: Transformaciones en Visión por Computador Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesDetección de bordes: Explorando los límites en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesFunción de combinación de colores: Comprensión de la sensibilidad espectral en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesEcualización de histograma: Mejora del contraste de la imagen para mejorar la percepción visual Calificación: 0 de 5 estrellas0 calificacionesDetector de esquinas Harris: Revelando la magia de la detección de características de imagen Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesRetinax: Revelando los secretos de la visión computacional con Retinex Calificación: 0 de 5 estrellas0 calificacionesSistema de gestión de color: Optimización de la percepción visual en entornos digitales Calificación: 0 de 5 estrellas0 calificacionesEn Pintura: Cerrar brechas en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformacion afin: Desbloqueo de perspectivas visuales: exploración de la transformación afín en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCorrección gamma: Mejora de la claridad visual en la visión por computadora: la técnica de corrección gamma Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesModelo de color: Comprensión del espectro de la visión por computadora: exploración de modelos de color Calificación: 0 de 5 estrellas0 calificacionesMétodo de ajuste de nivel: Avances en la visión por computadora, exploración del método de conjunto de niveles Calificación: 0 de 5 estrellas0 calificacionesBanco de filtros: Información sobre las técnicas del banco de filtros de Computer Vision Calificación: 0 de 5 estrellas0 calificaciones
Libros electrónicos relacionados
Segmentación de imagen: Desbloqueo de información a través de Pixel Precision Calificación: 0 de 5 estrellas0 calificacionesReconstrucción tridimensional multivista: Técnicas avanzadas de percepción espacial en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesSistema de reconocimiento facial: Liberando el poder de la inteligencia visual Calificación: 0 de 5 estrellas0 calificacionesProcesamiento de imágenes piramidales: Explorando las profundidades del análisis visual Calificación: 0 de 5 estrellas0 calificacionesClasificación de imágenes contextuales: Comprensión de los datos visuales para una clasificación eficaz Calificación: 0 de 5 estrellas0 calificacionesVisión estéreo por computadora: Explorando la percepción de profundidad en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesBolsa de palabras modelo: Desbloqueando la inteligencia visual con Bag of Words Calificación: 0 de 5 estrellas0 calificacionesEstimación de la postura del cuerpo articulado: Desbloqueando el movimiento humano en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesTransformación de característica invariante de escala: Revelando el poder de la transformación de características invariantes de escala en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAprendizaje de características geométricas: Desbloqueo de conocimientos visuales a través del aprendizaje de características geométricas Calificación: 0 de 5 estrellas0 calificacionesModelado y renderizado basado en imágenes: Explorando el realismo visual: técnicas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesAlgoritmo de dibujo lineal: Dominar técnicas para la representación de imágenes de precisión Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia activa: Liberando el poder de los modelos de apariencia activa en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVóxel: Explorando las profundidades de la visión por computadora con tecnología Voxel Calificación: 0 de 5 estrellas0 calificacionesSuperficie procesal: Explorando la generación y el análisis de texturas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesContorno activo: Avances en la visión por computadora con técnicas de contorno activo Calificación: 0 de 5 estrellas0 calificacionesRepresentación de volumen: Explorando el realismo visual en la visión por computadora Calificación: 0 de 5 estrellas0 calificacionesCortes de gráficos de visión por computadora: Explorando cortes de gráficos en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesMosaico de documentos: Desbloqueo de información visual a través del mosaico