基于加权DWT和DCT的粒子群神经网络人脸识别算法

针对人脸识别中出现的维数过高和计算复杂而导致的识别率低的问题,提出一种基于加权DWT(Discrete Wavelet Transform)和DCT(Discrete Cosine Transform)的粒子群神经网络人脸识别新算法。该算法首先用小波变换对人脸图像进行分解,去除对角线分量影响,提取加权低频和高频的离散余弦变换系数作为特征向量,最后利用粒子群优化BP神经网络进行分类识别。在ORL人脸库上验证了该算法的有效性和可行性。     

二进制粒子群算法在人脸识别中的应用

把二进制粒子群优化算法(BPSO)应用到人脸识别中.对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征.与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率.实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法.     

基于粒子群算法和神经网络的人脸识别分类器研究

针对BP神经网络作为人脸识别分类器具有的收敛速度慢、易陷入局部极小等缺点,提出利用改进的粒子群优化算法(PSO)改善BP网络训练的方法,建立种基于改进的PSO-BP神经网络,更合理有效地确定神经网络的连接权值和阈值,将其应用到人脸识别系统中的分类环节中,并与单独使用BP神经网络分类的结果相比较,实验表明,该方法识别速度...     

基于局部小波变换与DCT的人脸识别算法

提出了一种基于局部小波变换和离散余弦变换(DiscreteCosineTransform,DCT)相结合的人脸识别方法,该算法首先利用小波变换对人脸图像做适当层次的小波分解,然后通过离散余弦变换对低频分量作进一步的特征提取和压缩,得到人脸识别特征,最后利用欧氏距离和最近邻分类器进行识别。基于ORL人脸数据库的实验结果表明了该算法的有效性。     

基于DCT和神经网络的人脸识别

人脸识别是模式识别领域的一个具有挑战性的课题,并且有着潜在的应用前景。该文提出了基于DCT和神经网络的人脸识别方法,针对人脸图像分别提取整体和局部的DCT系数共同送入多层感知机分类器分类,实验表明所提出的方法具有识别速度快、识别率较高的综合优势。     

RBF神经网络在人脸识别中的应用

RBF是模式识别中应用最为广泛的一种神经网络。将这种网络应用于人脸识别,建立了人脸识别模型。通过改进隐含层中心选择算法,利用Yale人脸图像数据库进行仿真实验,对比分析了它们各自的识别率指标,说明本文提出的方法在不影响识别率的情况下可以显著提高人脸识别的速度,减小系统的存储量,从而满足人脸识别的实用性要求。     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

基于动态粒子群优化信息熵的人脸识别方法

人脸识别研究的目标主要有两个,一是提高识别正确率,二是降低训练与识别时间.信息熵等方法主要取决于参数选择,然而传统的优化算法难以解决此问题.粒子群算法等智能搜索技术可在较少的时间内给出问题的近似解.动态粒子群优化算法是在经典的微粒群算法的基础上所提出的一种高效的收敛性、稳定性的进化算法.采用动态粒子群算法对信息熵优化寻找最优参数,并结合特征提取方法,用于人脸图像的识别中,为人脸识别问题的研究开辟了新的途径.最后通过仿真实验得出结论表明,既减少了计算复杂度,降低训练与识别时间,又保证实时性,提高识别正确率,得到了理想的结果.     

基于粒子群算法的BP神经网络优化技术

针对传统BP神经网络存在学习效率低、收敛速度慢和容易陷入局部极小值的问题,提出一种基于改进的PSO来优化BP神经网络的方法。通过在PSO算法中引入随机变化的加速常数来获得最优权值,对BP神经网络进行优化和训练,将优化的BP神经网络用于遗传高血压患病年龄的预测中。实验结果表明,该方法较好地解决了传统BP神经网络易陷入局部极小值的问题,提高了算法的收敛速度和稳定性。     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

基于DWT和BP神经网络的人脸识别方法

提出了将人脸图像的离散小波变换DWT和BP神经网络相结合以达到人脸识别的方法。由于离散小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。而BP神经网络具有很强的分类能力,并且可以运用神经网络的学习算法进行学习。实验表明:二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

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。     

基于改进BP网络的人脸信息获取算法

人脸识别技术在各领域都有着广泛的应用前景,但人脸信息量过于巨大,就目前的计算机处理能力而言,尚不能完美地解决这个问题,但通过一定的技术达成人脸信息识别的部分功能还是可行的.该文利用BP算法,分别设计了适合于完成部分脸信息提取分类的神经网络结构,测试了几种训练算法在人脸信息识别应用中的实际效果,并通过性能比较选出了适用的学习算法,最终在人脸是否带墨镜、表情、性别识别上达到较好的效果.     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

基于BP神经网络的人脸识别研究

为了对人脸图像的特征向量进行分类以达到人脸识别的目的,本文提出了运用BP神经网络进行人脸识别的方法。将人脸图像矩阵的奇异值作为识别特征,将BP神经网络作为分类器,通过实验表明该方法操作性强,结果可靠,可以快速的进行人脸图像识别。     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别。由于小波变换在时间和频率空间具有良好的定位特性，使小波神经网络可对输入、输出数据进行多分辨的学习训练。将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构，介绍了神经网络的数学框架和该网络的学习算法，把此算法用到人脸识别中，实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高。     

基于模糊RBF神经网络的人脸识别研究

基于高斯RBF神经网络和模糊推理的函数等价性,构建了一种模糊RBF网络用于人脸识别研究,实验证明,网络有很好的学习能力,识别准确率较高,本文给出了ORL人脸库的识别结果.     

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。