拟人机器人人脸识别系统研究

研究了人脸识别系统。基于拟人机器人人脸识别系统的工作流程,对人脸识别系统中人脸检测阶段所采用的Adaboost算法、人脸跟踪阶段采用的Camshift算法,以及人脸识别阶段所使用的PCA算法进行了探讨。采用了这些经典的算法后,该系统具有较高的识别率和系统性能。     

基于CUDA的实时人脸识别系统

通过对人脸识别系统的2个关键部分的优化,实现一种快速高效的人脸识别系统。在面部检测阶段改进图像积分的并行算法;在面部识别阶段尝试算法的并行化,并且把测试阶段的一部分进行了并行化。与传统的CPU识别程序相比,CUDA平台改进程序可在面部检测阶段实现22.42倍的加速比,在面部识别阶段实现1668.56倍的加速比。实验数据表明,本文提出的人脸识别系统具有很高的实时性能。     

人脸识别算法在考勤系统的应用

深度学习与大数据技术的相遇,促使人脸识别技术在精度上已经达到很高水平,然而在实际应用场景中,尤其在复杂背景、移动中以及自然状态下的人脸识别,还没有达到令人满意的效果.针对人脸识别在考勤应用中的问题进行算法设计与改进,提出递归最小窗口算法,对M:N多人脸识别场景下人脸跟踪算法进行优化设计,通过多角度采样提高识别精度和识别鲁棒性,并在人脸考勤系统中进行应用实现与验证,取得多人同步3 s内完成考勤的成绩,在用户体验上获得了较明显的提升.     

基于CNN的监控视频中人脸图像质量评估

在公共安全领域,监控视频中的人脸识别技术是不可或缺的技术,成为研究热点.而监控视频中低质量的人脸图像会大大降低整个人脸识别系统的识别准确率,系统难以更广泛地被投入实际使用.本文提出了一种基于CNN的人脸图像质量评估方法.通过对Alexnet模型进行改进,将网络中的多个卷积层与全连接层连接,从而提取不同尺度的图像特征.通过端到端的训练过程,预测人脸图像质量分数.另外,采用人脸识别算法来标定人脸图像的质量分数,使质量分数能更有效地筛选出适合识别算法的图像.在Color FERET数据集上实验表明,本文方法能够准确地对人脸图像进行质量评估.而在实际采集的监控视频数据集上实验表明,本文方法能筛选出高质量的人脸图像用作后续人脸识别,提高人脸识别准确率.     

人脸检测技术在ATM自动识别功能拓展系统中应用

针对ATM机存在的不安全因素,开发研制了ATM自动识别功能拓展系统。鉴于人脸特征的独一无二性,在现有的ATM机上增加人脸识别作为一种身份验证手段。而人脸检测是人脸识别的首要环节,采用了基于AdaBoost算法,构造了人脸检测系统。实验结果表明,该算法实现人脸检测时间在70ms左右,在环境较好的情况下,可有效检测单个人脸和多个人脸,满足了该系统的要求。     

人脸图像检测与识别方法综述

本文对人脸识别技术中的检测和识别分成两部分进行了讨论。首先，系统的整理分析了人脸检测的各种方法，其次，作为人脸识别技术的第二个环节，对人脸的各种识别方法进行了比较的论述，重点讨论了当前热点的识别算法，最后对人脸识别技术的发展方向进行了展望。     

云计算环境下人脸表情智能识别改进技术研究

随着人脸识别技术的开发,对于如何提高人脸表情智能识别改进技术的研究也越来越多;如何提高人脸识别的准确度和完整度是当前发展的主要需要,而计算机云计算功能在人脸识别中的应用在一定程度上解决了此问题;通过改进细菌觅食算法,再将其应用到主要成分分析算法对图像基本特征进行提取分析;通过以上的算法输入计算机网络云储存当中,实现云计算技术在人脸识别中的应用;文章将通过对于算法部署函数的办法进行图片解析工作,并且利用智能人脸识别软件对图像进行抽丝、分类、匹配等工作进行功能状态进行测试;实验结果表明利用云计算技术通过连接网络云计算系统可以对目前的人脸识别以及分类做到更高的准确性和适应性。     

