复合不变矩和GLCM特征加权融合的人脸识别研究

为了提高人脸识别率,提出一种基于复合不变矩和灰度共生矩阵的特征提取方法 CHu-GLCM。首先将人脸图像分割成许多大小相等的子块,提取所有子块的不变矩特征,并按照一定的权重系数把所有子块的不变矩特征组合起来作为整幅人脸图像的复合不变矩特征,再提取人脸图像的灰度共生矩阵;然后利用支持向量机在决策层把人脸图像的复合不变矩特征和灰度共生矩阵进行加权融合;最后分别在ORL和YALE人脸库中进行实验检测。研究结果表明:在训练样本个数为5时,与传统的特征提取方法相比,给出的方法可以使人脸识别率至少提高4个百分点。     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

基于强度PCNN的静态图像人脸识别

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节,对于不同姿势、表情及面部明显遮挡物的人脸图像,具有较好的识别结果。该方法对于复杂人脸图像特征的提取,具有较强的鲁棒性。     

基于QGA—BP神经网络的人脸识别技术研究

本文介绍了人脸识别的发展概况和人脸识别的主要方法。提出了一种基于QGA和BP神经网络相结合的人脸识别方法。首先使用M—FastlCA方法进行人脸特征提取,然后采用QGA-BP神经网络作为人脸识别的分类器,仿真实验具有较好的识别效果,表明本文方法是一种可行的人脸识别方法。     

采用二代曲波变换和反向传播神经网络的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二代曲波变换的人脸识别方法.首先将所有样本图像和测试图像通过基于"打包"的快速离散曲波变换进行分解,获得不同尺度、不同角度的曲波变换系数,再利用曲波变换分解系数中包含了人脸重要特征信息的低频系数,作为特征参数送入反向传播(BP)神经网络中进行学习训练,最后将训练好的BP神经网络用于人脸识别.经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别正确率达到95%,比Daub(2)小波基的小波变换方法的识别正确率提高了2.5%.     

基于DCT和BP神经网络集成的人脸识别

人脸识别是模式识别和图像处理领域的研究热点和难点,尽管已提出了许多方法,然而如何在变化的环境下实时、高效地识别人脸仍是一个难题.鉴于离散余弦变换(discrete cosine transform,DCT)有较高的压缩性能和快速算法以及集成神经网络良好的泛化能力,提出了基于DCT和神经网络集成的人脸识别方法.首先用DCT提取人脸特征矢量,然后构建集成BP(back propagation)神经网络对人脸进行分类识别.在ORL(olivertti research laboratory)人脸库上的仿真实验结果表明,提出的方法取得了较快的训练和识别速度、较高的识别率,因此该方法是一种快速高效的人脸识别方法.     

深度卷积神经网络的判别性人脸识别算法

针对Softmax(柔性最大值)损失对特征只有可分性的不足,提出一种基于深度卷积神经网络的判别性人脸识别算法.该算法首先根据Softmax损失特征分布,在特征和权重向量间施加一个类内余弦相似性损失,使类内更加紧凑,类间尽可能分离;然后在Softmax损失基础上通过归一化特征来更好地模拟低质量人脸图像,并通过归一化权重来减轻类别不平衡,使与测试时的余弦相似性度量一致;最后联合归一化的Softmax损失和类内余弦相似性损失在预训练模型上进行微调.该算法在人脸识别基准测试集LFW(户外人脸标记)和YTF(You Tube人脸数据库)上分别取得了98.72%和93.38%的识别率,实验结果表明:在大规模人脸身份识别中,该算法提高了特征的判别性,增强了模型的泛化能力,能有效提高人脸识别率.     

Linex损失下的BP神经网络分类方法及在人脸识别中的应用

针对一类特定目标人脸识别中存在的问题,提出一种基于Linex损失下BP神经网络的分类方法,并给出了剑桥大学ORL人脸库上的测试结果.实验结果表明,所提出的方法能有效解决传统BP神经网络特定目标人脸识别中存在的问题.     

基于特征脸和神经网络的人脸表情识别方法

当前人脸检测系统主要使用的是基于主成分分析算法和神经网络技术,本文提出了识别不同特征点的另一种技术,所提出的识别系统用来实现特征提取、主成分分析和人工神经网络,即用特征脸和主成分分析算法进行人脸识别.在主成分分析算法中,通过识别初始人脸图像集得到特征向量和特征脸,然后这些人脸被投射到特征脸上以计算权重,这些权重建立人脸数据库以便通过神经网络进行人脸识别.测试结果表明,其准确率达82.1%,达到了理想效果.     

