利用 LBP 特征与神经网络在嵌入式系统上实现人脸识别算法*

随着信息处理技术的发展,人脸识别技术在嵌入式平台上的应用越来越广泛。描述如何基于 OpenCV 视觉库在嵌入式平台利用 LBP 特征和神经网络实现人脸识别系统,并讨论如何在嵌入式平台上优化算法。     

Gabor特征融合的嵌入式人脸识别系统的研究

在嵌入式人脸识别系统中,由于多尺度Gabor抽取特征的维数和数据量过大,不适合在ARM板上实现,提出了多尺度Gabor特征加权融合的方法,很好地解决了图像维数和数据量过大的难点。加权融合过程包括多尺度Gabor特征的提取、特征权值的计算和加权融合过程。同时使用了类Haar特征提取人脸、2DPCA对人脸图像进行降维。基于EELiod 270嵌入式开发平台实现了一个嵌入式系统,结合典型图片库和实际图片进行了人脸识别测试,实践结果表明,系统在保证一定的识别率的同时,大幅度降低了运行时间,实时识别效果良好。     

基于Gabor不确定度的嵌入式人脸识别系统

多尺度Gabor特征的维数和数据量过大,不适合在ARM板上直接实现完成。利用计算每个尺度Gabor特征不确定度并采用加权融合的方法,很好地解决了图像维数和数据量过大的难点。加权融合过程包括多尺度Gabor特征的提取、不确定度权值的计算和加权融合过程;同时使用了类Haar特征提取人脸、利用二维主成分分析(2DPCA)对人脸图像进行降维。基于EELiod 270嵌入式开发平台,使用ORL和Yale图像库对该方法进行了测试,并与其他人脸识别算法进行比较。结果显示,在保证识别率的同时,算法运算量大幅度下降,且实时识别效果良好。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

基于嵌入式系统的人脸识别算法研究及其优化

该文主要实现了在嵌入式系统上的人脸识别。采用PCA对图像数据进行降维,然后利用最短欧氏距离、支持向量机(Support Vector Machine,SVM)和BP神经网络实现了分类。在嵌入式系统上,没有使用QT、Open CV等占用空间大的工具,而使用自己编写的C语言,以及Linux内核,节省了空间,并且处理过程中使用了BMP图片,稍微增加了存储空间,但是运算简单,处理速度较快。     

自适应Gabor特征的协同表示人脸识别算法

为了解决人脸识别应用中针对人脸姿态的变化,光照等外部环境变化导致识别率不高,且稀疏表示应用于人脸识别收敛速度慢的情况,提出了一种基于多分量的Gabor特征提取和自适应权重选择的协同表示人脸识别算法(GAW-CRC).特征提取阶段,将Gabor变换的所有特征分量中鉴别能力较差的分量淘汰,剩余分量构建特征字典,分别协同表示对应测试样本的特征分量,将所有剩余分量的识别结果,按照自适应的权重函数加权融合得出最终分类结果.实验证明:算法应用于AR,FERET与Extended Yale B人脸库中,当对应的样本存在人脸角度变化,表情变化和光照条件变化等情况时,能够得到更高的识别率.     

基于Gabor特征与投影字典对学习的人脸识别算法

为了提高人脸的识别率及其识别速度,提出了一种基于Gabor特征与投影字典对学习的人脸识别算法。由于Gabor特征对表情、光照和角度等变化具有较强的鲁棒性,首先提取人脸图像多方向多尺度的Gabor局部特征,并将经主成分分析降维后的增广Gabor特征作为训练数据,代替原始的训练样本。然后,根据训练数据同时学习综合字典与分析字典,综合字典具有重构能力,分析字典可以快速求出系数矩阵。最后,根据各类别的重构误差进行分类,以达到人脸识别的目的。在扩展的YaleB、ORL和AR人脸数据库上的实验结果表明,提出的算法不仅具有较高的识别率,而且能够有效地提高识别速度。     

基于OpenCV人脸检测算法在嵌入式系统上的实现

随着信息处理技术的发展,基于嵌入式平台的便携的人脸检测技术便显得愈发重要。本文描述了如何基于OpenCV视觉库在嵌入式平台上利用类Haar特征和Adaboost算法实现人脸检测,并讨论了如何在嵌入式平台上优化算法。     

基于Gabor特征融合和LSSVM的人脸识别算法

针对Gabor特征维数高难题,提高光照人脸的识别性能,提出一种基于Gabor特征融合和最小二支持向量机的人脸识别算法(Gabor-LSSVM)。首先采用Gabor滤波器提取人脸图像的多尺度和多方向特征,并将相同尺度不同方向的特征融合,初步降低特征维数;然后采用核主成分分析对融合特征进行选择,进一步降低特征维数;最后采用最小支持向量机建立分类器对人脸进行识别,并采用Yale B和PIE人脸库进行仿真测试。结果表明Gabor-LSSVM的人脸识别正确率和识别效率都得到了提高。     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

