女性陌生面孔识别优势的眼动研究

面孔识别是一项重要的社交技能,在基于前人眼动研究基础上,该研究旨在寻找女性面孔识别优势的眼动依据。使用SMI桌面眼动仪为实验工具,随机选取了46名大学生进行2×2×2混合设计的眼动实验。结果显示,女性在面孔识别比男性面孔识别的准确率高;同性别图片识别准确率优于异性别;心理旋转组与未心理旋转组的识别准确率结果不存在性别差异;存在识别准确率差异。具体表现为,女性面孔识别主要兴趣区在眼睛部分,男性面孔识别主要兴趣区在鼻子部分。     

自闭症谱系障碍者面孔识别加工的研究进展

自闭症谱系障碍个体在对面孔表情进行识别的过程中,会表现出情绪感知障碍问题,很难从他人的面孔中正确读取信息,这严重影响了他们正常的社交活动.为此对ASD个体面孔识别加工特点进行梳理,分析前人在ASD个体对面孔表情类型、静态面孔的识别加工特点,以及对面孔识别的注视特点方面研究的成果与不足,提出应该深入进行发展性设计,将生理药物与心理干预方法相结合、眼动与脑电等技术相结合,进一步揭示ASD个体面孔识别障碍的内在机制,为其提供更加合理的治疗手段.     

情绪面孔识别状态下抑郁症患者大脑微状态的差异性研究

为探寻抑郁症患者情绪障碍的产生机制,设计了基于情绪面孔识别的大脑微状态的研究方法,该方法通过提取情绪面孔识别状态下产生的事件相关电位(ERP)信号,对ERP信号的微状态进行分析,研究情绪加工过程中重度抑郁症患者(MDD)与正常组(NC)之间的差异性。研究发现:在情绪面孔识别状态下,MDD组和NC组大脑微状态在类型、数量、持续时间、组合排序等方面均存在显著不同;在正性情绪面孔刺激下,MDD组微状态1、4的持续时间占比显著小于正常组;负性情绪面孔刺激下,MDD组微状态1的持续时间占比显著小于正常组,而微状态2、5的持续时间占比则显著大于正常组。该研究为抑郁症的发病机理研究和临床早期诊断研究提供了方法和依据。     

大学生面孔识别中不同兴趣区及被试性别的差异研究

采用眼动追踪技术,以60名大学生为被试,进行2×3的混合实验,探讨不同兴趣区在面孔识别中的重要性,以及被试性别是否对面孔识别产生影响.结果发现被试对眼睛的注视点个数、总注视时间、首注视持续时间显著多于鼻子和嘴巴;鼻子部位的首视点时间显著先于眼睛和嘴巴部位;兴趣区在各眼动指标上,皆存在主效应,P0.05.兴趣区与被试性别在注视点个数、总注视时间上的交互作用显著;男生对鼻子部位的注视次数和注视时间比女生更多,而女生对眼睛的注视次数显著多于男生.研究表明:眼睛在面孔识别中发挥着比鼻子、嘴巴更加重要的作用,对眼睛的认知加工更多,被试性别影响大学生对面孔识别的眼动模式.     

面孔适应范式研究综述

在认知心理学中,面孔适应范式是一种研究面孔识别与视知觉的研究范式,通过这种研究范式可以探测人脑在处理面孔这种视觉信息时的一些特点。本文对面孔适应范式的相关流程研究做了一个总结。     

面孔认知：概念、问题及其研究进展

 面孔识别是人类社会生活的重要功能,也是一个复杂的信息处理过程;它既是人工智能、机器视觉、模式识别、测谎领域的重要研究内容,也是认知心理学、认知神经科学、社会心理学等领域的重要研究方向.通过数字图像或者视频来完成自动面孔识别和辨认,是计算机科学领域的一个新的研究方向;而如何理解和解释大脑是如何处理面孔（特别是人类面孔）的研究,也是认知神经科学一个非常重要的领域.该文主要介绍了面孔认知的基本概念、研究的主要问题及相关领域的研究进展;具体从面孔认知模型、面孔特异性研究、面孔倒置效应和熟悉度效应几个方面,回顾了该领域内的一些重要研究成果,并对面孔认知研究的新方向,意识下面孔认知研究和面孔微表情认知研究提出了展望.     