深度学习与人脸识别算法研究

目前人脸识别技术已经得到了较多的应用,包括在安检工作、金融工作以及交通等领域中,其稳定性强、识别精度高,市场应用前景广阔,能够为用户信息的识别提供更便捷的服务。随着对人脸识别研究的深入,出现了更多的算法,最初大多都是提取浅层特征来进行分析,并采用特征融合的方式识别,在最后的识别过程中主要利用了联合贝叶斯分布等机器学习分类器进行处理。这种方法虽然能够达到一定的识别效果,但是精度不高,容易受到多种外部因素(光照、遮盖等)的影响,降低了识别结果的准确性。本文主要对人脸识别的框架进行了研究与分析,首先设计了人脸识别框架,然后对深度学习人脸识别算法的几个重要组成部分进行了分析与研究,主要包括人脸对齐模块、人脸特征提取、人脸识别验证模块等。     

面向课堂环境的多人脸检测

针对目前课堂环境下的多人脸检测研究不够深入,特别在拍摄角度变化等多个因素影响下人脸识别率较低的问题,提出了真实课堂环境下基于全卷积头部检测器(FCHD)人脸检测的改进算法.首先,针对课堂环境下多人脸数据集的不足构建了两类课堂数据集,通过10人以下、11～20人、21～30人、31～40人以及41人以上不同的数据进行分析;然后,对比评估了传统的人脸检测算法以及基于深度学习的算法;最后,提出基于FCHD算法进行锚点设计的改进,针对课堂多人脸数据集的特点,通过不同锚点的设计以及神经网络的微调提升多人脸检测的准确率.实验结果表明,所提算法对于10人以下的人脸检测平均准确率能达到90％,能够较好地解决多人脸识别领域中存在的人脸偏移、遮挡、角度等问题.     

人脸检测设计与实现

人脸识别技术涉及模式识别、图像处理、视频技术等多个学科领域[1],属一种前沿技术,有着广泛的应用前景。论文主要对人脸识别系统中人脸检测、人脸图像处理等方面详细描述,并重点介绍人脸检测模块内的图像获取、灰度化处理、Haar分类器等过程。     

CAS-PEAL大规模中国人脸图像数据库及其基本评测介绍

人脸图像数据库是人脸识别算法研究、开发、评测的基础,具有重要的意义．介绍了自行创建并已经部分共享的CAS-PEAL大规模中国人脸图像数据库及其基准测试结果．CAS-PEAL人脸图像数据库中包含了1040名中国人共99450幅头肩部图像．所有图像在专门的采集环境中采集,涵盖了姿态、表情、饰物和光照4种主要变化条件,部分人脸图像具有背景、距离和时间跨度的变化．目前该人脸图像数据库的标准训练、测试子库已经公开发布．与其他已经公开发布的人脸图像数据库相比,CAS-PEAL人脸图像数据库在人数、图像变化条件等方面具有综合优势,将对人脸识别算法的研究、评测产生积极的影响．同时,作为以东方人为主的人脸图像数据库,CAS-PEAL人脸图像数据库也使人脸识别算法在不同人种之间的比较成为可能,利于人脸识别算法在国内的实用化．还给出了两种基准人脸识别算法(Eigenface和Correlation)和两个著名商业系统在该人脸图像数据库上的测试结果,定量分析了该人脸图像数据库对于人脸识别算法的难易程度和人脸识别算法的发展现状．     

多技术合力的人脸识别系统设计

人脸识别系统结构复杂,也包含了多种技术.从多个角度阐述了多技术合力的人脸识别系统设计方法,内容涉及人脸图像采集、人脸识别算法、并行处理、综合系统集成4个部分.多技术合力的人脸识别系统设计方法体现了速度与智能化相结合的优势,也体现了系统的完备性和性能的互补性.给出了该方法在人脸识别率和识别速度上达到的性能指标,并给出了所设计的人脸识别系统的部分突出应用.     

