基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术.文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真.该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸.     

基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术。文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真。该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸。     

基于最佳鉴别变换和分类器组合的人脸自动识别

人脸识别技术在商业和法律上有广泛的应用前景 ,在安全监控中也大有用武之地 .其主要任务是利用已有的人脸图象库 ,识别静止的或视频图象中的一张或多张人脸 .从抽取具有统计不相关的模式特征着手 ,通过基于小波变换的图象分解和 KL 变换等处理 ,避开人脸识别的小样本集的局限 ,并通过运用具有统计不相关性的最佳鉴别变换 ,来抽取人脸的有效鉴别特征 .同时 ,利用多特征多分类器组合的方法对图象进行识别 .该方法在 ORL 人脸图象库上进行实验 ,得到识别错误率为 2 %的实验结果 ,这是目前在此人脸图象数据库上所得到的最好的实验结果 .而且本方法对人脸的姿态、表情等条件具有一定的不敏感性     

基于奇异值特征和隐马尔可夫模型的人脸检测

提出了基于奇异值特征和隐马尔可夫模型（HMM）的人脸检测方法,首先提出了基于奇异值特征和隐马尔可夫模型的正面端正人脸检测方法;然后将该算法扩展到检测任意旋转角度的人脸,其中正向端正人脸检测算法是通过隐马尔可夫模型来识别人脸／非人脸的奇异值特征,从而达到人脸检测的目的;扩展算法首无计算当前位置子图象窗口的奇异值特征向量,然后利用识别各个旋转角度人脸的HMM模型对之进行分类,以得到该子图象窗口的旋转角度,再经过旋正,重新再与识别正面端正人脸的HMM模型对, 此确定该子图象窗口是否为人脸,通过对一个由51幅集体照片组成的图象集进行测试,其中,正面端正人脸检测率为85．1％,而任意旋转角度的人脸检测率只有72．2％。     

一种正面人像识别的方法

本文给出了一种正面人像识别的方法。利用活动轮廓模型进行人像处理，自动提取人脸轮廓，再利用特征脸谱描述人像间的差异信息，将人脸图象唯一地映射到由特征脸谱构造的“人脸差空间”中去，通过比较人脸图象在该空间中的位置来识别。     

基于视频的人脸识别与跟踪算法研究

视频中的人脸识别和跟踪问题是计算机视觉领域的研究热点。如何充分利用视频中人脸的时间和空间信息,克服视频中人脸分辨率低、变化范围大等困难是本文的研究重点。本文首先介绍一种基于联想记忆神经网络的人脸识别算法,然后在TLD(Tracking-Learning-Detection)人脸跟踪模块的基础上加入此人脸识别模块,对原有识别算法进行改进。实验表明该方法有很好的识别和跟踪效果。     

基于小波和奇异值分解的人脸识别方法

该文提出了一种基于小波和奇异值分解的人脸识别方法。首先对人脸图象进行小波分解,由于小波变换具有良好的多尺度特征表达能力,能将图象的大部分能量集中到低频子图中,使图象得到有效压缩。然后,对得到的每幅低频子图进行基于奇异值分解的特征提取,并将奇异值特征向量进行压缩,把压缩后的特征向量作为每幅人脸图象的特征,进而求出每一类人脸图象的特征向量中心。最后,将每一类的特征向量中心输入到分类器中进行识别。最终得到了令人满意的识别结果。     

利用改进型VGG标签学习的表情识别方法

针对图像表情判别精度低下的问题,提出一种基于改进型VGG-16网络的人脸表情识别方法.为解决传统方法存在像素特征分布不均的问题,采用基于改进的高斯混合模型进行图像特征数据的有效提取;基于改进的VGG-16深度神经网络,增强人脸表情识别的训练样本,实现对采集的图像数据多表情多场景精准区分.基于通用数据集及自采集数据集进行...     

结合LBP特征和深度学习的人脸表情识别

对于人脸表情识别,传统方法是先提取图像特征,再使用机器学习方法进行识别,这种方法不但特征提取过程复杂且泛化能力也差。为了达到更好的人脸表情识别效果,文中提出一种结合特征提取和卷积神经网络的人脸表情识别方法。首先使用基于Haar-like特征的AdaBoost算法对于数据库原始图片进行人脸区域检测,然后提取人脸区域局部二值模式（Local Binary Patterns,LBP）特征图,将其尺寸归一化后输入到改进的LeNet-5神经网络模型中进行识别。在CK+和JAFFE数据集上采用10折交叉验证方法进行实验,分别为98.19%和96.35%的准确率。实验结果表明该方法与其他主流方法相比在人脸表情识别上有一定的先进性和有效性。     

基于神经网络的人脸特征提取及识别

该文使用神经网络技术对人脸的特征提取及识别做了研究。在降低图像解析度的基础上使用神经网络来进行特征压缩,可以有效地降低特征维数。使用神经网络分类器对压缩后的特征进行分类,分类结果以隶属度来表征待识别人脸属于各类别的可能性。实验结果证明了该方法的有效性。     