基于云的哨兵面孔识别系统设计

云计算不仅可以用于地方经济建设,也可以用于国防建设、信息反恐建设等特殊领域.该文在介绍云计算相关概念的基础上,提出了一种基于云的哨兵面孔识别系统方案,可以有效防范恐怖分子的袭击,确保执勤哨兵的安全.     

面孔识别中的内群体偏向

面孔识别中的内群体偏向是指个体对内群体成员面孔的再认成绩显著高于外群体成员面孔，认知和社会心理学近几十年来的研究证实了该效应存在的稳定性。关于该效应主要有知觉经验假说、社会分类假说和分类---个体化模型三种理论解释，但围绕其心理机制仍然存在争议。今后的研究应采用多种手段更全面地考察影响内群体偏向的相关因素。     

月经周期中情绪冲突Stroop效应研究

探讨正常育龄妇女月经周期对情绪冲突的影响,以及不同时期的情绪注意偏向.研究采用重复测量设计的词-面孔Stroop任务,分析比较了21名被试在卵泡期和黄体期完成情绪判断任务和性别判断任务的正确率和反应时.结果发现:被试在两个任务中均表现出明显的情绪Stroop效应;在情绪判断任务中,月经周期对情绪冲突Stroop任务的影响有统计学意义(p0.01),在黄体期被试的情绪Stroop效应更加明显,对负性和正性情绪面孔识别的正确率和反应时均存在统计学意义(p0.01);在性别判断任务中发现,与黄体期相比,女性在卵泡期对男性面孔的识别正确率较高,反应时较短.研究结果表明:女性在黄体期的认知控制能力较卵泡期下降,同时对负性情绪表现出明显的注意偏向;卵泡期女性对男性面孔的偏好大于黄体期女性.     

神经网络精细灵敏 电脑应用如虎添冀

神经网络较之传统的人工智能,它具有学习和综合能力的优势。因其结构近似于人脑中的神经细胞结,故称之为"神经网络"。当今虽然系列计算机每秒能执行数百万次运算,根据所储存的规则和程序完成加、减、乘、除等运算。但是迄今还不可能写出一个程序使计算机完成像人所能做到的自发行动和反应,如语言理解或面孔识别。科学家研究的目的,就是要发展一种能"自己思考"的计算机。神经网络的灵感是人脑。人脑中有数十亿个神经细胞,每个神经细胞的大小都不超过0.1mm,所有神经细胞都同时并行地起作用,因而人脑的工作很有效力。大脑是通过其数以亿计的、相互连通的巨大网络来处理信息的。信号从一些神经细胞传送到另外的神经细胞,细胞间的脉冲强度控制大脑如何储存和处理数据。目前,科学家们用硅来模拟单个神经细     

基于EHMM的人脸识别

人脸识别系统从广义上说大致可以分为人脸检测、定位与跟踪,人脸表征,人脸识别,表情/姿势分析,生理分类等五个方面.人脸的特征提取和人脸图像匹配这两部分是最重要的,也是决定人脸识别系统的准确性和效率所在.采用2D-DCT变换进行人脸特征提取和EHMM模型进行人脸图像匹配(人脸识别),并用多样本加权合成的EHMM训练的方法,取得了较高的速度和识别率.     

基于判别分析与低秩投影的人脸识别算法

针对目前人脸识别算法的误识率高、 鲁棒性差等不足, 设计一种基于判别分析与低秩投影的人脸识别算法, 以获得更优的人脸识别结果. 首先对人脸图像进行分块, 提取每个子块的局部特征, 并判别分析提取人脸的全局特征; 然后通过低秩投影选择对人脸识别结果贡献较大的特征组成特征向量; 最后采用最小二乘支持向量机根据“一对多”的原则建立光照人脸识别的多分类器, 并对多个人脸数据库进行仿真实验. 实验结果表明, 该算法可找到最优人脸识别特征子集, 降低光照人脸的误识率, 人脸识别速度得到明显提升, 且人脸识别效果优于其他人脸识别算法.     