de documentos Calificación: 0 de 5 estrellas0 calificacionesRecuperación de imágenes basada en contenido: Desbloqueo de bases de datos visuales Calificación: 0 de 5 estrellas0 calificacionesDetección de objetos: Avances, aplicaciones y algoritmos Calificación: 0 de 5 estrellas0 calificacionesModelo de cámara estenopeica: Comprender la perspectiva a través de la óptica computacional Calificación: 0 de 5 estrellas0 calificacionesModelo de apariencia de color: Comprensión de la percepción y la representación en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesConsenso de muestra aleatoria: Estimación robusta en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesVer síntesis: Explorando perspectivas en visión por computadora Calificación: 0 de 5 estrellas0 calificacionesModelo del sistema visual humano: Comprender la percepción y el procesamiento Calificación: 0 de 5 estrellas0 calificacionesReconocimiento óptico de Braille: Potenciando la accesibilidad a través de la inteligencia visual Calificación: 0 de 5 estrellas0 calificacionesIluminación global: Visión avanzada: conocimientos sobre la iluminación global Calificación: 0 de 5 estrellas0 calificaciones
Inteligencia (IA) y semántica para usted
Klara y el Sol Calificación: 5 de 5 estrellas5/5Fundamentos de Programación: Diagramas de flujo, Diagramas N-S, Pseudocódigo y Java Calificación: 0 de 5 estrellas0 calificacionesCómo usar Chatgpt para tu negocio Calificación: 0 de 5 estrellas0 calificacionesChat GPT-4 para Principiantes: Chat GPT, #1 Calificación: 0 de 5 estrellas0 calificacionesIntroducción a la ingeniería Calificación: 0 de 5 estrellas0 calificacionesAprendizaje automático y profundo en python: Una mirada hacia la inteligencia artificial Calificación: 0 de 5 estrellas0 calificacionesResumen CHAT GPT IA Revolución en 2023: Guía de la Tecnología CHAT GPT y su Impacto Social: Resumen Tecnológico, #1 Calificación: 0 de 5 estrellas0 calificacionesMáquinas predictivas: La sencilla economía de la inteligencia artificial Calificación: 5 de 5 estrellas5/5Dominando ChatGPT: Desbloquea el poder de la IA para mejorar la comunicación y las relaciones: Spanish Calificación: 3 de 5 estrellas3/5Inteligencia Artificial Calificación: 4 de 5 estrellas4/5Máquinas como yo Calificación: 4 de 5 estrellas4/5Sobreviviendo a la IA Calificación: 3 de 5 estrellas3/5Inteligencia artificial: Una exploración filosófica sobre el futuro de la mente y la conciencia Calificación: 4 de 5 estrellas4/5Metodología de la programación Calificación: 0 de 5 estrellas0 calificacionesANDROID: Aprende desde cero a crear aplicaciones Calificación: 0 de 5 estrellas0 calificacionesCómo Ganar Dinero por Internet con Inteligencia Artificial Emprende tu negocio digital con ChatGPT, Escríbelo.ia, Playground AI, You.com, Canva, Midjourney, Dall-E 2, Amazon... Calificación: 0 de 5 estrellas0 calificacionesAdministración básica de bases de datos con ORACLE 12c SQL: Prácticas y ejercicios Calificación: 0 de 5 estrellas0 calificacionesMecatrónica Calificación: 0 de 5 estrellas0 calificacionesPython fácil Calificación: 4 de 5 estrellas4/5UML: Modelado de Software para Profesionales Calificación: 0 de 5 estrellas0 calificacionesPHP: Programación web avanzada para profesionales Calificación: 0 de 5 estrellas0 calificacionesArquitectura de computadoras Calificación: 0 de 5 estrellas0 calificacionesEscritura Creativa en la Era de la IA: Dominando la Colaboración con ChatGPT para Crear Libros Impactantes Calificación: 4 de 5 estrellas4/5Laravel: Curso práctico de formación Calificación: 0 de 5 estrellas0 calificacionesInteligencia artificial: Casos prácticos con aprendizaje profundo Calificación: 4 de 5 estrellas4/5GuíaBurros: Inteligencia Artificial: Su lado oscuro y el fin del principio Calificación: 0 de 5 estrellas0 calificacionesR en profundidad: Programación, gráficos y estadística Calificación: 0 de 5 estrellas0 calificacionesMonetización de ChatGPT: aproveche el poder de AI: Spanish Calificación: 1 de 5 estrellas1/5
Comentarios para Cara Propia
0 clasificaciones0 comentarios
Vista previa del libro
Cara Propia - Fouad Sabry
Capítulo 1: Eigenface
Un eigenface (/ˈaɪɡənˌfeɪs/) es el nombre que se le da a un conjunto de vectores propios cuando se usa en el problema de visión por computadora del reconocimiento de rostros humanos.
