基于统计模式的人脸识别方法

人脸识别的研究具有广泛的应用价值。论文对基于统计模式的人脸识别方法进行了深入的研究,提出了使用D-LDA与KDDA算法对特征进行提取。D-LDA算法克服了传统方法计算复杂的缺点;KDDA算法利用了基于核的分析方法,避免了利用线性方法处理问题产生的缺陷。文中重点研究了RBF网络分类器,对于参数的选择以及网络的学习过程采用了改进的算法,克服了常用方法中存在的问题。实验表明采用改进后的算法,识别率得到了提高。     

人脸识别的Boosting N-Tuple网络方法

传统的N-tuple型网络是通过对输入样本进行二值化后作N元采样形成K个RAM神经元来构成.本文为了处理实值输入的需要,将稀疏RAM神经元替换RAM神经元从而获得该类网络的一个改进版本.另一方面,基于K和N值由经验确定以致于难以控制网络规模的事实,将Boosting方法应用于改进的N-tuple网络.其结果是:1、所构造的若干基本分类器使用不同的训练集,同一个样本提交给不同基本分类器的特征也不同;2、Boosting方法可以直接应用于高维数据;3、Boosting的提升性能几乎与网络规模无关;4、应用于人脸识别时无需显式地进行人脸特征的提取和选择.     

用于人脸识别的GFC方法

Gabor-Fisher分类器(GFC)人脸识别方法,首先对面部图像进行Gabor小波处理,再对得到的增广Gabor特征向量应用增强线性辨别法模型(EFM)以得到辨别特征。该方法的新颖之处在于(1)引入了Gabor小波得到增广的特征向量更好的反映了图像的特征;(2)应用EFM在对维数进行降低的同时进行分类特征提取。该种新方法在应用于光照和面部表情变化比较大的FERET数据库时优势比较明显。     

试析人脸识别技术的方法与应用

人脸识别技术在当今社会已被越来越多的人所关注和进行研究。对人脸识别技术的概念进行了简要介绍,着重对人脸识别技术的方法及其应用进行了深入的分析,为促进人脸识别技术的应用与发展提供参考。     

人脸识别方法综述

人脸识别问题关键要解决的技术是光照问题及表情特证识别技术。对一系列人脸识别方法进行了综合性描述,阐述了人脸识别已经取得的方法和研究成果,给出了人脸识别中需要解决的关键问题。     

半边人脸识别方法

针对光线变化对人脸的正确识别的影响,提出一种半边人脸识别方法。该方法把训练集的人脸图片分为左右两个部分,经过亮度补偿后分别训练左右脸的特征提取器,提取训练集中左右半边脸的特征。计算待识别图片左右半边脸的熵,选取熵较大的半边脸及对应的特征提取器,经过亮度补偿后提取该半边脸的特征,并根据提取的特征进行归类。实验结果表明,对光线有变化的人脸,该方法比用全脸识别具有更好的识别率和识别速度。     

远程人脸识别方法的研究与仿真

研究远程准确人脸识别优化问题.在远程人脸图像采集过程中存在随机性,采集的人脸图像容易发生饰物遮挡,脸部侧偏等情况,造成采集图像可识别特征残缺,针对传统的方法过于依赖局部细节特征,无法准确的识别人脸.提出一种基于特征转化的人脸识别方法,根据采集到的人脸二维特征矩阵构造奇异值矩阵,运用迭代分解方法,把不能识别的缺陷特征转化成可识别的三维人脸特征,运用三维特征配合二维特征进行识别.经实验结果表明,改进方法能够准确识别远程采集的部分、遮挡的人脸图像,取得令人满意的效果.     

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。     

基于低分辨率的人脸识别方法研究

随着我国经济实力的提高,大多公共场所都配备有监控设备[1],用以对出现行人及行为的监控,通过监控识别人脸是其发展的重要方面以后也将进一步发展。为减少视频数据的空间占比[2],目前市场大部分采用低分辨率的存储方式来存放视频数据,这对人脸的识别率带来了极大的影响。人脸识别是完善和加深图像识别在视频监控领域应用的基础,如何能够准确、快速、低成本的完成人脸识别工作,无论在生活领域、信息安全领域和公共安全领域等都有着无限的应用空间。因此,本文在前人所做的基础之上,结合近些年该领域的发展情况,进行了比较有针对性的描述。对一些比较热点的方法进行了详细的理论介绍,希望相关研究工作者能够基于本文所作的相关研究,发挥其更大的价值。     

人脸识别技术——校园安全建设的新动向

人脸识别技术具有识别的唯一性、自然性且有非接触性操作简单方便能很好地?饩?学校在安全管理方面存在的问题.在校园安全管理中运用人脸识别系统能自动进行数据比较,迅速准确地作出身份判断,提高校园安全管理的工作效率,为学生营造健康、安全的校园环境,这一生物识别技术正在成为校园安全建设的新动向.     

人脸识别技术研究与应用

讲解了人脸识别的发展历程和各个阶段使用的方法与技术,分析了基于深度学习的人脸识别的技术流程和独特优势.人脸识别已经成为一种比较成熟的身份识别技术,广泛应用于安防边防、公共安全、银行认证、社会管理等诸多领域,并形成了人证比对仪、人脸门禁、海量人脸搜索、人脸识别服务、人脸识别系统等多种稳定的产品形态.人脸识别必将是人工智能领域永不过时的主角,对于这项技术的研究具有长远的意义.     

基于频谱的人脸识别方法

小波变换后的低频子带图像既去除了某些表情变化，又减小了数据量，而图像的频谱特征则具有良好分类特性，因此两者结合后得到的频谱脸在人脸识别方面具有相当高的应用价值。先利用小波变换和Fourier变换求得原始人脸图像的频谱脸(Spectrofaces)，再对频谱脸继续求取各自的本征脸(Eigenface)和LDA(Linear Discriminant Analysis)特征作为分类特征，并利用了不同的分类方法进行识别。实验是利用ORL人脸库进行的，实验结果证明了比起直接利用空间域上原始图像的识别方法来说，基于频谱的方法可以有效提高识别率。     

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S-LISSOM模型的人脸识别方法

提出了一种利用视皮层认知模型识别人脸的方法。该方法建立一种简化的感受野切片连接自组织映射简化模型(S LISSOM),模拟人脸图像在大脑视皮层的映射特征,作为隐马尔可夫模型(HMM)的观测向量进行人脸识别。实验结果同其他特征的人脸识别方法进行了比较,该方法更加有效的提取的人脸特征,提高了人脸识别率。     

基于Gabor小波与共同向量的人脸识别方法

基于子空间的人脸识别方法易受光照、姿态和表情变化的影响,针对这一问题,提出一种基于Gabor滤波器与共同向量(CV)方法相结合的人脸识别方法.Gabor滤波器因其良好的方向与尺度选择性,能很好地提取图像局部特征,对光照、姿态、表情变化有一定的健壮性;共同向量方法是一种线性子空间分类方法,利用提取的同类样本的共同属性(共同分量)对测试样本进行分类,在训练样本较少的情况下能够取得较好的分类效果.通过在ORL与Yale数据库上的实验表明,提出的方法具有较好的识别效果.