人脸识别技术的研究

人脸自动识别问题近年来受到了各国研究人员的普遍关注。在总结前人研究成果的基础上,本文分类论述了人脸自动识别课题中的常用方法,并分析了它们的优缺点。根据被识别图象的来源,人脸识别技术可分为2类:静态人脸识别和动态人脸识别。本文首先介绍了静态人脸识别中所用到的算法,然后对动态人脸识别系统进行了初步的探讨。     

基于最佳鉴别特征和相关向量机的人脸识别算法

为了获得更高的人脸识别正确率,满足人脸识别的实时性,提出一种基于最佳鉴别特征和相关向量机的人脸识别算法.首先,采用小波变换对人脸图像进行降噪预处理,提取人脸的多方向、多尺度Gabor特征;然后采用核主成分分析对人脸的Gabor特征进行筛选,找到对人脸识别结果影响较大的最佳鉴别特征,有效降低特征数量,去除特征间的冗余信息;最后采用相关向量机对最佳鉴别特征向量进行学习,建立人脸识别的多分类器.选择标准人脸库与经典人脸识别算法进行对比实验,实验结果表明,该算法的人脸平均识别率得到大幅度提高,人脸平均识别时间远少于经典人脸识别算法.     

基于稀疏编码和机器学习的多姿态人脸识别算法

为改善多姿态人脸识别效果, 设计一种稀疏编码和机器学习相融合的多姿态人脸识别算法. 首先对多姿态人脸进行采集和预处理, 并提取基于稀疏编码的人脸图像特征; 然后采用主成分分析对特征进行处理, 降低多姿态人脸识别的特征维数, 提高多姿态人脸识别效率; 最后采用机器学习算法中的支持向量机建立多姿态人脸识别 分类器, 并采用标准人脸数据库和多姿态人脸数据库对算法性能进行验证. 验证结果表明, 该算法可有效提高多姿态人脸识别正确率, 大幅度减少多姿态人脸的平均识别时间, 取得了比对比算法更优的识别结果, 从而验证了该算法的优越性.     

基于图片特征与人脸姿态的人脸识别方法研究

针对人脸识别中在非限定条件下（如背景、光照等因素发生变化时）人脸多角度多姿态识别精度低的问题与现有基于识别模型的方法无法快速更新人脸类别,提出了基于图片特征与人脸姿态的识别方法,通过对人脸姿态的识别,最大程度的匹配人脸数据库中的人脸信息,使用VGG16卷积神经网络训练模型提取图片特征,生成特征向量,再使用支持向量机分别训练提取出的特征,与人脸数据库中信息进行比对,从而精确识别人脸。通过在Pubfig与FERET人脸库上实验结果表明,所采用的算法精度较高。     

基于OpenCV组合优化的人脸识别应用平台设计

人脸识别是最符合人的本能且便捷的识别认证方式,在人工智能领域广泛应用,多数的人脸识别的算法很容易受到外界因素的影响,或者要求识别者站在某一固定位置,识别缓慢和准确率不高。本设计实现了一种基于Open CV的人脸识别的应用平台,首先对人的脸部图像进行采集和预处理,通过对算法优化,利用平台的Eigenfaces、Fisherfaces和LBP(local binary patterns histograms)三种用于人脸识别的算法协同多重使用,并在判定人脸识别系统识别到待检测目标的同时再加上限制条件,再结合Qt框架搭建用户界面,实现人脸模块训练和人脸识别的功能。经过测试,系统界面友好,运行稳定,对人脸位置和环境光照变化具有较好鲁棒性,能快速和准确地对人脸实时检测和识别。     

基于人脸轮廓的人脸归一化方法

人脸识别作为生物识别技术的一种,具有无接触、安全和方便的特点.人脸识别技术广泛应用于人机交互、交易认证及安防等领域,一直是生物识别技术研究的热点.人脸检测、特征定位、人脸归一化和特征提取是人脸识别研究的重点,决定着人脸识别系统的最终性能.设计了基于人脸轮廓的人脸归一化方法,根据归一化中出现的问题,进一步提出了人眼位置与人脸轮廓结合的人脸归一化方法.实验结果表明在Yale人脸图像库上人眼位置与人脸轮廓结合的人脸归一化方法具有更高的正确率.     

人脸识别综述

在生物特征识别中,人脸识别是最自然、最直接和最友好的手段,对人脸识别的研究具有很高的理论意义和实用价值．本文对人脸识别中的常用算法进行了回顾,并且对正面人脸识别中的两个主要研究热点——人脸光照补偿和人脸小样本问题进行了讨论．     

机器学习与人脸识别方法概述

对机器学习与人脸识别的基本含义和主要方法进行了概述.提出融合人脸的多种生物特征,改进现有的机器学习算法,并进一步推进机器学习方法在人脸识别中的应用,将十分有利于人脸识别精度的改善和人脸识别速度的提高.