视频图像中的人脸识别

视频中的人脸检测和身份识别应用领域广泛，文中利用定时器每0．3秒从视频图像序列中读取一幅图像进行人脸识别．首先我们利用了颜色信息来建立肤色模型，结合图像处理的基本知识准确定位人脸和进行人脸图像的预处理．然后对于处理后的人脸图像用K-L变换和神经网络的方法进行身份鉴别。实验证明该方法有很好的识别效果。     

基于BP神经网络人脸识别方法的研究与改进

人脸识别技术是计算机模式识别研究领域的重要课题,有着非常广泛的应用价值。而人脸识别的关键就是人脸的检测与人脸特征的提取。该文利用BP神经网络进行特征的提取和识别,提出了隐层神经元个数的选取原理,讨论了网络初始权值的设置原则等。并对BP算法进行了改进,提高了识别的正确率,减少了训练时间和计算量。     

基于视频的运动人脸检测与跟踪算法研究

提出了一种自适应调整帧间时间差的方法来检测运动目标,并结合采用YCbCr空间及非线性分段色彩变换的肤色检测模型,对视频图像中的运动目标检测候选肤色区域,采用人脸的特征检测方法检测候选人脸区域.最后,根据在前后几帧中采用融合运动目标与肤色模型的人脸检测算法启动跟踪,获得初始运动信息,后继帧中提出一种新的运动区域预测与肤色边缘拟合椭圆匹配的算法,试验表明该算法实时、有效.     

基于Mean-Shift优化的TLD视频长时间跟踪算法

针对TLD(tracking learning detection)算法同时包含了跟踪、检测和学习三个部分,具有较高计算量的缺点,提出了采用Mean-Shift算法替换原TLD跟踪器部分的光流跟踪算法.该优化方法利用具有计算量小的Mean-Shift算法替换计算量较大的光流法进行跟踪,以通过目标模型和候选目标模型之间的巴氏系数与阈值的比较来判定跟踪失败的自检测,并通过计算Mean-Shift跟踪返回的目标框和上一帧TLD返回的目标框之间的相似度来进一步得到跟踪的有效性,在发生跟踪失败时由检测器重新初始化跟踪.实验结果表明,该优化方法在视频长时间跟踪算法中具有较高的鲁棒性和准确性,并且与原TLD算法相比,该优化方法在跟踪速度上得到了提升.     

基于Adaboost与LDP算法的人脸识别研究

针对人脸识别过程中识别时间和成功率等问题,提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法,去除图像中的非人脸部分,减少图像的大小,节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验,实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少,改进后的LDP算法与传统LDP用时相差不大,但是识别成功率有所提高。     

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.     

基于部分遮挡人脸识别算法的研究

研究人脸识别问题。针对当人脸采集的图像出现面部关键区域遮挡时,传统算法往往需要依靠面部主要关键特征进行识别,遮挡人脸的大部分特征消失,造成的误识别、漏识别问题。为解决上述问题,提出了基于遮挡人脸图片的识别方法。方法首先对遮挡人脸图像进行小波变换,然后建立特征粗糙集,根据特征加权融合算法将细节特征向量进行有效联系,进而根据联系性进行识别。实验结果表明,方法的能够对遮挡的人脸图像进行有效的识别,提高了身份识别的安全性和准确度。     

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。     

基于Camshift算法的人脸跟踪识别系统的设计

随着网络技术和视频技术的发展,图像捕捉设备成为计算机的标准外设,人脸跟踪已经不仅局限于人脸识别领域,被广泛应用于视屏会议等各个方面。基于此,笔者首先介绍了人脸跟踪的方法,并着重描述了Camshift算法的原理与优势,然后在VS2017平台上设计开发了一个基于Camshift算法的人脸检测与跟踪系统。实验表明该系统的实时性、鲁棒性良好,对于多姿态人脸、特定目标跟踪等特殊情况都具有良好的检测效果。     

视频人脸识别进展综述

人脸识别是生物特征识别领域的一项关键技术,长期以来得到研究者的广泛关注.视频人脸识别任务特指从一段视频中提取出人脸的关键信息,从而完成身份识别.相较于基于图像的人脸识别任务来说,视频数据中的人脸变化模式更为多样且视频帧之间存在较大差异,如何从冗长而复杂的视频中抽取到人脸的关键特征成为当前的研究重点.以视频人脸识别技术为...     

