Volterra核优化的SRC人脸识别算法

为了提高稀疏表示分类算法对属于同一方向不同类别样本的分类准确率,提出了一种基于Volterra核优化的稀疏表示分类算法.该算法首先将原始的人脸图像分成不重叠的小块,并利用Volterra核映射到高维空间.在训练阶段遵循费舍尔标准,根据最大化类间距离和最小化类内距离来定义目标函数,从而获得优化Volterra核.与其他方...     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于图像识别的实验室利用率管理系统

实验室利用率是衡量实验室管理的一项重要指标,但目前高校实验室及设备使用情况的统计仍以人工记录为主.通过将人脸识别技术、二维码识别技术以及物联网技术结合,在实现对实验室人员及设备管理的同时可以实时获取实验室利用率.同时针对实验室光照不均匀问题,通过基于改进二维伽马函数的光照自适应调整算法对图像光线进行矫正,大幅度提高不均...     

结合MMC与BPSO优化的人脸特征提取

为了提高最大间距准则法表征人脸特征空间的能力,提出了一种融合最大间距准则和二进制粒子群优化算法的人脸识别方法。利用离散二进制粒子群算法对最大间距准则变换后的特征向量进行选择优化,获得有利于分类的最优特征子空间。在ORL和Yale标准人脸库上的实验结果表明,该方法不但降低了特征空间的维数,而且更好的发挥了最大间距准则算法的优点,提高了人脸识别的速度和精度。     

人脸识别中一种新的Gabor特征提取方法

为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征提取方法．首先利用类别可分离性判据评价Gabor展开系数的分类能力,选择最有利于识别的Gabor展开系数构造新的Gabor特征、然后对人脸不同局部位置处采样点的分类能力进行评价,选择分类能力最强的位置提取特征点、最后就新的Gabor特征对光照和表情变化的适应性进行测试．实验结果表明,新的特征提取方法能够在小样本条件下有效提高识别率,减少特征数量,并对环境变化具有一定的适应能力．     

基于人脸识别和姿态估计的智能监考模型设计与应用

针对传统监考存在人工成本高、主观性强等问题,构建基于人脸识别、头部姿态估计和目标检测的智能监考模型。模型通过人脸识别算法进行考生身份验证,设计结合注意力机制的头部姿态估计(channel and spatial-aware wide head pose estimation network, CS-WHENet)方法对考生偷看的异常行为进行检测,并使用深度学习方法及传统方法对考生传递纸条的异常行为进行联合判定。实验结果表明,智能监考模型在模拟真实考场的环境中,对考生身份验证与异常行为检测均有较高的准确率,并能在GPU支持下实现实时检测。通过验证表明,该模型能有效降低监考人员工作成本,实现考场监考公平性。     

LLE与ISOMAP降维的对比研究

局部线性嵌套和等距流形映射是两个基本的非线性降维方式,各自的优点和不足在人脸识别上值得做出深入的对比研究。因此对比测试这两种降维方式在不同参数下的执行效率,分析和总结这两种降维方式的适用特点和范围,选择局部线性嵌套和主成分分析,通过应用于人脸识别中,并总结人脸识别的识别率。     

对称DLDA及其在人脸识别中的应用

针对直接线性鉴别分析(DLDA)没有有效利用人脸对称性特征,及其在人脸识别中训练样本不足的问题,依据人脸较为明显的镜像对称性,结合该特性在直接线性鉴别分析的基础上提出对称直接线性鉴别分析方法。采用镜像变换得到奇对称样本和偶对称样本,再分别提取各奇偶对称样本特征分量,最后采用最小欧氏距离进行分类。通过在ORL和YALE人脸数据库上的实验证明,该算法不仅有效利用了镜像样本,扩大了训练样本容量;而且取得了比直接线性鉴别分析更好的识别性能。     

基于超分辨重建和公共特征子空间的低分辨率人脸识别

针对传统低分辨率人脸识别准确率较低的问题，提出了一种基于超分辨重建和公共特征子空间的低分辨率人脸识别网络InGLRNet(inception GAN low resolution Net)。InGLRNet网络采用生成对抗网络结构，首先，由超分辨InSRNet网络和特征提取网络构成生成网络，InSRNet网络将Inception结构中3×3卷积核分解为1×3、3×1和1×1的卷积核，同时，增加残差网络的旁路直连方式，减轻梯度消失问题。其次，利用公共特征子空间法，将变换后的低分辨率样本图像和高分辨率基准图像在公共空间中的距离作为训练深度卷积神经网络的目标函数，通过损失函数匹配高、低分辨率图像的特征，实现人脸的精准特征识别。最后，将InGLRNet与CLPMs、MDS、Deep-Face和Face-Net经典的4种低分辨人脸识别方法进行对比，实验结果表明，构建的网络在人脸识别性能上有显著提升，在不同低分辨率下都优于其他4种方法。     

DTFBNet:一种面向智能终端的轻量级人脸识别新方法

对于智能终端资源不足的问题,目前有许多解决方法,但普遍存在依赖样本数据和参数量的问题.为此,该文先构造了一个深度卷积和传统卷积融合的模块DTFBlock(depthwise convolution and traditional convolution fusion Block); 然后在该基础上提出了一种基于MobileFaceNet的改进方法DTFBNet,DTFBNet参数量较小,在网络的识别效果较好; 最后,在面部识别数据集CASIA-Webface和LFW上进行实验,结果表明:该算法的最高准确率达到了99.40%,达到在同等参数量上具有竞争力的分类准确率.