基于人工智能技术的高光谱人脸自动化识别系统设计

为有效识别人脸区域,提升其在多种领域应用效果,设计基于人工智能技术的高光谱人脸自动化识别系统。以模块化思想设计嵌入式系统架构,采集与预处理高光谱人脸图像,并将预处理后的图像数据放入RAM存储器;人脸检测模块调用RAM存储器存储数据,并加载Haar人脸分类器,完成人脸区域检测提取工作;之后由人脸特征提取与识别模块经人脸区域LBP特征提取、LeNet-5卷积神经网络人脸识别模型构建与训练等操作,输出人脸识别结果。实验结果表明,该系统能够在较短时间内完成LeNet-5卷积神经网络人脸识别模型训练。     

联合分块谱带优选和深度特征的高光谱人脸识别

目的 高光谱人脸数据具有丰富的鉴别信息。最优谱带选择和谱内间特征表示是高光谱人脸识别的关键。基于高光谱波段范围为4001 090 nm和采样间隔为10 nm的高光谱成像人脸数据,本文提出一种分块谱带选择和VGG（Visual Geometry Group）网络的高光谱人脸识别方法。方法 为了优化适合人脸识别的谱带组合,基于人脸关键点,提出分块局部二值模式（local binary pattern,LBP）特征的AdaBoost支持向量机（support vector machine,SVM）谱带选择方法。基于卷积神经网络结构建立一个面向高光谱人脸特点的深度网络（VGG12）,提取谱带内特征。融合不同谱带的深度特征,利用三层堆栈自编码器（stack auto-encoder,SAE）抽取谱间特征。对提取的谱间和谱内特征,采用最近邻分类器完成最后的识别。结果 为了验证提出方法的有效性,在公开的高光谱人脸数据集UWA-HSFD（University of Western Australia hyperspectral face database）和PolyU-HSFD（Hong Kong Polytechnic University hyperspectral face database）上进行对比试验。结果显示,基于分块LBP特征的谱带选择算法优于传统基于整幅图像像素的方法,提出的VGG12网络相比已有深度学习网络,仅保留少量（68个）谱带,在两个数据集上都取得了最高的识别率（96.8%和97.2%）,表明传统可见光人脸深度网络并不适合高光谱人脸识别。结论 实验结果表明,高光谱数据用于人脸识别中,谱带选择与深度学习结合是有效的,本文方法联合有监督深度网络（VGG12）和无监督学习网络（SAE）挖掘谱内和谱间鉴别特征,在降低深度网络训练复杂度的同时取得了较其他深度网络更好的识别性能。     

基于VGGNet和多谱带循环网络的高光谱人脸识别系统

为了提高光谱人脸数据表征人脸特征的有效性，提出一种基于VGGNet和多谱带循环训练的高光谱人脸识别方法。首先，在光谱人脸图像的预处理阶段，采用多任务卷积神经网络（MTCNN）进行高光谱人脸图像的精确定位，并利用混合通道的方式对高光谱人脸数据进行增强；然后，基于卷积神经网络（CNN）结构建立一个面向高光谱人脸识别的VGG12深度网络；最后，基于高光谱人脸数据的特点，引入多谱带循环训练方法训练建立的VGG12网络，完成最后的训练和识别。在公开的UWA-HSFD和PolyU-HSFD高光谱人脸数据集的实验结果表明，所提方法取得了比其他深度网络（如DeepID、DeepFace、VGGNet）更好的识别性能。     

动态视频人脸考勤方法研究与实现

研究并实现了利用Gabor滤波器和Fisher线性鉴别分析(FLDA)方法的动态人脸识别考勤系统.系统实现的基本思想是运用Gabor变换提取人脸的局部特征和经过Gabor处理后使得人脸对光照变化不敏感;进一步利用FLDA来降维和隐含地提取最有利于分类的最佳鉴别特征;最后将视频采集的考勤图像与训练库中的图像通过比对,得出识别结果.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

采用LBP金字塔的人脸描述与识别

为了有效地提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于LBP金字塔特征的人脸描述与识别算法.首先通过多尺度分析构建人脸图像金字塔;然后采用LBP算子提取各层图像的LBP特征谱,建立图像的LBP金字塔;最后对LBP金字塔各层特征谱进行分块统计,并将各层的统计直方图序列连接起来作为人脸的鉴别特征用于分类识别.该算法在ORL和FERET人脸数据库上取得了较高的人脸识别率.实验分析表明,LBP金字塔特征具有较强的人脸描述能力和可鉴别性,且对光照、人脸表情及位置的变化具有较高的鲁棒性.     

基于机器学习的人脸图像识别研究

为提高人脸识别的准确性和效率,文章提出一种基于机器学习的人脸图像识别方法。首先,采集大量人脸图像数据,通过局部二值模式提取人脸图像的特征;其次,利用主成分分析法完成特征降维;最后,将降维后的特征输入模糊径向基函数（Radial Basis Function,RBF）网络,实现人脸图像识别。实验结果表明,该方法具有较好的特征提取效果,可有效识别人脸图像。     

基于实验室安保服务型机器人的人脸识别

设计一个用于机器人的人脸识别系统。该系统先通过摄像头捕捉人脸图像，在计算机上完成人脸识别，最后对机器人发送指令。识别过程是提取摄像头捕捉的人脸特征和数据库中人脸特征的128维向量进行欧氏距离计算，通过欧氏距离的计算结果进行判定。实现该系统所用的平台和硬件标准不高，且识别效果良好、构造简单方便，因此可应用范围广。     

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.     

