基于Gabor小波和支持向量机的人脸识别

提出一种将Gabor小波和支持向量机相结合的人脸识别算法。运用AdaBoost算法在复杂背景图像中快速准确地检测出人脸部分,进而用Gabor小波提取归一化人脸图像的特征。最后采用支持向量机进行人脸的分类识别。在ORL人脸库和CAS-PEAL-R1人脸库中对算法进行了测试,结果表明该算法识别率较高。     

基于3D-2D映射的大姿态人脸识别

为了解决真实场景下大姿态人脸识别准确率低的问题，本文从数据增广的角度，围绕三维人脸信息数据进行大姿态人脸识别关键技术的研究与探索，提出了一个基于3D-2D映射的大姿态人脸识别算法框架.区别于当前基于3D点云数据的人脸识别算法，本文提出的方法主要利用3D人脸丰富姿态信息，通过3D-2D映射的姿态数据扩充方法，进而训练特定姿态人脸特征提取模型，然后集成到统一大姿态人脸识别框架中.本文提出方法的关键是利用注册3D人脸图像信息来辅助2D人脸多姿态识别，很容易集成现有的2D人脸识别方法到提出的框架中.实验表明，本文提出的方法在无约束真实场景下能够有效提升大姿态人脸识别准确率，同时不显著增加计算负担，为当前基于3D信息解决2D人脸识别问题提供了新思路.     

基于双核的协同嵌入式人脸识别系统研究

文章提出了一种基于TI系列DM6446的快速人脸识别系统设计方案,采用AdaBoost人脸检测方法以及改进的线性辨别分析(LDA)特征空间的人脸识别算法,实现实时的人脸检测与识别,考虑到DM6446双核处理器的特点,给出了ARM端和DSP端双核的协同工作方法,以提高算法效率;分析测试结果表明,系统运行可靠,能够实现实时、准确的人脸识别。     

基于Log-Gabor和AdaBoost的人脸识别模块设计

采用Log-Gabor变换和AdaBoost分类器算法,开发设计具有人脸识别的功能模块.以ORL、YALE和FERET人脸数据库数据以及实地采集图像为实验样本,通过大量直接训练实验和5子集交叉校验,验证了将人脸识别应用于真实环境的可行性和有效性.     

基于面部特征的嵌入式安全认证终端

针对PC 平台体积大、功耗多、成本高和便携性差的问题, 设计了基于面部特征的嵌入式安全认证终端。选用ARM11 开发板作为硬件平台, Linux 操作系统作为软件平台, 并在平台上移植了Qt 图像化界面库和Opencv 计算机视觉库。人脸检测由AdaBoost 算法实现, 人脸识别由PCA(Principal Component Analysis)算法实现。测试结果表明, 该终端能实现人脸识别的功能, 并且识别精度较高, 时间较短, 达到预期目标。     

Adaboost算法在人脸识别系统中的应用

针对人脸识别系统中采用的AdaBoost算法存在特征冗余的缺点,采用进化算法对其优化,消除冗余.首先采用AdaBoost算法提取类Harr小波特征,然后采用进化算法在低维的AdaHarr特征空间中寻找全局最优解,得到相应的弱分类器及其权重与阈值,将其加权求和得到最优的强分类器,以此建立最优人脸识别系统.对提出的算法进行测试,结果表明,在人脸识别系统中,基于进化算法的AdaBoost算法比优化前算法的弱分类器数量与正确率均得到提升,可见该算法能改善人脸识别系统的性能.     

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.     

基于视频的人脸识别技术在ATM中的应用

ATM机视频的人脸识别受光照、姿态变化、摄像头低分辨率的影响,造成很大的计算负担和系统损耗。针对ATM机视频中待识别者姿态变化比较大的现象,在运用人脸Haar-like特征并基于AdaBoost训练的级联人脸检测方法完成人脸检测的基础上,采用快速稀疏描述方法处理从视频中隔帧提取图像,最后利用融合算法将同一用户的多张图像处理结果融合的方法,实现基于视频的人脸识别。实验结果表明该方法减少了系统的计算量和损耗,提高了识别率。     

基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.     

