二维非负稀疏偏最小二乘在人脸识别中的应用

近几年偏最小二乘算法在人脸识别中得到了广泛的应用,但是其各种改进算法都没有同时利用非负性算法和稀疏性来提高识别率和鲁棒性。为了解决这些问题,结合二维偏最小二乘与非负性思想和稀疏性约束提出二维非负稀疏偏最小二乘(Two-dimensional nonnegative sparse partial least squares,2DNSPLS) 算法。其核心思想是在提取人脸特征时加入了非负性约束和稀疏性约束,使得2DNSPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性并且具有一定的稀疏性。在Yale和PIE人脸库中的实验表明,该算法从时间上和识别率上均优于人脸识别的主流算法,并且对于遮挡有较好的鲁棒性。     

深度学习模型与成对分类相结合的人脸识别新算法

针对深度学习人脸识别系统样本数据中存在干扰时会腐化分类边界,导致识别率下降,提出了一种改进的深度学习模型,将成对分类概念引入到深度学习中,提升人脸识别系统对于噪声、腐化、变化的鲁棒性。采用深度信念网络模型,将人脸图像送入深度学习模型中逐层训练网络,在参数微调阶段采用改进的成对BP神经网络进行参数优化,在输出层与前一隐含层之间采用成对连接。在ORL、Extended Yale-B的实验结果表明,所提算法与传统的深度学习算法相比,构造的系统更稳定,算法识别率更高,系统在存在干扰的人脸图像中鲁棒性更强。     

基于非线性特征和线性映射的多视角低分辨人脸识别算法

针对分辨率变化、视角变化和认证集单样本等实际条件下的人脸识别问题,提出了一种基于回归的人脸识别算法。该算法采用核主成分分析法(kernel principal component analysis)分别提取侧面低分辨率和正面高分辨率人脸特征,利用Procrustes分析建立每一种侧面视角低分辨率KPCA特征和正面高分辨率KPCA特征间的映射关系,从而获得对应的回归模型。根据这些回归模型,即可得到测试侧面低分辨率人脸对应的正面高分辨率KPCA特征,并通过最近邻分类器进行识别。在标准图库上的实验表明,与基于线性模型的人脸识别对比算法相比,本文所提算法识别率提高了4%至36%,而在线测试时间仅比最快的对比算法多1.087ms。     

人脸识别中的损失函数

人脸识别已经成为计算机视觉领域最热门的应用之一,在我们身边,到处都有人脸识别的技术。人脸识别算法主要包含人脸检测(Face Detection)、人脸对齐(Face Alignment)、人脸特征表征(Feature Representation)。这篇文章将详细介绍在人脸识别中用到的各种损失函数以及在主要人脸数据集上的测试结果。     

基于Retinex理论人脸识别光照预处理方法的对比分析

光照问题是人脸识别面临的一项巨大的挑战,它在很大程度上影响了人脸识别系统的性能。而为了解决它,人们提出了很多的解决方法。其中基于Retinex理论的图像预处理方法由于其简单高效性而备受关注。本文对比分析了几种经典的基于Retinex理论的光照预处理方法,并在"Yale B+Extended Yale B"人脸库上进行了验证试验。     

嵌入式实时人脸识别系统设计

为实现视频监控系统的网络化和智能化,以ARM为硬件平台结合机器视觉库OpenCV设计一种嵌入式实时人脸检测系统。该系统由嵌入式平台采集USB摄像头数据,通过网络将图像传输至PC主机,从而实现实时监控;系统以QT构建交互界面,采用OpenCV人脸Haar特征进行人脸区域检测,Eigenfaces算法进行人脸识别。结果显示:该系统运行稳,成本低,可以实现网络实时人脸检测与识别,识别率高。     

一种改进的核二维主成分分析人脸识别算法

结合二维主成分分析(two-dimensional principal component analysis,2DPCA)、核二维主成分分析(kernel two-dimensional principal component analysis,K2DPCA)、二维最佳判别式(two-dimensional Linear Discriminant Analysis,2DLDA)的特点,本文提出了一种改进的核二维主成分分析人脸识别算法,可以巧妙地将图像同时映射到最佳投影空间和最优判别空间。首先通过标准的K2DPCA算法在图像的行方向上去相关性;其次在K2DPCA空间通过2DLDA算法对图像做进一步投影;最后利用最近邻准则分类器计算相似度进行判别。在标准人脸库ORL和Yale进行验证,结果表明,所提出算法可以获得更高的识别率。     

采用外部数据扩充样本的协同表示去噪算法

针对滤波算法利用内部数据很快达到滤波性能极限、在噪声密度较大时无法满足滤波要求的问题,提出采用外部数据扩充样本的协同表示去噪算法。通过协同表示寻找到与待滤波图像相似的外部数据图像,并利用该图像生成虚拟图像,扩充数据库纹理信息;通过匹配待滤波图像与外部数据图像的相似碎片信息,完成滤波过程。实验结果表明,所提出算法对高密度噪声图像的滤波效果较BM3D算法有大幅度的提升,并具有较好的鲁棒性,可获得高质量的滤波图像。     

基于深度学习的人脸识别系统

本文设计描述了三种人脸识别技术:(1)通过肤色模型训练的图像变化技术对图像的人脸区域进行识别并分割出来。(2)Eigenface人脸识别算法的图像表示技术通过输入已知人脸图片,可视化特征脸,与系统相似脸匹配并计算识别准确率。(3)全连接神经网络技术和卷积神经网络技术实现对对输入人脸的识别分析和匹配测试,从系统库里找到与之最相近的的脸,并可视化展示。     

一种新的基于邻域筛选的分类算法研究

基于邻域的概念,提出一种新的样本筛选方法用于分类问题.该方法在特征空间中根据邻域内的样本类别筛选出具有代表性的训练样本,计算其与测试样本的距离作为样本所属类别的判定依据.在UCI数据集和电力系统负荷预测的应用当中,与SVM和NC两种分类方法进行对比分析,证明该方法能够较好地提高样本识别率并降低时间复杂度.