信息视频图像人脸检测算法研究

本文首先采用运动信息检测算法,根据帧图像中是否包含运动信息判断图像中是否包含人脸区域,决定是否对该帧进行肤色分割,然后依据非线性的YCbCr肤色模型对需要检测的帧进行分割,进一步确定人脸区域的大致位置,并进行了仿真实验,实验结果表明该算法能够对视频图像序列中的人脸进行检测,具有良好的性能和一定的研究参考价值。     

基于视频的夜间车辆检测与跟踪算法研究

针对夜间高速光照条件差、车灯种类多样、环境因素干扰等导致的车辆难以检测的问题,提出了一种基于视频的夜间车辆的检测与跟踪算法。该方法首先将OTSU与一维最大熵阈值分割算法相结合来实现车灯的提取,剔除非车灯光源;然后利用车灯的时空特性完成车灯的匹配,解决了一车多灯和并排同速车辆的问题;最后利用kalman滤波器完成车灯的预测跟踪。在交通弱光流畅交通、正常光流畅交通和正常光拥堵交通3种应用场景下对所提算法进行应用和结果分析,实验结果表明所提方法在保证实时性的同时具有较高的准确率。     

基于拉普拉斯脸和隐马尔可夫的视频人脸识别

提出了一种基于拉普拉斯脸和隐马尔可夫模型的视频人脸识别方法。在训练过程中，采用拉普拉斯脸方法将每一视频序列中的人脸图像映射到拉普拉斯空间，将降维后的特征作为观测值，通过隐马尔可夫模型得到每一训练视频的统计特性和时间动态特性。在识别过程中，用每一个训练视频的隐马尔可夫模型来分析测试视频的时间动态特性，计算出每一训练模型产生该序列的概率，概率最大值所对应的模型就是待识别序列所属的类别。实验结果表明，该方法能够很好地进行视频人脸识别。     

改进的PCA-LDA人脸识别算法的研究

主成分分析算法(PCA)和线性鉴别分析算法(LDA)被广泛用于人脸识别技术中,但是PCA由于其计算复杂度高,致使人脸识别的实时性达不到要求.线性鉴别分析算法存在"小样本"和"边缘类"问题,降低了人脸识别的准确性.针对上述问题,提出使用二维主成分分析法(2DPCA)与改进的线性鉴别分析法相融合的方法.二维主成分分析法提取...     

人脸识别中面部图像处理算法研究

在人脸图像定位的前提上,利用灰度信息实现了人脸面部主要器官如眼睛、鼻子和嘴巴的定位。采用双三次插值法对图像进行旋转和缩放。另外,采用直方图增强的方法对图像灰度值进行归一化处理。     

人脸识别中遮挡区域恢复算法研究

在分析脸部遮挡处理各算法的基础上,提出了自动多值掩模PCA人脸重建模型(MMPCA模型)。该模型首先进行特征提取,计算待测人脸和标准样本的特征脸差,判断遮挡部位,即遮挡类型;接着使用M估计器对遮挡掩模进行估计,为不同像素点估计符合自身特性的幅度参数,生成多值遮挡掩模;再通过3个半二次型函数迭代保证最优合成系数唯一与收敛,获得最优合成系数,重建人脸。实验结果表明,该算法能恢复遮挡部位,减弱遮挡对识别准确率的影响。     

基于Log-Gabor和AdaBoost的人脸识别算法研究

随着模式识别和计算机图形处理技术的发展,人脸识别技术在公共安全、居所门禁、信息安全领域广泛应用,如何提高人脸识别算法的效率与准确度是首要问题。在运用基于Log-Gabor小波的滤波器实现提取人脸特征的基础上,采用AdaBoost迭代算法训练强分类器,以降低特征向量数,从而达到提高识别效率的目的。与通常的算法比较,在不损失准确度的基础上,可显著节约匹配时间。