El espacio vectorial de imagen facial de alta dimensión tiene una distribución de probabilidad cuya matriz de covarianza proporciona los vectores propios.
Las propias autocaras son el conjunto de bases a partir del cual se construye la matriz de covarianzas.
Esto da como resultado una reducción de la dimensión, ya que las imágenes de entrenamiento originales se pueden representar mediante un conjunto más compacto de imágenes base.
Las caras se pueden ordenar comparando sus representaciones en el conjunto base.
Encontrar una forma compacta de expresar los rasgos faciales fue el punto de partida para el método eigenface.
Utilizando el análisis de componentes principales, Sirovich y Kirby demostraron cómo crear un conjunto básico de rasgos a partir de un grupo de fotos faciales.
Las imágenes fundamentales, las imágenes propias, del conjunto de entrenamiento original se pueden combinar linealmente para generar imágenes.
Dado un conjunto de entrenamiento de imágenes M, N fotos podrían usarse como punto de partida para el análisis de componentes principales, si N > M.
Cuando se utilizan más imágenes propias, el error de reconstrucción disminuye; sin embargo, cualquier número requerido es menor que M.
Por ejemplo, para un conjunto dado de imágenes faciales de entrenamiento M, es necesario producir N caras propias, se puede decir que cada imagen de la cara puede estar formada por proporciones
de todas las K características
o caras propias: Imagen de la cara1 = (23% de E1) + (2% de E2) + (51% de E3) + ..
+ (1% En).
En 1991, M. Turk y A. Pentland presentaron el método de reconocimiento facial de rostros propios, que se basaba en sus logros anteriores. Demostraron un método para calcular los vectores propios de una matriz de covarianza, que permitía realizar la descomposición propia en un gran número de fotos de rostros en computadoras de la época. El análisis tradicional de componentes principales resultó difícil de aplicar a conjuntos de datos de imágenes faciales de alta dimensión. Usando matrices proporcionales al número de imágenes en lugar del número de píxeles, Turk y Pentland mostraron cómo extraer los vectores propios.
Después de su éxito inicial, el método de la cara propia se desarrolló aún más para incorporar técnicas de preprocesamiento para una mayor precisión.
El análisis de componentes principales (PCA) es un procedimiento matemático que se puede aplicar a una gran colección de fotos de rostros para producir un conjunto de rostros propios. Las caras propias se crean a través del análisis estadístico de muchas imágenes diferentes de rostros y se pueden considerar informalmente como un conjunto de componentes faciales estandarizados
. Todos los rostros humanos se pueden descomponer en estos bloques de construcción básicos. La cara de uno puede consistir en la cara promedio más, digamos, un 10% de la cara propia 1, un 55% de la cara propia 2 y un 3% de la cara propia 3. Sorprendentemente, se puede obtener una buena aproximación de la mayoría de las caras con solo un pequeño número de caras propias unidas. Además, se ocupa mucho menos espacio para el rostro de cada persona porque no se guarda mediante una fotografía digital, sino como una lista de valores (un valor por cada rostro propio en la base de datos utilizada).
Las caras propias resultantes tendrán un patrón de partes claras y oscuras contrastantes. De esta manera, podemos aislar las características faciales individuales para un análisis detallado y una puntuación. Se valorará la simetría, así como la presencia de vello facial, la posición de la línea del cabello y las proporciones de la nariz y los labios. Algunos rostros propios tienen patrones más difíciles de detectar, y sus imágenes resultantes difícilmente se parecen a los rostros humanos.
Además del reconocimiento facial, otras aplicaciones del método utilizado para crear rostros propios y utilizarlos para el reconocimiento incluyen el reconocimiento de escritura a mano, la lectura de labios, el reconocimiento de voz, la interpretación del lenguaje de signos y los gestos con las manos, y el análisis de imágenes médicas. Por esta razón, hay otros que prefieren usar el término eigenimage
en lugar de eigenface
.
La generación de una colección de caras propias implica:
Recoge una muestra de rostros para utilizarlos en el entrenamiento.
Todas las fotos utilizadas en el set de entrenamiento deben haber sido tomadas exactamente con la misma iluminación y requieren normalización para que todas las fotos tengan los ojos y la boca correctamente alineados.