基于多任务学习的跨年龄人脸识别

为了解决年龄因素影响下的人脸识别问题,设计了一种多任务学习模型,用以进行年龄干扰下的人脸识别.通过卷积神经网络对人脸图像进行全面的特征提取,作为多任务学习的主干部分;使用特征分解模块提取出具有年龄相关信息的掩码层,从而从混杂的人脸特征中分离出年龄信息和身份信息;通过交叉熵损失函数和Arcface函数分别对年龄特征和身份特征进行约束.提出的网络对年龄干扰下的人脸特征具有较好的识别能力.     

基于多姿态多状态面部情绪模型的表情识别

介绍了面部表情识别的主要步骤,在此基础上提出了一种多姿态多状态的面部情绪模型．该系统利用图像质量的评价结果来决定面部检测的方法,通过中性脸的检测来实现表情边界的分割,从而把提取的表情运动特征参数作为BP神经网络的输入,进而实现面部表情的识别．实验表明,该系统具有很好的识别效果．     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.     

基于分块FLD的图像特征提取方法

提出了基于分块Fisher线性鉴别（Fisher＇s Linear Discriminant,FED）的特征提取方法,先对图像矩阵进行分块,将分块得到的子图像矩阵直接用来构造类内和类间离散度矩阵,然后利用Fisher鉴别函数取极大值时得到的最优投影方向进行图像的特征提取。分块FLD方法是二维FLD方法的推广,该方法可以提取每一单元块的局部特征,在ORL人脸库上的实验结果表明该方法在人脸识别性能方面优于二维FLD方法。     

基于小波变换和独立成分分析的人脸识别

针对传统的独立成分分析算法对光照、表情、姿态等敏感的不足,提出了一种结合小波变换和独立成分分析的人脸识别方法.人脸图像首先经过小波变换后选取低频子图像进行独立成分分析,提取人脸图像特征,最后根据最近邻分类器分类.分析了样本数目、小波分解级数对平均识别率和识别时间的影响.基于ORL人脸数据库的实验结果证明了本方法在识别性能方面相对于单一方法的优越性.     

基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题； 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集； 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型； 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于改进的SqueezeNet的人脸识别

针对众多基于卷积神经网络的人脸识别技术在追求提高人脸识别率上,忽视了网络模型输入参数,导致模型输入参数多、训练时间长和无法在内存小的硬件上运行等问题,提出一种基于改进的Squeeze Net的人脸识别模型。改进的Squeeze Net模型保留了原网络模型中的小卷积核去提取图片特征,还采用首尾池化层分别引入对应的后续卷积层进行特征融合,提取细微的人脸纹理特征来稳定模型收敛性,防止小的卷积核在复杂的人脸训练集上产生过拟合。针对分类函数Softmax的改进,采用L2范数约束的方法,将最后一层的特征约束在一个球面内,减少相同特征间距,提高网络收敛能力。通过两种改进后的Squeeze Net模型在与其他的先进模型对比,在不降低人脸识别准确率的前提下,具有输入参数少、模型易于收敛和能够运行在内存小的硬件设备的优势。结果在CASIA-WebFace和ORL人脸库上得到了有效性的实验验证。     

小波和神经网络在人脸光照校正中的应用

提出一种基于小波和神经网络的人脸光照校正算法, 它 充分结合了小波的多分辨分析和BP神经网络的自适应学习和良好推广能力的性质, 对人脸进行光照校正. 理论和实验证明, 本方法能有效解决人脸检测和识别中的光照校正问题, 使不同光照条件下的人脸检测和人脸识别性能得到很大提高. 本方法还具有鲁棒性好、 适应面宽的特点.     

Gender Recognition with Face Images Based on Partially Connected Neural Evolutionary

In this paper,a new type of neural network model - Partially Connected Neural Evolutionary (PARCONE) was introduced to recognize a face gender. The neural network has a mesh structure in which each neuron didn't connect to all other neurons but maintain a fixed number of connections with other neurons. In training,the evolutionary computation method was used to improve the neural network performance by change the connection neurons and its connection weights. With this new model,no feature extraction is needed and all of the pixels of a sample image can be used as the inputs of the neural network. The gender recognition experiment was made on 490 face images (245 females and 245 males from Color FERET database),which include not only frontal faces but also the faces rotated from-40°-40° in the direction of horizontal. After 300-600 generations' evolution,the gender recognition rate,rejection rate and error rate of the positive examples respectively are 96.2%,1.1%,and 2.7%. Furthermore,a large-scale GPU parallel computing method was used to accelerate neural network training. The experimental results show that the new neural model has a better pattern recognition ability and may be applied to many other pattern recognitions which need a large amount of input information.