WTPCA和三阶近邻的人脸识别算法仿真

目前,存在大量的人脸识别算法和人脸库,如何选择分类算法,如何选择训练集,成为人脸识别的一个关键问题。针对小波变换和主元分析的人脸识别算法,在Matlab6.5平台上,通过大量的仿真实验,根据计算速度和识别率得出,三阶近邻分类优于欧几里德分类,选择ORL人脸库的前8幅图像作为训练集优于其他情况。实验得出了最优情况下的特征脸库,及测试图像用平均脸图像和特征脸图像的线性表示。在人脸识别领域具有很强的应用价值。     

基于深度学习的证件照人脸识别方法

为解决安防业务中对人脸识别技术的迫切需求,进行了基于深度学习的证件照人脸识别方法的研究与实现.对人脸识别各关键技术环节进行了实现并进行了算法对比,同时提出了使用Siamese网络进行特征重映射的方法进一步提升人脸识别精度.实验结果表明,使用证件照构建的人脸库,通过基于深度学习的算法实现了高效精确的人脸识别.     

人脸识别研究的新进展及趋势

简要回顾了人脸识别技术的研究背景及发展历程,总结了近三四年人脸识别方法的研究进展,根据三维人脸重构方法的数据来源不同,将其分为基于静态图像和视频序列的三维重构技术.重点对目前多特征和多模态识别技术进行了分类阐述,分析了一些有代表性的算法并对其识别结果进行了比较.最后,总结了人脸识别技术现存的研究难点,并探讨了其未来的发展方向.     

人脸识别:从二维到三维

人脸识别是生物特征识别技术的一个重要方向。虽然目前大部分研究都还只是针对二维人脸图像,但是3D人脸模型包含更丰富的人脸信息,有助于机器对人脸的识别。从二维到三维,人脸识别研究进入了一个新的阶段。从3D人脸数据的获取方式入手,介绍最近提出的一系列3D人脸识别算法,并进行归类。最后提出"有针对性地获取3D人脸模型数据是进行有效识别的基础"这一结论。     

基于计算机视觉的人脸检测与识别综述

人脸检测与识别是当前图像处理、模式识别和计算机视觉领域内的一个热门研究课题,在回顾人脸检测与识别技术发展历程的基础上,对人脸检测与识别的多种相关技术作了介绍与评论,着重讨论了检测定位方法与识别算法,比较了各种方法的优缺点,最后介绍了此技术的发展趋势。     

基于EmbeddedMATLAB函数模块的图像相似度的实现

人脸识别算法的应用很广,这要求识别人脸的精确度要高,可通过计算待识别的图像与图像库中与之匹配的图像间的相似度来衡量是否准确识别。整个系统包括人脸识别的PCA算法的实现,主要是图像相似度的实现,通过采用Simulink模块库中的用户自定义模块--Embedded MATLAB函数模块来实现相似度算法。     

基于子空间分析的人脸识别算法

本文以人脸识别为目标,重点分析基于子空间分析的人脸特征提取技术.首先介绍人脸识别系统的构成,其次分析人脸识别的关键技术,如人脸检测、特征提取和图像预处理等,重点分析人脸识别的各种算法,根据小波在对图像数据矩阵的处理的高效性,以及LDA训练样本维数少的缺陷,PCA不能利用数据的高阶统计特性,本文将这三种算法进行融合,并用MATLAB进行仿真实验,实验证明该方法的有效性.     

基于TI-SPCA的人脸自动对齐及识别框架

随着人脸识别算法在众多应用领域的迅猛发展,作为人脸检测和人脸识别中间步骤的人脸对齐算法日益受到重视。针对平面内的人脸图像旋转问题,提出一个基于TI-SPCA（Transformation Invariant Symmetrical Principal Components Analysis）的人脸自动对齐方法及其识别框架。不同于传统的人眼对齐方法,TI-SPCA通过最小化重构图像和扭曲图像之间的误差得到一个旋转不变的特征空间,最终实现无人为干涉的全自动对齐。为了将其性能与人眼对齐方法的性能进行比较,并展示其优势,文中分别在ORL数据库和FERET数据库上通过两种不同对齐方法的输出图像从视觉效果上直观地展现。进一步地,为了验证对齐后的图像在识别算法中的有效性,结合三种距离函数和四种局部算子进行了对比实验,实验结果表明了基于TI-SPCA的全自动对齐方法在人脸识别中的有效性。