También se deben volver a muestrear a una resolución de píxel común (r × c).
Un vector se considera una imagen, solo que al unir las columnas de los píxeles de la imagen de origen, lo que da como resultado una sola columna con elementos r × c .
En esta implementación específica, se supone que todas las imágenes del conjunto de entrenamiento están contenidas dentro de una sola matriz T, y cada columna de matriz representa una imagen diferente.
Elimine la media. Cada imagen en T necesita tener la imagen promedio a restada de ella.
Determine los vectores propios y los valores propios de la matriz de covarianza S. Cada vector propio tiene el mismo número de componentes (dimensión) que las fotos originales, lo que permite tratarlo como una imagen más. Los vectores propios de esta matriz de covarianza se denominan caras propias. Apuntan en las direcciones en las que las fotos se desvían más de la media. Dado que es posible calcular eficientemente los vectores propios de S sin tener que calcular S explícitamente, las caras propias tienen aplicaciones prácticas a pesar de este paso computacional potencialmente prohibitivo.
Seleccione los factores principales.
Ordene los valores propios y los vectores propios por magnitud decreciente.
El número de componentes principales k se determina arbitrariamente estableciendo un umbral ε sobre la varianza total.
Varianza total {\displaystyle v=(\lambda _{1}+\lambda _{2}+...+\lambda _{n})} , n = número de componentes.
k es el número más pequeño que satisface {\displaystyle {\frac {(\lambda _{1}+\lambda _{2}+...+\lambda _{k})}{v}}>\epsilon }
Estas caras propias ahora se pueden utilizar para representar caras vistas y no vistas previamente mediante el registro de cómo una imagen recién proyectada (restacada por la media) altera la forma de las caras propias.
La cantidad de imágenes del conjunto de entrenamiento que se desvían de la media está representada por los valores propios de las caras propias correspondientes.
Cuando solo se utilizan algunos de los vectores propios para proyectar la imagen, algunos de los detalles se pierden, sin embargo, las pérdidas se reducen al conservar las caras propias con los valores propios más altos.
Por ejemplo, trabajar con una imagen de 100 × 100 producirá 10.000 vectores propios.
En contextos en los que importa, una proyección en entre 100 y 150 caras propias suele ser suficiente para reconocer la mayoría de las caras, de modo que se pueden eliminar diez mil vectores propios con relativa facilidad.
Usando la Base de Datos Extendida de Rostros de Yale B, podemos ver un ejemplo de cálculo de rostros propios.
Para evitar una escasez de potencia de procesamiento o almacenamiento de datos, las imágenes faciales se muestrean por un factor de 4×4 = 16.
Despejarlo todo; cerrar todo; Cargar yalefaces
h, w, n = tamaño(yalefaces); d = h * w; % vectorizar imágenes
x = remodelar(yalefaces, d n]); x = doble(x); % resta la media
mean_matrix = media(x, 2); x = bsxfun(@minus, x, mean_matrix); % calcular covarianza
s = cov(x'); % de obtener el valor propio y el vector propio
V, D = eig(s); eigval = diag(D); % ordena los valores propios en orden descendente
eigval = eigval(fin: - 1:1); V = fliplr(V); % muestran la media y los vectores propios principales del 1º al 15º
Figura, Subtrama (4, 4, 1)
imagesc(reshape(mean_matrix, h, w]))
Mapa de colores gris
para i = 1:15
subtrama (4, 4, i + 1)
imagesc(reshape(V(:, i), h, w))
fin
Aunque la matriz de covarianza S produce muchas caras propias, solo se necesita un subconjunto de ellas para representar la gran mayoría de las caras. Los primeros 43 rostros propios, por ejemplo, pueden representar el 95% de la diversidad que se encuentra en todas las fotos de rostros. Aplica la siguiente fórmula a tus cálculos:
% evaluar el número de componentes principales necesarios para representar el 95% de la varianza total.
eigsum = suma(eigval); csum = 0; para i = 1:d
csum = csum + eigval(i); TV = CSUM / EIGSUM; Si la televisión > 0,95
k95 = i; quebrar
fin; fin; A menudo es prohibitivo desde el punto de vista computacional hacer PCA directamente en la matriz de covarianza de las imágenes.
