基于CNN和SVM的人脸识别系统的设计与实现

针对人脸识别在实际应用中存在姿态变化、表情、遮挡等问题,研究了结合支持向量机(SVM)分类的卷积神经网络(CNN)人脸识别算法,设计并实现了人脸识别系统.系统首先使用CNN提取人脸特征向量,再将特征向量通过SVM进行分类.测试结果表明,系统在训练样本充分时面对人脸姿态变化、表情、遮挡等情况下都具有较好的性能,识别率在9...     

基于卷积神经网络人脸识别实现策略

将卷积神经网络应用到人脸识别的领域当中,能够有效提升识别工作落实的准确程度,最终与大数据和云计算等技术相互配合,就能够构建成为一个比较完整的人脸检测和识别系统,目前我国常见的此类系统,识别工作落实的准确率已经能够达到>97%的程度。本文先分析了卷积神经网络的工作原理以及特点,又在此基础上设计和规划了实际的人脸识别实现策略,希望能够为相关工作的落实提供合理参考。     

基于深度卷积神经网络的人脸识别

目前人脸识别技术被广泛应用于实际生活各个领域,尤其是在实时视频场景下应用越来越普及,因此对人脸识别的研究具有重大价值。通过应用Keras框架和深度学习相关知识构建深度卷积神经网络,训练出有效的人脸识别模型,并应用到实时视频场景进行人脸检测和识别,最后通过实验表明此方法能够有较高的正确率,并能准确识别视频中的人脸。     

基于SVM的人脸识别研究

针对人脸结构过于复杂,导致识别精度低的问题,提出基于支持向量机（Support Vector Machine,SVM）的人脸识别方法。首先,选取Gabor小波变换算法,利用高斯函数表示短时傅里叶变换的窗函数,通过对人脸图像的卷积运算,提取人脸图像的幅值特征以及相位特征。其次,选取主成分分析方法,对所提取的人脸图像特征进行特征降维处理。最后,设置完成降维处理的人脸特征值,作为SVM的输入,利用SVM输出人脸识别结果。实验结果表明,该方法在强光等复杂环境下,仍然可以精准识别人脸,人脸识别精度高于97%。     

一种基于卷积神经网络的人脸识别方法

近年来,随着深度学习的发展,卷积神经网络已经广泛运用到图像识别领域,它不仅提高了识别的准确率,同时自特征提取方面的效果也优于许多传统的算法。提出一种基于卷积神经网络的人脸识别算法。该方法主要涉及两方面,一是使用卷积神经网络对训练集进行特征提取;二是将提取的特征图片输入改进的神经网络进行训练及识别。通过MATLAB进行了仿真实验,对比结果表明卷积神经网络有很好的特征提取性能及良好识别效果,比现有的算法有很大的优势。     

基于Prewitt算子的卷积神经网络人脸识别方法

为了提高人脸识别算法的识别性能,提出了基于Prewitt算子的卷积神经网络人脸识别方法。首先通过直方图均衡化和Prewitt算子对人脸图像进行预处理;然后将其输入卷积神经网络进行训练,并采用指数衰减法来设置学习率加快收敛速度,使用L2正则化和Dropout来防止过拟合。该方法在ORL人脸数据库上的识别时间为0.2 s,识别率达到了98.1%。实验结果表明,利用Prewitt算子和改进的卷积神经网络能缩短识别时间,并且能提高识别率,具有一定优越性。     

基于卷积神经网络的运输船舶分类识别方法

为了解决运输船的精细分类识别问题,针对在港口、航道拍摄的大量运输船图像,将一个8层卷积神经网络和支持向量机结合起来,通过用运输船训练集对网络进行监督训练,然后提取卷积神经网络第一个全连接层的特征,训练支持向量机后便可以对运输船进行分类识别,最后与其他全连接层的特征进行对比。实验结果表明,该方法能够实现运输船类型精细分类识别,平均检测准确率达到88.6%。     

