人脸识别及其在公安工作中的应用研究

目前计算机视觉最多且最受欢迎的应用之一就是人脸识别。针对人脸识别的3个过程——人脸的检测、人脸面部特征的定位、人脸的比对,人脸识别所用的主要技术包括人脸检测与跟踪技术、面部关键特征的定位及人脸2D形状检测技术、人脸确认与识别技术。由于人脸识别技术具有方便、易为人接受、不易伪造等优点,可用于身份认证、视频监测及视频资料检索分析等方面,随着其技术的成熟与发展,在公安工作中越来越得到广泛的应用。     

人眼定位算法与人脸图像标准化

提出了一种改进的人脸图像标准化算法.该算法先利用改进的人脸图像的垂直灰度积分投影确定脸的左右边界,再根据人脸图像的水平灰度投影曲线来确定眼睛的大致高度.利用由上述方法得到的参数对人脸进行第一次裁剪,然后对人眼精确定位,最后对图像进行旋转、剪切和缩放,获得人脸的标准图像.采用ORL人脸数据库进行仿真实验,结果表明,该算法消除了背景、头发等干扰,保留了人脸识别所需的主要信息,有利于后续的特征提取与识别.     

基于SVM的人脸识别方法研究

在人脸的特征提取及分类识别实验中,使用K-L变换提取了人脸图像的数字特征,用SVM进行分类识别,对40个人的280幅图片构成的训练样本集构造基于支持向量分量的两个不同核函数的分类器。对这40个人的其他120幅图片构成的测试样本集分类,两种分类器分别取得了9.83%和10.08%的分类错误率,分类器达到了很好的效果。     

一种处理红外人脸识别中眼镜干扰的方法

基于特征脸,提出了一种区域特征元补偿的方法来消除红外人脸识别中眼镜的干扰.首先进行眼镜的检测,然后提取红外人脸的特征元向量并进行补偿,最后进行分类识别.实验结果表明,该方法不仅简单、容易实现,而且有效地提高了红外人脸的识别率.     

基于小波变换和回归分析的人脸识别

利用小波变换对训练图像和待识别图像进行小波分解,提取低频分量,通过行扫描转化为列向量,作为特征向量;在此基础上,提出利用多元线性回归分析方法,利用最小二乘法获得训练特征与待识别特征之间的线性模型,经由残差分析确定待识别样本的类别．利用ORL人脸库,与支持向量机(SVM)分类器和K-最近邻分类器(KNN)进行了对比实验,实验结果表明本文算法识别精度跟SVM相当,优于KNN．     

基于小波子带的PCA人脸识别方法研究

随着人机接口和识别技术的不断发展，人脸识别已经成为一门很活跃的研究领域。如今，PCA(主成份分析)已应用在许多人脸库的识别中，并取得了很好的效果。然而，PCA有它的局限性：大的运算量和较低的判别能力。针对这些缺点，文中提出了一种新的算法，将PCA运用在小波子带上，用包含了原始图像的大部分信息的低频子带作PCA。和传统的方法相比较，该方法得到了较好的识别率，同时也降低了运算量。当训练样本很大时，这点就显得尤为重要。     

基于奇异值分解的分类器及在人脸识别中的应用

提出了利用一个人脸样本的奇异值分解构造其所在类别分类器的方法，解决了人脸识别中训练样本少的问题，并给出了利用错归样本更新分类器的方法．实验表明每类仅有一个训练样本就可以得到满意的识别率，并且仅利用一个错归样本更新分类器还可以使识别率进一步提高．     

人脸识别方法综述

追随人脸识别技术发展的历史,从人脸检测、人脸特征提取和人脸识别验证这三个关键步骤,颇为细致地阐述人脸识别已经取得的方法和研究成果;并展望了人脸识别的研究发展趋势,给出了人脸识别中需要解决的关键问题.     

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。     

压缩域上人脸识别的研究

DCT变换被广泛采用在图象和视频压缩标准中(如JPEG,MPEG,H.261/H.263).而对于这些压缩图象的处理,传统的手段是先解压到空间域,再进行处理和识别,因而增加了计算复杂性.针对这个问题,运用压缩域上图像处理技术,提出了人脸特征表达的方法,并构造DCT域上人脸识别系统.在人脸标准库FERET上的测试,提出的算法与经典的特征脸法和PCA LDA法相比较,不仅提高了精度,而且降低了计算复杂性.