基于Gabor滤波器包络的人脸识别算法

2维Gabor滤波器已在文字、人脸和虹膜识别等方面得到广泛应用,Gabor滤波器在特征提取方面具有独特的优势,但高计算复杂度限制了应用。如何快速地利用Gabor滤波器进行识别成为当前研究的重点。提出了基于2维Gabor滤波器包络的人脸识别算法,通过忽略Gabor滤波器的正弦部分,保留高斯成分构造矩形包络,将椭圆滤波器转换为矩形滤波器进行特征提取,即可以在不影响特征提取性能的情况下,只计算滤波器的主要能量区间,忽略区间以外的部分,提高了运算速度。在Yale和ORL人脸库上的测试结果证明,该算法分类准确度优于Eigenface和Fisherface方法,且速度较传统的Gabor滤波器方法快20%,取得了满意的结果。     

基于Gabor滤波器和SVM分类器的红外车辆检测

提出一种基于Gabor滤波器和支持向量机(SVM)的红外车辆检测方法。该方法首先应用阈值分割并结合边检测确定候选区域;其次应用Gabor滤波器对选定的车辆和背景样本集进行特征提取,训练SVM分类器。这里提出一种特征加权技术,即根据特征矢量中邻近分量的离散程度对其自身进行加权;最后应用SVM进行分类检测,以判断候选区域内是否存在车辆。实验数据表明了该方法的实用性和可行性。     

说话人识别算法在嵌入式仿真环境的实现

在嵌入式系统应用中,如果能够创建仿真环境,并利用仿真环境的优势进行算法的验证、系统的移植、应用程序的设计,就能够极大地提高开发的灵活性,节省开发资源,验证系统的可行性.文巾分析了开放源码的嵌入式系统仿真集成开发环境SkyEye,并实现在该软件平台上基于ARM7TDMI核的AT91EV40仿真开发饭的实时操作系统μC/OS-Ⅱ的移植.把语音识别从试验室推广到实际应用中,在嵌入式系统中进行研究是必然的要求.在该嵌入式软硬什仿真平台上实现说话人识别算法的研究,选取改进了配合于硬件的算法,取得了良好的效果.     

基于彩色Gabor特征的人脸识别技术

提出了一种利用所提取的彩色Gabor特征来提高人脸识别系统性能的方法。首先利用四元数表示彩色信息,考虑到Gabor滤波器具有空间局部性和方向选择性的特点,将其扩展到四元数空间。然后通过人脸图像特征点与Gabor滤波器的卷积来提取特征,这样就将传统的灰度Gabor特征拓展为彩色Gabor特征。最后对于所提取的特征利用PCA降维后送入支持向量机中分类。实验采用彩色FERET人脸库并利用ROC曲线进行交叉检验,结果说明通过提取和利用这种彩色纹理信息能显著提高人脸识别系统性能。     

采用精选Gabor小波和SVM分类的物体识别

提出了一种基于Gabor小波和支持向量机的物体识别通用框架. 在该框架中, 特征抽取采用选取的Gabor小波在物体的最佳位置卷积实现, 而分类则通过支持向量机实现. 相比传统的基于Gabor特征的识别系统, 该方法能够同时达到准确而快速的分类目的. 本论文成功地将该框架应用于两个实际的物体识别例子: 物体/非物体分类和人脸识别. 实验结果证明了所提出的方法相对于其它方法的优越性.     

基于多级Gabor变换序列特征的人脸识别

鉴于Gabor特征对光照、表情等变化具有鲁棒性,在寻找局部细节特征和全局轮廓特征的描述方面,提出一种基于多级局部多通道Gabor变换序列特征的人脸描述与识别方法。对人脸图像进行多级分块和对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(LGMM),将各级子图像的图谱LGMM进行连接后形成多级Gabor幅值域图谱,使用径向基网络对特征进行识别。对人脸库ORL和YEL的识别实验进行对比,结果验证了该方法的有效性。     

基于Gabor小波与支持向量机对储粮害虫分类识别

将Gabor小波与支持向量机有机结合起来,对储粮害虫进行分类识别。首先对原始图像进行不同尺度和不同方向的Gabor滤波,获得原始图像特征,然后将遗传算法与支持向量机相结合来自动优选支持向量机模型参数,减少了以往应用中需反复实验来确定其参数的人工工作量。实验结果表明该方法识别率高,识别速度快,容错性好,而且能够正确识别有噪声的储粮害虫图像。为储粮害虫的快速鉴定和分类研究提供了可靠和科学的信息。     

小样本条件下采用Gabor特征的人脸识别

人脸表征和特征提取是人脸识别中的关键问题．针对Gabot特征的识别能力问题,利用点分布模型和类别可分离性判据研究了人脸不同位置和不同Gabor展开系数的分类能力．实验结果表明,合理地构造Gabor特征和选择特征点位置,能够提高识别率和减少特征数量．在此基础上,提出了在小样本条件下结合主动形状模型和Gabor特征进行人脸识别的方法．     

基于二维Gabor小波特征的三维人脸识别算法

分析三维人脸识别技术,提出一种基于Gabor小波特征的三维人脸识别算法。该算法采用二维Gabor小波特征精确且稳定地描述人脸特征,重建三维人脸模型并对其进行模板匹配,对匹配后的三维人脸模型进行线性判别分析。对基于ORL和UMIST两个人脸数据库的实验结果表明,该算法性能优良。