共查询到20条相似文献,搜索用时 186 毫秒
1.
基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法 总被引:1,自引:0,他引:1
提出了一种基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法.该方法首先对人脸图像进行分块小波变换,并根据图像块的位置分布选取不同的频率分量,然后对该分量进行奇异值阈值压缩与特征融合,最后在ORL人脸库上利用最近邻分类器对该特征进行分类识别,验证了算法的有效性. 相似文献
2.
3.
针对非特定人人脸表情平均识别率普遍不高(约65%)的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛(包括眉毛)和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。 相似文献
4.
文中提出了一种基于奇异值压缩降秩与核判别分析(KDA)变换方法的人脸特征提取新方法,同时结合对偶传播人工神经网络(CPN)对不同的人脸图像进行识别分类。该方法首先采用奇异值分解压缩降秩准则对人脸图像进行择优奇异值的选取,然后对提取后的择优特征值进行核判别分析(KDA)变换,进一步提取人脸图像最优特征值,最后将得到的人脸图像最优特征值作为网络的输入值,利用对偶传播人工神经网络(CPN)对人脸图像进行识别分类。实验结果表明该方法具有较高的识别率和较快的识别速度。 相似文献
5.
6.
文中提出了一种基于奇异值压缩降秩与核判别分析(KDA)变换方法的人脸特征提取新方法,同时结合对偶传播人工神经网络(CPN)对不同的人脸图像进行识别分类.该方法首先采用奇异值分解压缩降秩准则对人脸图像进行择优奇异值的选取,然后对提取后的择优特征值进行核判别分析(KDA)变换,进一步提取人脸图像最优特征值,最后将得到的人脸图像最优特征值作为网络的输入值,利用对偶传播人工神经网络(CPN)对人脸图像进行识别分类.实验结果表明该方法具有较高的识别率和较快的识别速度 相似文献
7.
机器人系统中人脸特征提取技术的研究与实现 总被引:1,自引:0,他引:1
该文描述了在智能机器人系统中人脸特征提取技术的研究与实现,提出了一种新的并且在机器人系统中实现的人脸特征提取方法,该方法首先利用基于Adaboost的人脸检测算法对采集到的原始图像进行人脸检测,从而得到人脸图像;然后让人脸图像通过一个空间掩模滤波器,去除图像中明显非人脸特征的区域,再经过二值化后得到二值化图像;将二值化图像与一个矩形模板相卷积,得到卷积值与模板索引数的二维曲线图,在二维曲线图中,最高的两个峰就分别对应了眼睛和眉毛,再根据人脸特征几何分布关系判断出眼睛,眉毛和嘴,从而得到最终的人脸特征.该方法检测率高,计算量小,实时性很强,满足了机器人系统中资源有限的约束条件. 相似文献
8.
9.
10.
11.
人脸的特征提取是人脸识别的关键技术,采用主元分析法进行特征提取是经典的方法之一,利用M at-lab进行人脸的特征提取能显著地提高计算效率。论述了利用主元分析和奇异值分解进行人脸特征提取的方法,并详细阐述其在M atlab中的实现过程,包括读取图像文件、计算均值脸、求特征值和特征向量,计算人脸特征参数。实现过程均给出了M atlab代码。实践证明利用M atlab进行主元分析提取特征是一种有效的方法。 相似文献
12.
Face recognition/detection by probabilistic decision-based neuralnetwork 总被引:20,自引:0,他引:20
This paper proposes a face recognition system, based on probabilistic decision-based neural networks (PDBNN). With technological advance on microelectronic and vision system, high performance automatic techniques on biometric recognition are now becoming economically feasible. Among all the biometric identification methods, face recognition has attracted much attention in recent years because it has potential to be most nonintrusive and user-friendly. The PDBNN face recognition system consists of three modules: First, a face detector finds the location of a human face in an image. Then an eye localizer determines the positions of both eyes in order to generate meaningful feature vectors. The facial region proposed contains eyebrows, eyes, and nose, but excluding mouth (eye-glasses will be allowed). Lastly, the third module is a face recognizer. The PDBNN can be effectively applied to all the three modules. It adopts a hierarchical network structures with nonlinear basis functions and a competitive credit-assignment scheme. The paper demonstrates a successful application of PDBNN to face recognition applications on two public (FERET and ORL) and one in-house (SCR) databases. Regarding the performance, experimental results on three different databases such as recognition accuracies as well as false rejection and false acceptance rates are elaborated. As to the processing speed, the whole recognition process (including PDBNN processing for eye localization, feature extraction, and classification) consumes approximately one second on Sparc10, without using hardware accelerator or co-processor. 相似文献
13.
在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论:因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。 相似文献
14.
15.
Huiyu Zhou Author Vitae Yuan Yuan Author Vitae Author Vitae 《Pattern recognition》2008,41(10):3251-3256
We propose a new face recognition strategy, which integrates the extraction of semantic features from faces with tensor subspace analysis. The semantic features consist of the eyes and mouth, plus the region outlined by the centers of the three components. A new objective function is generated to fuse the semantic and tensor models for finding similarity between a face and its counterpart in the database. Furthermore, singular value decomposition is used to solve the eigenvector problem in the tensor subspace analysis and to project the geometrical properties to the face manifold. Experimental results demonstrate that the proposed semantic feature-based face recognition algorithm has favorable performance with more accurate convergence and less computational efforts. 相似文献
16.
提出一种基于奇异值分解和径向基函数神经网络的人脸特征提取与识别方法,来解决人脸识别中的高维、小样本问题。该方法采用奇异值分解、奇异值降维压缩、奇异值矢量标准化和奇异值矢量排序,最后得到用于识别的奇异值特征矢量。运用基于径向基函数神经网络分类器进行人脸分类识别。在ORL数据库上进行实验和数据分析表明,该方法无论是在分类的错误率上还是在学习的效率上都能表现出极好的性能。 相似文献
17.
主成分分析与线性判别分析是人脸识别的重要识别方法,它们都通过求解特征值问题实现特征提取,但由于维数灾难会导致小样本和奇异性问题。提出了一种简单的人脸识别方法,无需进行奇异值分解,能有效地降低计算代价。首先将图像划分成块,然后计算多项式系数,得到友阵用于特征提取。基于两张不同图像的多项式系数友阵来计算对称阵。最后通过计算对称阵的零空间的零化度识别相似的人脸图像。为验证提出方法的有效性,在ORL、Yale和FERET人脸数据库上进行了实验。结果表明,该方法对于有较大姿态与光照变化的人脸识别具有较高的识别性能。 相似文献
18.
19.
主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。 相似文献
20.
针对三维人脸识别算法中的高精度分类器设计问题,采用人脸全局特征和局部特征共四个相互独立的多特征信息分类后进行D-S数据融合技术来实现。通过SVM分类器对三维人脸图像中相互独立的全局特征(面廓)和局部特征(眼睛、鼻子和嘴)共四个特征进行一对一的单特征识别,并将其结果进行数据归一化处理后,作为D-S证据理论的BPA,按照D-S理论融合全局特征和局部特征数据,计算出更加准确的识别结果。经过融合数据结果分析,发现该算法可靠有效,大大提高了三维人脸的识别效率。 相似文献