基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。     

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%.     

基于级联Adaboost和神经网络PCA算法的人脸检测系统研究

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络PCA算法的人脸检测新方法以提高人脸检测的正确率。该方法采用两级检测器对人脸进行区分检测,首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并,然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口,最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,此时的检测率为88%;基于SVM检测正确率为54%,此时的检测率为89%;基于FSS检测正确率为66%,此时的检测率为92%。实验结果表明,本方法能够很好的区分人脸模式和非人脸模式。因此,在这种意义上来说,级联的Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

基于自动提取特征点的三维人脸表情识别

为实现完全自动的人脸表情识别,提出一种基于自动提取三维及二维特征点的三维人脸表情识别算法.该算法采用在三维点云、深度图像以及三维点云对应的二维特征图像上分别自动获得特定特征点,并将非点云上获得的特征点映射回三维点云以获得全部需用特征点的方法.基于这些自动获取的特征点得到三维欧氏距离组成25维特征向量以待分类.通过运用支持向量机作为分类器,取得了平均87.1%的6种基本表情的分类结果,其中惊讶、开心表情的分类结果分别达到了92.3%和91.7%.      

基于级联Adaboost和神经网络主元分析算法的人脸检测系统

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络主元分析(PCA)算法的人脸检测新方法以提高人脸检测的正确率。采用两级检测器对人脸进行区分检测:首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并。然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口。最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,检测率为88%;基于SVM检测正确率为54%,检测率为89%;基于FSS检测正确率为66%,检测率为92%。实验结果表明,本方法能够很好地区分人脸模式和非人脸模式。因此,级联Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

基于多标签核判别分析的人脸身份与性别识别方法

为解决多标签线性判别分析(MLDA)方法在非线性维数约简方面的局限性,提出了一种多标签核判别分析(MKDA)方法,并将其用于人脸的身份与性别识别中.该方法的基本思想是通过非线性映射将训练样本从输入空间映射到高维核特征空间中,并在该特征空间中进行基于MLDA的数据降维.在身份和性别识别中,首先采用MKDA方法对人脸图像特征向量进行降维,获取判别特征矢量集;其次,为每幅人脸图像赋予一个表征身份和性别的多标签类别矢量;最后,采用减秩回归模型(RRR)描述判别特征矢量与多标签类别矢量之间的回归关系,并利用该模型进行未知人脸的身份和性别识别.AR人脸数据库上的实验结果表明:在人脸身份和性别识别中,MKDA方法的识别率高于传统核判别分析(KDA)方法.     

基于形变模型的三维人脸快速重建改进算法

针对传统三维人脸重建算法效率低且难以满足实际应用的缺陷, 提出一种三维人脸重建改进算法。该算法基于ASM（Active Shape Model) 增强算法, 自动地对特定二维人脸特征区域进行准确定位, 并实现三维人脸数据库的归一化; 利用稀疏形变模型对特定正面二维人脸进行快速三维重建; 采用明暗纹理恢复算法对重建后的三维模型人脸特征区域的每个顶点法线进行约束, 并将其应用于人脸识别中。实验结果表明, 该方法可实现对特定正面二维人脸快速三维重建, 并取得较好的三维重建精度与识别率, 与经典ASM算法相比, 精度提高12.3%, 迭代次数减少6次。     

基于级联卷积神经网络的人脸检测算法

为了解决大部分基于深度学习的方法直接提取深度抽象特征,无法在速度与精度上取得均衡问题,该文将传统的级联框架与深度卷积神经网络结合,提出了一种新的基于级联的由浅至深的卷积神经网络人脸检测方法。首先通过融合全脸与部分人脸的全卷积神经网络置信图谱快速定位人脸候选区域,然后采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精确度。所提出的方法与一些代表性的算法对比和分析,在FDDB、AFW权威评测集上达到了可比较的精度,且能快速地进行检测。     

一种基于眼动输入的手机解锁方法

提出了一种基于眼动输入的手机解锁方法,该方法首先使用Ada Boost级联分类器进行人脸区域检测,利用眼部特征点建立眼睛相对坐标系,进行人眼视线方位的估计;然后利用K-Means聚类算法对视场坐标系中的凝视区域进行聚类;最后使用随机生成的密码序列对视线方位进行加密。实验结果表明,该身份认证方法具有较高的认证精度和效率。     

斜视合成孔径雷达的稀疏降采样数据成像方法

针对合成孔径雷达数据量庞大,不便于存储传输等问题,结合经典的距离多普勒成像算法与压缩感知理论,提出一种稀疏降采样斜视SAR数据的成像方法.在方位向上用随机降采样的方式录取数据,对所得数据进行相应的距离徙动校正和距离脉压,随后将方位向脉压建模为典型的压缩感知模型,用平滑l₀算法重构出二维SAR场景.利用该方法能有效地减少稀疏场景的SAR回波数据量,仅采用传统数据量的25%,即可获得清晰的二维成像结果.     