一种基于人脸分割的PCA和SVM人脸识别方法

基于PCA和SVM提出了一种新的人脸分割法,将双眼、额头、鼻子、嘴等可以明显表征人脸的六类特征提取出来,舍弃双颊以及耳朵等特征量少的部位。融合上述人脸的特征识别结果,运用支持向量机的方法进行分类识别,实验结果表明,文章所提出的PCA与SVM融合的新的人脸分割方法能有效地对人脸进行分类,极大地提升识别率。     

液晶字符识别的CNN和SVM组合分类器

针对仪表液晶显示字符识别问题,提出一种结合了卷积神经网络(CNN)和支持向量机(SVM)的字符识别方法.分别采用具有并联结构的CNN模型和基于梯度方向直方图(HOG)特征的SVM方法构建基本分类器,当2个分类器的结果存在冲突时,利用CNN的softmax输出最大值判决最终结果,当其大于设定阈值时采用CNN分类器的结果,...     

基于卷积神经网络的手势识别研究

传统的手势识别系统由特征提取和分类器组成,需要人工设计特征,但很难达到足够满意的效果且耗费大量的时间。将卷积神经网络应用于手势识别,能直接把图像数据输入网络,且不用进行复杂的前期预处理。卷积神经网络拥有很强的鲁棒性和较低的复杂性,通过大量的仿真实验,证明了该识别方法具有很好的识别效果,相比现有方法有较大的优势。     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。     

基于条件正定核的SVM人脸识别

为提高人脸识别分类器的能力,采用了一种改进的可用于核学习方法的核函数—条件正定核函数。条件正定核函数一般不满足Mercer条件,但可以在核空间中计算样本间的距离,突出样本间的特征差异。对ORL、YALE、ESSEX三个标准人脸数据库进行仿真实验,结果表明基于条件正定核的SVM人脸识别算法在训练时间没有降低的情况下,与其他核函数法相比识别率有较大提高,并且当类别数增加时算法表现出较强的鲁棒性。     

子空间样本选择及其支持向量机人脸识别应用

训练样本选择是支持向量机应用研究领域的重要课题之一。为此提出了一种类内模式选择新方法。该方法从选择集子空间逼近原类别样本子空间的思想出发,通过迭代,逐一选择那些到已选样本集所在子空间距离最远的样本。在MIT-CBCL人脸识别数据库training-synthetic子库上的同其他方法的比较识别实验中,表明该文方法在选样比率、选样时间以及SVM测试时间等方面均取得了较为明显的优势。     

基于卷积神经网络的人脸表情识别

传统的神经网络表情识别系统由特征提取和神经网络分类器组成,利用人的经验来获取模式特征,很容易丢失表征表情特征的细节信息。提出一种基于卷积神经网络的识别方法,避免了对图像进行复杂的特征提取,直接把图像数据作为输入。通过在Cohn-Kanade表情库上的实验结果表明,该方法能够取得很好的表情分类效果。     

多任务学习及卷积神经网络在人脸识别中的应用

随着深度学习的发展,近年来人脸识别借助深度学习技术取得了巨大突破。但是在已有的基于深度学习的人脸识别框架中,各个任务（人脸鉴别、认证和属性分类等）都是相互独立设计、运作的,使得整体算法低效、耗时。针对这些问题,提出一种基于多任务框架的深度卷积网络。通过将人脸鉴别、认证和属性分类同时作为网络目标函数,端到端地训练整个深度卷积网络,算法简洁高效。此网络可以同时完成上述三个任务,不需要额外的步骤。实验结果显示,即使在有限的数据支持下,该方法依然能够取得不错的性能,在人脸识别权威数据集LFW上获得了97.3%的精度。     

SVM和HMM混合模型在人脸识别中的应用

采用支持向量机（SVM）和隐马尔可夫模型（HMM）相结合的方法进行人脸识别。首先对照片中的人脸进行定位,从定位区域提取人脸各个器官的独立基特征,然后使用支持向量机和隐马尔可夫混合模型对定位区域进行人脸识别。利用SVM和HMM结合的优点,取得较高的识别率。