Si se utilizan miniaturas, digamos de 100 × 100 píxeles, cada imagen es un punto en un espacio de 10.000 dimensiones y la matriz de covarianza S es una matriz de 10.000 × 10.000 = 108 elementos.
Sin embargo, si hay N ejemplos de entrenamiento, entonces el rango de la matriz de covarianza está destinado a ser como máximo N-1, No habrá más de N 1 vectores propios cuyos valores propios no sean cero.
Si hay menos instancias de entrenamiento que dimensiones de imagen, el modelo tendrá dificultades, Esta es una forma más sencilla de calcular los componentes principales:
La matriz de ejemplos de entrenamiento, T, ha sido preprocesada, donde cada columna representa una sola imagen después de haber sido remitida por la media.
La matriz de covarianza se puede calcular como S = TTT y la descomposición del vector propio de S viene dada por
\mathbf {Sv} _{i}=\mathbf {T} \mathbf {T} ^{T}\mathbf {v} _{i}=\lambda _{i}\mathbf {v} _{i}Sin embargo, TTT es una matriz grande, por el contrario, si observamos la descomposición de valores propios de
\mathbf {T} ^{T}\mathbf {T} \mathbf {u} _{i}=\lambda _{i}\mathbf {u} _{i}Si luego premultiplicamos ambos lados de la ecuación por T, encontramos que
\mathbf {T} \mathbf {T} ^{T}\mathbf {T} \mathbf {u} _{i}=\lambda _{i}\mathbf {T} \mathbf {u} _{i}Lo que significa que, si ui es un vector propio de TTT, entonces vi = Tui es un vector propio de S.
Si tenemos un conjunto de entrenamiento de 300 imágenes de 100 × 100 píxeles, la matriz TTT es una matriz de 300 × 300, que es mucho más manejable que la matriz de 10.000 × 10.000 covarianzas.
Nótese, sin embargo, que los vectores vi resultantes no están normalizados; Como proceso adicional, se puede utilizar la normalización si es necesario.
Sea X la d\times n matriz de datos con columna x_{i} como el vector de imagen con la media restada.
Entonces {\displaystyle \mathrm {covariance} (X)={\frac {XX^{T}}{n}}}
Suponiendo que X tiene un SVD, podemos escribirlo como:
X=U{\Sigma }V^{T}Entonces, la descomposición del valor propio es XX^{T} :
XX^{T}=U{\Sigma }{{\Sigma }^{T}}U^{T}=U{\Lambda }U^{T}, donde Λ=diag (valores propios de XX^{T} )
Como resultado, está claro como el día que:
Las caras propias = las primeras k k\leq n () columnas de U asociadas con los valores singulares distintos de cero.
El i-ésimo valor propio de XX^{T}={\frac {1}{n}}( i-ésimo valor singular de X)^{2}
Al realizar SVD en la matriz de datos X, no se requiere la matriz de covarianza real para obtener caras propias.
El desarrollo de las caras propias fue estimulado por la necesidad de mejorar la identificación facial. En comparación con los métodos alternativos, las caras propias funcionan mejor debido a la velocidad y eficiencia del sistema. Debido al enfoque de eigenface en la reducción de dimensiones, se puede representar un gran número de sujetos utilizando una pequeña cantidad de información. También es bastante robusto como sistema de reconocimiento facial cuando las fotos se reducen drásticamente; Sin embargo, comienza a fallar dramáticamente cuando hay una gran diferencia entre las imágenes observadas y la imagen de la sonda.
Reconocimiento facial, Las imágenes de la galería del sistema están representadas por conjuntos de pesos que caracterizan la importancia relativa de cada cara propia en la construcción de esa imagen.
Cuando se agrega una nueva cara a la base de datos para su análisis, el sistema, la imagen se proyecta en el conjunto de caras propias para determinar sus propios valores propios.
Esto nos da una colección de valores que caracterizan el frente de la sonda.
Los pesos de los conjuntos de la galería se comparan con estos para determinar