基于人工智能算法的圖像識(shí)別與生成

1、基于人工智能算法的圖像識(shí)別與生成摘要：本次報(bào)告的工作是利用PCA，SVM以及人工神經(jīng)網(wǎng)絡(luò)（ANN）實(shí)現(xiàn)對(duì)人臉的特征提取、分類(lèi)和預(yù)測(cè)。然后利用GAN（生成對(duì)抗網(wǎng)絡(luò)）實(shí)現(xiàn)對(duì)手寫(xiě)數(shù)字的生成，并用SVM做預(yù)測(cè)，驗(yàn)證生成效果。本次報(bào)告采用的數(shù)據(jù)源自劍橋大學(xué)的L人臉數(shù)據(jù)庫(kù)，其中包含40個(gè)人共400張人臉圖像。關(guān)鍵詞：人工智能；圖像識(shí)別；數(shù)據(jù)中圖分類(lèi)號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：10093044（2018）130173021PCA降維PCA（p

2、rincipalcomponentsanalysis）即主成分分析，又稱(chēng)主分量分析。旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)。首先我們給出了數(shù)據(jù)庫(kù)的平均臉的圖像，并利用PCA對(duì)人臉降維，通過(guò)改變降低到的維度研究了保留維度的多少帶來(lái)的影響。最后給出了每一個(gè)維度的特征臉圖像，討論了每一個(gè)維度所能夠代表的人臉信息。1.1平均臉首先，我們將數(shù)據(jù)庫(kù)中400張人臉按行存儲(chǔ)到一個(gè)矩從圖4可以看出，當(dāng)保留維數(shù)為100維時(shí)，即能保留人臉90%的

3、信息，而之后隨著保留維數(shù)的增多，保留信息的增多變緩。同樣的結(jié)論也可由提取每個(gè)維度所代表的特征獲得。從前到后觀察實(shí)驗(yàn)所得的圖像，我們可以發(fā)現(xiàn)，人臉變得越來(lái)越模糊，到100維以后已經(jīng)分辨不清人臉了。這就說(shuō)明前面的維度反映了大眾臉的特征，而越往后面的維度則反映不同人臉的細(xì)節(jié)，比如頭發(fā)長(zhǎng)短等等，以及圖片噪聲。2SVM對(duì)人臉?lè)诸?lèi)SVM（支持向量機(jī)）是CinnaCtes和Vapnik等于1995年首先提出的，在機(jī)器學(xué)習(xí)中，支持向量機(jī)是與相關(guān)的學(xué)習(xí)算

4、法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)，識(shí)別模式，用于分類(lèi)和回歸分析。2.1制作多分類(lèi)器用PCA對(duì)人臉降維以后，我們用SVM將400張人臉進(jìn)行分類(lèi)。我們?nèi)∶總€(gè)人的前五張照片合并起來(lái)共200張作為訓(xùn)練集，每個(gè)人后五張照片合并起來(lái)共200張作為測(cè)試集。40個(gè)人即有40個(gè)標(biāo)簽，也就是有40類(lèi)，但SVM只能作二分類(lèi)器，因此我們利用二分類(lèi)器生成多分類(lèi)器，基本思想是制作C（40，2）個(gè)一對(duì)一分類(lèi)器（也就是每?jī)蓚€(gè)類(lèi)別一個(gè)），每一張照片都分別用所有一對(duì)一分