一种新的多视角背景下人脸检测方法

针对实际生活中普遍存在的多视角、多人脸检测问题,提出了一种新的分类器训练方法及人脸检测的解决方案;首先采用NPD差分特征对人脸特征进行描述,NPD特征通过判断两个像素值间相对差异对人脸进行描述,其特征值可从二维表直接获取,能大大节省训练时间;同时提出了一种深度二叉特征树结构来训练分类器,可有效结合特征间的关联性,将训练得到分类器与肤色算法相结合来提高检测速度;通过在CMU人脸数据库上对所提出算法进行验证,仿真结果证明在多人脸、多视角检测背景环境下,该算法较Ada Boost算法在检测率提高了8.7%,误检率降低了4.1%,检测速度提高了27.7%。     

基于AdaBoost和LLE的视频人脸特征提取研究

特征提取是生物特征识别的关键环节.本文提出了一种基于AdaBoost和LLE的视频人脸特征提取方法.其大致思路是用VFW技术对视频图像进行采集、接着将AdaBoost算法对采集的图像进行人脸检测,最后应用LLE算法对检测到的人脸图像进行降维并提取出特征.项目实践表明,该方法具有便捷性、实用性和有效性.     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

一种基于SVM及LE降维的X射线焊缝缺陷分类算法研究

为了提高X射线焊缝缺陷分类的识别率,提出将拉普拉斯特征映射(Laplacian Eigenmaps,LE)算法与支持向量机(Support Vector Machine,SVM)算法相结合应用于焊管焊缝缺陷检测。该方法首先提取焊缝缺陷的形状和几何特征,然后通过极大似然估计值(Maximum Likelihood Estimation,MLE)法对提取的7维样本特征进行本征维数估计并利用拉普拉斯特征映射法对各类特征向量进行降维处理,最后分别采用支持向量机和BP神经网络进行分类对比实验。实验表明,基于SVM及LE降维的X射线焊缝缺陷分类算法具有较高的识别精度,平均分类准确率达93%,能够较准确地对焊缝缺陷进行分类识别。     

一种新型的人脸识别算法在智能门禁系统中的应用

针对人脸识别中的尺度与光照敏感问题,该文提出了一种基于Gabor滤波器的人脸自动识别算法。首先对原始人脸图像进行Gabor小波分解,得到人脸的纹理特征图像;然后利用流形学习的方法进行特征数据降维;最后采用LDA线性判别方法进行人脸的自动识别。实验表明,该算法具有较强的人脸自动识别能力,能有效地解决不同姿态、不同光照条件下的人脸难以识别的问题,将该算法作为智能门禁系统的主程序,实现了智能门锁的自动控制。     

基于全局与局部特征的嵌入式人脸识别系统

基于主成分分析人脸识别算法,提出一种基于全局特征和局部特征的加权算法,并且在嵌入式(Tiny6410)上完成系统的设计与实现.利用主成分分析提取人脸全局特征,根据特征值贡献率获取降维后的人脸子空间,采用欧氏距离匹配测试样本;用人眼检测算法、鼻子检测算法等提取每个样本的左眼、右眼、鼻子、嘴,分别建立样本集,采用主成分分析;分别计算全局和局部特征的离散度,根据离散度进行自动加权算法,给出最终的人脸识别结果.实验表明,该系统具有一定的稳定性,识别效果优于单一模块的识别.     

基于图像采集与人脸比对的门禁控制

基于FPGA的嵌入式SOPC方案进行高速图像采集与门禁控制,设计开发了人脸门禁考勤控制管理系统.构建了图像采集与控制的硬件平台;给出基于Gabor小波变换的个性化特征提取算法,采用不同频率和方向角的Gabor小波变换提取人脸个性化特征;阐述了基于弹性模板匹配和SVM的分层次人脸比对识别方法;在VC++环境中,采用不同的阈值对系统进行测试.结果表明,该系统实现了特征向量的降维,可以有效提高人脸正确识别率,降低了人脸比对误识率,并提升了识别速度.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。