基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。     

人脸表情识别研究进展

随着计算机视觉的发展和人工智能产业的兴起,人脸表情识别技术在人工智能产业有着广泛的应用需求.人脸表情识别在传统机器学习算法下对环境及姿态的改变不具备良好的鲁棒性,而且识别精度也达不到实际应用的要求.计算机和图像处理器等硬件性能的提升,以大数据为核心的深度学习算法得到快速发展,人脸表情识别技术开始趋于在深度学习算法上研究.本文分别对人脸表情图像预处理、特征提取、特征分类3个关键技术进行介绍,具体叙述了从传统的机器学习到基于深度学习的人脸表情识别技术的研究进展,分析了人脸表情识别技术目前面临的挑战和发展趋势.     

人脸图像检测及分类系统的研究

本文提出了一个人脸图像检测及分类系统的快速算法.任意输入图像,系统首先通过查询颜色表的方法快速提取出人脸区域.在姿势分类时,本文使用了分类压缩人脸本征空间的方法,降低了对人脸图像训练和分类的计算量.实验结果证明,本算法具有很好的检测和分类性能.     

基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

基于RBF网络和贝叶斯分类器融合的人脸识别方法

提出一种基于径向基函数(RBF)网络和贝叶斯分类器的人脸特征分类与识别算法,以提高小样本人脸识别精度.通过基于聚类方法的RBF神经网络和贝叶斯分类器融合设计实现人脸图像的分类识别.实验数据分析表明,该方法在人脸骨骼特征突出情况下具有较高的识别率.文中提出的分类器融合的识别方法具有良好的学习效率和识别精度品质指标.     

基于MobileNetV3与注意力机制的脸型分类研究

人脸形状是人脸识别、个性化推荐等应用中的重要信息.例如,在人脸识别前进行粗糙的人脸形状过滤,可以有效提高识别准确率和速度.同时,可以使用有效的脸型分类来构建发型和眼镜的推荐系统.基于此,文章提出了一种新的人脸形状分类算法.首先使用MTCNN网络进行人脸图像的裁剪与对齐.其次,将注意力机制与MobileNetV3网络相结...     

基于小生境遗传优化的正交小波变换盲均衡算法

针对现有盲均衡技术收敛速度慢、稳态误差大、容易收敛到局部极小值的缺点,文中提出了基于小生境遗传优化的正交小波变换盲均衡算法.该算法利用小生境遗传算法搜寻全局,并利用正交小波盲均衡提高收敛速度.计算机仿真结果验证了算法的有效性.     

结合Gabor特征和深度信念网络的人脸姿态分类

针对多姿态人脸图像分类存在的困难,提出了一种基于Gabor特征和深度信念网络(DBN)的近邻元分析(NCA)方法,通过提取Gabor多姿态人脸图像的尺度图并将其进行融合,从而对多姿态人脸图像具有较好的区分度,利用融合后的特征图来训练样本并作为深度信念网络的输入图像,结合NCA分析对训练样本进行线性变化以寻找到一个更有利于类别分类的线性子空间,提供足够大的数据集来估算模型参数进而对多姿态人脸图像进行分类.对ORL人脸数据集测试结果表明,多姿态人脸分类数据量为1616和2432之间时的平均分类正确率分别为86.67％、84.00％、90.67％和86.67％,与PCA、LDA和RCA三种算法相比,其分类准确率都得到了提高,实验结果验证了这种针对多姿态人脸图像的分类算法的有效性.     

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

带约束小生境二进制粒子群优化的生物组学数据集成特征选择

针对生物组学数据高维小样本的特点而引起的分类误差较大的问题,提出了一种带约束小生境二进制粒子群优化的集成特征选择方法。该方法利用二进制粒子群优化算法搜索分类准确率最高的特征子集,通过约束粒子编码的置位个数以限制选择特征个数,并加入多模优化中的小生境技术使算法能够一次获得多个差异度较大的特征子集,最后采用集成学习技术将基于多特征子集建立的基分类器集成为强分类器并对数据进行分类学习。实验结果表明,该特征选择方法在生物组学数据上能够稳定选择较少特征并获得较好分类性能。