自联想神经网络的遥感图象主分量提取

提出了一种自联想神经网络的遥感图象主分量提取方法,这种方法可能应用于图象的压缩、特征提取和图象滤波中,实验结果表明：自联想神经网络算法简单、易于实现,其压缩效果与Ｋ－Ｌ变换相当。     

基于模糊混沌神经网络的人脸识别算法

利用混沌对初值的极端敏感依赖性,可以对仅有微小差别的模式进行识别。提出一种基于模糊混沌神经网络的算法,并应用到人脸识别中。由于引入了混沌噪声,可使网络具有很强的抗干扰能力,能有效避免人脸图像光照、姿态等因素对人脸识别的影响,也避免了复杂的特征提取工作。利用ORL人脸图像数据库进行了仿真实验,结果表明,混沌神经网络算法精度高、迭代步骤少、收敛快,混沌神经网络应用于人脸识别是有效的,能提高识别率。     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。     

Manufacturing features recognition using backpropagation neural networks

A backpropagation neural network (BPN) is applied to the problem of feature recognition from a boundary representation (B-rep) solid model to facilitate process planning of manufactured products. It is based on the use of the face complexity code to represent the features and a neural network for the analysis of the recognition. The face complexity code is a measure of the face complexity of a feature based on the convexity or concavity of the surrounding geometry. The codes for various features are fed to the network for analysis. A backpropagation network is implemented for recognition of features and tested on published results to measure its performance. Any two or more features having significant differences in face complexity codes were used as exemplars for training the network. A new feature presented to the network is associated with one of the existing clusters, if they are similar, or the network creates a new cluster, if otherwise. Experimental results show that the network was consistent in recognizing features, hence is appropriate for application to the problem of feature recognition in automated manufacturing environment.     

基于多特征融合和Boosting RBF神经网络的人脸识别

提出一种多特征信息融合的人脸识别方法.应用Zernike矩方法和非负矩阵分解法(NMF)分别提取具有旋转不变性的人脸几何特征和人脸子空间投影系数特征,将这两种具有一定互补性的特征串行融合,得到一个分类能力更强的特征.在此基础上,采用RBF神经网络进行人脸识别.为了提高神经网络的分类准确率和泛化能力,采用Boosting方法进行网络集成.实验结果表明,提出的算法利用较少样本数据即可快速地进行人脸识别.     

基于异构多核并行加速的嵌入式神经网络人脸识别方法

针对传统视频监控设备进行前端人脸识别时处理大量人脸数据所面临的计算性能不足的问题,提出了一种基于CPU-多核加速器异构结构的前馈神经网络并行加速框架,然后借助主成分分析方法对人脸数据进行特征提取用于神经网络的训练,并将训练好的神经网络模型导入神经网络加速框架中进行分类识别的方法。该方法最终在集成Zynq SoC和Epiphany的Parallella嵌入式并行计算平台中进行了系统实现。实验数据表明,该方法在保证识别准确率一致的情况下,能够提供相对于Zynq中的双核ARM处理器8倍的识别加速能力,在嵌入式人脸识别加速方面具有显著作用。     

神经网络集成的多表情人脸识别方法

将神经网络集成应用于多表情人脸识别,通过二维主成分分析获得人脸表情特征,并为每一表情的特征空间各训练一个神经网络,利用另一神经网络对其进行集成。实验结果表明,多神经网络集成方法的识别精度高于单一神经网络所获得的结果。     

Feature recognition using ART2: a self-organizing neural network

A self-organizing neural network, ART2, based on adaptive resonance theory (ART), is applied to the problem of feature recognition from a boundary representation (B-rep) solid model. A modified face score vector calculation scheme is adopted to represent the features by continuous-valued vectors, suitable to be input to the network. The face score is a measure of the face complexity based upon the convexity or concavity of the surrounding region. The face score vector depicts the topological relations between a face and its neighbouring faces. The ART2 network clusters similar features together. The similarity of the features within a cluster is controlled by a vigilance parameter. A new feature presented to the net is associated with one of the existing clusters, if the feature is similar to the members of the cluster. Otherwise, the net creates a new cluster. An algorithm of the ART2 network is implemented and tested with nine different features. The results obtained indicate that the network has significant potential for application to the problem of feature recognition.     

一个人脸识别系统的设计与实现

设计了一个在区分人脸朝向的基础上，再进行人脸辨别的识别系统。把BP网络用于人脸朝向的识别，并且用一组单输出的子网络代替原来的BP网络，提高了人脸朝向的识别率。在人脸朝向的分类基础上，用主元分析法进行人脸识别。实验结果表明此系统提高了人脸的识别率。     

基于卷积神经网络特征融合的人脸识别算法

为提高卷积神经网络的识别性能,提出了一种基于多种卷积神经网络模型的特征融合方法。论文通过构建一个深度学习网络,将多种卷积神经网络模型如ResNet、InceptionV3和VGG19提取的特征进行融合,并将融合后的特征应用到人脸识别中,据此训练出特征融合网络模型的网络参数;最后利用计算求出的阈值来区分类别。实验结果表明,在人脸库LFW数据集上,论文算法的人脸识别率可达98%;与现有的单一卷积神经网络相比,论文算法识别率更高。