一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

一种人脸识别的校园安防智能识别系统设计

针对目前的校园安防主要依靠人工保安进行人为的识别和鉴别非校内人员,且校园保安对校外非校内人员的识别和鉴别效率低、易出错等问题,提出了一种基于机器视觉技术的人脸识别校园安防智能识别系统。通过对校门口人员的人脸图像的采集,结合VS与OpenCv开发的人脸识别算法对采集到的人脸图像进行一系列的分析和处理,针对不同的人脸特征进行人脸特征检测,经过一系列的数学形态学的处理,对人脸特征值进行边缘提取和特征识别,实现了对人脸图像的识别和检测。该系统成功的进行不同人员的人脸图像的识别,且具有较高的识别准确率、较高的识别检测效率,具体一定的学术研究价值和应用推广价值。     

基于能量的自适应局部Gabor特征提取的人脸识别

为了解决传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,从不同方向、不同尺度以及全局角度按照能量大小构建了3种不同的局部Gabor滤波器组用来提取人脸特征。首先,分析数据库中部分图像Gabor变换后的图像能量,从不同角度选出能量较大的图像构建对应的局部Gabor滤波器组; 其次,根据所选滤波器组提取局部Gabor特征; 然后,采用线性判别分析(LDA)法进一步提取Fisher特征; 最后,利用最近邻法识别人脸图像。基于ORL人脸库和YALE人脸库的实验结果表明提出的人脸识别方法降低了人脸图像的特征维数,缩短了特征提取的时间,有效地提高了人脸识别率。     

基于局部和全局特征的人脸识别方法

提出了一种将局部特征识别与全局特征识别相结合的人脸识别方法.该算法首先提取人脸的局部特征进行识别,然后提取未识别图像的全局特征进行识别.基于ORL人脸数据库的实验证明了该算法的识别性能要优于单一特征识别方法.     

基于卷积神经网络的人脸信息增强识别研究

在采集人脸图像时,图像存在模糊性较大或者姿态变化幅度较大等问题,人脸准确识别的精度不高,为了提高人脸识别的准确率,提出一种基于卷积神经网络的信息增强的人脸识别算法。对采集的模糊人脸图像进行小波降噪处理,对降噪输出的图像进行自适应模板匹配,结合图像分割方法对人脸图像进行分块,利用Radon尺度变换的几何特征不变性对人脸的关键特征点进行信息增强,采用卷积神经网络分类器对增强的人脸特征点进行分类,实现特征点优化提取和人脸准确辨识。仿真结果表明,采用该方法进行人脸识别的准确性较好,且能满足大批量样本人脸快速识别的应用需求。     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

复用特征组合的单幅人脸图像识别

单幅图像的人脸识别问题目前研究较少,而许多识别算法一旦应用到单幅训练图像的人脸库时,识别率会急剧下降。通过研究人脸的各个局部特征对识别人脸的影响,筛选出几个最能表达人脸信息的局部特征,然后利用Boosting思想,为从单个图像样本中挖掘更多的信息,重复使用人脸特征,将人脸的整体特征和局部特征结合起来构造了两个人脸识别系统——多特征投票法和复用特征法。     

支持向量机在人脸识别中的应用研究

研究人脸图像自动识别问题,由于人脸的特征维数较高,正确识别有难度,利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的提取和模式识别.为此,提出了一种基于支持向量机的人脸识别方法.首先采用Gabor滤波器提取人脸图像的特征,PCA降维处理消除人脸特征之间的冗余信息,然后采用支持向量机对提取特征进行训练得到最优识别模型,用最优模型对人脸进行识别.对ORL人脸图像库进行仿真实验,识别率达98%,比传统算法高出5%,实验结果表明,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,为人脸识别的应用提供广泛的前景.     

基于深度学习的人脸识别

人脸识别是图像领域的经典问题。为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,提出一种基于ResNet卷积神经网络(R-CNN)的人脸识别方法。该方法利用人脸特征探测器有效地提取了人脸特征,同时将R-CNN用于二维人脸识别,建立了人脸识别模型。实验采集了400张目标脸图片,并将其与人脸库中的1 000张样本进行混合。R-CNN模型共训练了130轮,能在摄像头中识别目标脸。在训练了80轮之后,模型准确率达到了90%以上,识别效果较好。相较于传统的人脸识别方法,该方法结合了深度学习方法,具有较高的识别率。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中，待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息，然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略，能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于光照变换的Gabor小波人脸识别

光照变化易使人脸图像的灰度分布不均,造成局部对比度差别较大,会引起人脸识别正确率下降。为此在同态滤波的基础上,改变滤波函数,提出了高斯滤波的人脸识别方法,接着对滤波后的图像直方图均衡化,来增加图像的灰度动态范围,然后对人脸图像提取Gabor小波特征,最后利用最近邻法识别人脸图像。在光照变换明显的Yale B和CMU PIE数据库识别效果最好,降低了人脸图像的特征维数,缩短了特征提取时间,有效地提高了人脸识别率。     

人脸识别技术发展及应用分析

人脸识别是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机采集人脸图像,并自动在图像中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列相关技术处理．包括人脸图像采集、人脸定位、人脸识别预处理、记,忆存储和比对辨识,达到识别不同人身份的目的。