基于云计算平台的人脸识别

在阐述人脸识别和云计算内涵的基础上,构造云计算背景下的人脸识别模型,对云计算平台下的人脸识别方法进行研究,并以具体实例分析人脸识别模型的应用,旨在更好地促进该技术的深化发展。因常规LBP(局部二值模式)算子和深度LBP算子在人脸特征识别上体现的特点不同,文章采用加权方式对两种算子进行综合分析,充分发挥两种算子在人脸识别领域的重要作用。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于LMSRBP和软直方图交的人脸表示与识别算法

针对传统局部二进制模式(LBP)存在的固有缺陷,即小尺度LBP算子无法反应人脸图像的宏观特征,大尺度LBP算子特征维数通常很高,提出一种局部多尺度多分辨率二进制模式(LMSRBP)的人脸表示算法。通过使用高斯金字塔得到一系列不同尺度不同分辨率的人脸图像,然后对这些图像使用同种LBP算子得到LMSRBP特征谱。该方法在不改变特征维数的情况下,能同时提取出图像的微观和宏观特征。在分类器设计方面,考虑不同面部区域对识别贡献不同的问题,提出软直方图交方法构建多弱分类器,最后集成所有弱分类器得到识别结果。在YaleB,ORL标准人脸库上的实验结果表明,该改进算法能显著提高人脸识别率。     

一种基于改进LBP特征的人脸识别

传统的LBP算子只利用了局部的信息,而忽略了全局信息。MB_LBP算子虽然充分考虑了全局信息,但对局部信息的表示不足。在此提出一种改进后的LBP特征的人脸识别方法,改进后的LBP算子不仅能够利用局部特征,同时也兼顾了全局信息。该方法首先将人脸图像分块,对于每个分块,计算LBP特征,对于得到的LBP特征,根据其中心像素和分块灰度均值关系重新进行计算得到改进后的LBP特征,最后采用最近邻分类器进行识别。在ORL和YALE标准人脸数据库上的实验表明,改进后的识别效果优于使用传统LBP算子和MB_LBP算子。采用改进后的LBP算子,能够明显提高识别率,在ORL和YALE的实验显示能提高3%~8%左右的识别率。     

基于RBF网络和贝叶斯分类器融合的人脸识别方法

提出一种基于径向基函数(RBF)网络和贝叶斯分类器的人脸特征分类与识别算法,以提高小样本人脸识别精度.通过基于聚类方法的RBF神经网络和贝叶斯分类器融合设计实现人脸图像的分类识别.实验数据分析表明,该方法在人脸骨骼特征突出情况下具有较高的识别率.文中提出的分类器融合的识别方法具有良好的学习效率和识别精度品质指标.     

一种基于全局和局部特征的LBP算法应用

提出一种基于全局和局部特征的LBP人脸识别算法。首先将人脸图像进行LBP提取全局直方图特征,再将图像分块,提取每块的LBP局部直方图特征,最后将全局和局部特征按一定的顺序相结合作为图像的总体特征。然后通过RBF神经网络进行分类识别。在ORL人脸库上的实验结果表明,该算法具有较高的识别率。     

基于网络摄像头的活体人脸识别系统设计

针对当前监控系统平台体积大、功能单一、造价高等问题,文中基于海思3518E平台设计了一套在线活体人脸识别系统。该系统包含图像预处理、图像获取、人脸检测、人脸活体检测、人脸识别共5个部分,并针对传统算法在嵌入式平台的不足进行了改进与优化。系统通过摄像头采集的人脸图像对图像做预处理,为后续图像特征提取提供保障,利用扩展Haar特征训练分类器,并使用Adaboost算法级联分类器进行人脸检测,将检测到的人脸利用HSV和Ycbcr多色彩空间下提取的COALBP和LPQ融合特征训练SVM模型,并进行活体人脸检测。最后,对人脸图像分块提取LBP特征进行人脸识别,将识别结果通过微信小程序显示。实验结果表明,基于海思网络摄像头人脸识别系统的可行性,具有一定的实用价值。     

一种多算法融合的人脸识别方法研究

针对人脸识别技术易受光照、姿态、表情等影响 ,为了增强人脸识别算法的鲁棒性,提出首先采用 LBP算法提取人脸图像的局部纹理特征,使用PCA算法将高维的空间人脸图像投影到低维的 特征空间,使 用LDA算法利用人脸类别标签信息寻找最优的投影向量,实现了人脸图像维度进一步地压缩 ,最后使用SVM 分类器分类匹配得到识别结果。分别使用ORL和Yale人脸数据库验证了算法的有效性,实 验结果表明,文 中该方法具有良好的识别性能,与其它的识别算法相比,识别率有了较大的提高。     

基于BP神经网络的人脸识别系统研究

本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析.该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进一步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别.详细介绍了离散小波变换、PCA特征提取以及BP神经网络分类设计.通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时,由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率.因此,很难在复杂环境中应用.     

基于鲁棒稀疏表示的人脸识别算法

提出了一种基于LBP算子和鲁棒稀疏表示的人脸识别方法。首先,提取训练样本和测试样本的LBP特征。其次,在原有稀疏表示分类器(SRC)的基础上添加一个权值矩阵W来解决l1正则化最小二乘问题。最后,利用鲁棒稀疏表示分类器(RSRC)分类测试人脸图像所属类别。在ATT人脸库上进行实验的结果表明,此方法是优于其他经典算法的。