基于人脸识别的无钥保险柜系统研究

针对钥匙是保险柜最不保险的根源，提出通过识别主人实时面部图像的方法来开启保险柜的新思想。针对无钥保险柜系统高可靠性和实时性的特点，提出并实现了一种人脸识别方法，该方法将人脸的主分量特征与人脸的几何特征融合在一起，共同构成人脸的识别特征。鉴于人脸识别问题的特殊性，将传统分类方法与人工神经网络方法结合起来，构造了一个混合分类器，从而极大地提高了识别率。最后实现了一个无钥保险柜仿真实验系统。该系统运行良好，效果令人满意。     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

二维主分量分类器

在主分量分类器（PCC）的基础上提出了二维主分量分类器方法,具有速度快、算法简便的特点.人脸性别分类结果表明,所提出的方法在识别性能上优于主分量分类器;另外,算法执行时间具有很大的改进.     

基于监督式ICA的人脸识别

特征提取技术是人脸识别的关键技术,很大程度上决定着识别结果的好坏.而传统的基于独立分量分析的特征提取方法不仅速度慢且未完全利用特征信息,故提出一种监督式特征提取方法.将类信息引入到独立分量的求取过程中,从而得到更有利于分类的独立分量.这里,主要考虑类内散布度对分类的影响,并推导出新的独立分量迭代公式,将其应用到人脸识别问题中.通过在3个标准的人脸数据库上的实验表明,监督式ICA方法在识别率和识别时间上都优于传统的ICA方法.     

基于小波变换和主分量分析的人脸识别

提出了基于小波变换和主分量分析的人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为KNN分类器的输入,由KNN分类器对提取的特征进行识别.在ORL人脸数据库上的实验结果表明该方法具有良好的性能.     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题．文中提出了一种主元分析和神经网络相结合的方法进行人脸识别．我们先对图像进行归一化处理，采用主元分析法对图像的主特征分量进行提取，然后以一个径向基函数神经网络作为分类器，进行人脸识别．实验结果表明，这种方法在采用多样本训练后，具有较高的识别率。     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.     

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在ORL标准人脸库上的试验结果表明，提出的方法不仅识别性能优于传统的主分量分析和Fishr线性鉴别分析，而且特征抽取的速度得到了很大的提高。     

基于深度神经网络的实时人脸识别

作为典型的模式识别任务,人脸识别有着巨大的实际应用价值与市场前景。理想环境下的人脸识别已经取得不俗成绩,然而,当所处环境变化（如姿态变换、夸张表情、阴阳脸、分辨率较低）时,识别难度增加,效果也急剧变差。与此同时,现有大多数方法无法实时（在线）完成人脸识别任务,这也限制了人脸识别技术的应用。为此,该文以深度神经网络为框架,使用大规模人脸库构造了一种新型实用的多层网络应用于大规模的人脸识别任务中并提出了一种新的搜索策略。实验结果表明,该套方法实时性好,识别率较高,是人脸识别较为理想的方案。     

一种矢量倍增算法的神经网络人脸识别方法

针对神经网络人脸识别中训练速度慢的问题,深入研究输入矢量长度的变化对神经网络收敛速度的影响,提出了一种矢量倍增算法对神经网络进行优化.这种方法是对网络输入矢量的长度倍增,从而提高神经网络收敛速度.通过人脸识别实验系统验证了矢量倍增算法的实用性.     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于BP神经网络分类器的多目标识别方法研究

文章对多目标进行特征提取,数据作为神经网络分类器的输入,采用不同的算法对多输出型BP神经网络分类器和单输出型BP神经网络联合分类器进行训练,实现多目标的识别。仿真试验结果表明,基于BP神经网络分类器的识别方法具有较高的识别率。     

基于神经网络方法的手写体数字识别

利用神经网络技术对无限制手写体数字进行识别。在选取合适的特征基础上，对图像进行分域处理，每一小域对应输入层的一个神经元。测试结果表明，该识别方案具有很强的抗畸变、抗旋转能力。     

基于二维Gabor小波和支持向量机的人脸识别

针对人脸识别中的高维、小样本问题,提出了一种基于二维Gabor小波和支持向量机的人脸识别方法。首先对人脸图像进行多分辨率的Gabor滤波,对得到的人脸Gabor特征向量空间进行均匀下采样来降低特征空间维数,然后用主成分分析方法来进一步降低人脸Gabor特征向量空间的维数。接着把得到的人脸Gabor特征向量作为支持向量机的输入进行训练获得人脸分类器。通过对ORL和Yale两个人脸库的试验,表明该方法具有识别率高和鲁棒性强的特点。     

人脸识别的智能门禁控制系统

为了快速有效地验证身份,控制大门的开关,以人脸作为判决因子,判断来访者的合法性,以此来控制门的开关．当红外传感器探测到有人来访时,触发系统抓拍来者的人脸图像,利用OpenCV的人脸检测分类器,快速地进行人脸定位,采用改进的主成分分析算法,实现人脸的识别,与库中存放的合法进入者人脸进行比对;对于允许进入的来访者,控制打开大门,对于不能进入的来访者,系统发出语音提示．经过实验,验证了系统方案的可行性,实现了以人脸为身份识别的智能门控．系统工作稳定,在3s之内完成工作,识别率达85%．     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

基于Gabor滤波和神经网络的人脸检测方法研究

文章针对复杂背景下彩色图像中人脸检测算法复杂度大、计算时间长的问题,提出了一种改进方法。对输入图像进行自适应光照补偿,按色彩变化建立YCbCr肤色模型,筛选潜在人脸区域;对该区域进行Gabor滤波获得图像特征向量,用主成分析法对其降维;利用经训练的神经网络对候选区域进行判别。仿真实验表明该方法检测算法复杂度明显降低,精度可以达到95%以上。