基于分块加权LBP技术的人脸识别算法

人脸识别属于生理特征识别,是基于人的脸部特征信息进行身份识别的生物识别技术,是我国人工智能技术领域的首个成熟技术。LBP(Local Binary Patterns)算法,又称局部二值模式算法,是一种灰度范围内的纹理描述方式。传统LBP算子提取的特征信息只能体现局部的人脸信息,不能完整表达全部人脸信息。在基本LBP算法的基础上提出基于分块加权LBP技术的人脸识别算法,将人脸分为5×3子分块,根据人脸五官在人脸识别中的不同贡献度赋予不同的权重提取人脸信息特征。通过在ORL和YALE两种人脸数据库中训练不同样本数,比较传统LBP方法、5×3分块LBP方法和5×3分块加权LBP方法的人脸识别准确率,实验证明分块加权LBP技术在人脸识别中可以有效提高识别准确率。     

Curvelet变换在人脸识别中的应用研究

针对小波只能反映信号的点奇异性,无法实现人脸图像面部轮廓和五官曲线信息的最优稀疏表示,提出了一种基于第2代Curvelet的人脸识别算法.通过对人脸图像进行第2代Curvelet变换,分解得到表征人脸基本信息的低频系数,再利用双向2维主成分分析((2D)2PCA)进行降维,并结合最近邻算法进行人脸识别.以ORL人脸数据库进行试验,结果表明:与基于小波变换的算法相比,该算法具有更高识别率和更短的识别时间.     

PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用

在人脸识别中,基于PCA和粗糙集的联合自寻优特征选择算法首先利用PCA对人脸图像进行人脸特征的提取和约简,在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合。实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量,还有效的提高了人脸识别的正确率和减少了识别时间,并且对于一定范围内的不同取样的训练具有一定的稳定性。     

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.     

基于改进的LLE和FSVM方法在人脸识别中的应用

针对人脸识别问题,提出了一种新的算法。该算法首先用gabor小波对人脸图像进行特征提取。然后采用LLE算法进行降维。最后用FSVM和三叉决策树相结合设计识别分类器进行人脸识别。在降维的过程中,针对高维空间相似性度量函数和自适应参数选取方法上,对LLE算法进行了改进。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

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.     

采用Gabor变换和双方向LDA进行人脸识别

将Gabor变换和双方向LDA(BDLDA)算法相结合,提出了一种可以解决小样本问题的人脸识别新算法.该算法把人脸图像经过 Gabor 小波变换后得到的每个输出图像都看成是独立的样本,使得每类人脸样本的样本数成倍增加.然后采用BDLDA算法来提取人脸特征,并专门设计了针对人脸特征矩阵的最近邻分类器和最小距离分类器来进行分类判决.在 ORL 人脸库和 FERET人脸库中的实验结果表明,当每类的训练样本数较少时,该算法能大幅度提高人脸识别率,甚至当每类训练样本数仅为1时,也能得到较高的性能.     

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。     

基于AdaBoost算法的快速人脸检测研究

研究了AdaBoost算法的原理和训练过程,分析了导致算法准确性下降的原因.使用高斯混合模型对人脸肤色建模,将可能存在人脸的区域从彩色图像中分离出来,再使用AdaBoost算法对该区域进行检测能够提高检测速度和准确率.实验结果验证了算法的准确性.     

基于WT-W2D2DPCA的人脸识别算法研究

人脸识别过程中,针对二维主成分分析(2DPCA)算法在特征提取和数据降维上存在的问题,本文首先引入双向二维主成分分析(2D2DPCA)算法,该算法同时考虑图像行与列方向上的信息.考虑到人脸图像存在信息冗余而影响识别率的问题,于是本文提出一种基于小波加权双向二维主成分分析(WT-W2D2DPCA)的人脸识别算法.该算法首先采用二级小波分解对人脸图像进行预处理,提取其低频部分;然后根据人脸图像的特性,将低频部分进行奇偶分解,并引入加权思想,重组低频人脸图像,最后在ORL人脸数据库上进行双向二维主成分分析.实验结果表明,该方法不仅克服了传统2DPCA系数矩阵大的问题,而且得到了比传统的2DPCA、2D2DPCA算法更好的识别效果.     

人脸识别技术的几个主要研究方向

人脸自动识别技术是模式识别、图像处理等学科的最热门研究问题之一。本文将围绕人脸识别算法,人脸识别算法综合性能评测及人脸图像数据库的建立几方面探讨人脸识别技术的主要研究方向。