人脸识别综述

介绍了人脸识别的概念和发展,分析和比较了各种人脸识别方法的差异,探讨了人脸识别的应用和未来的研究趋势。     

基于结构分类器和SVM的人脸检测

本文提出一种’结构分类器 SVM”相结合的快速算法。用以从采色图像中快速检测出可能存在的人脸，它的主要特点就是充分利用人脸的肤色信息和器官的分布规则，构造一个“结构分类器”，从待检测图像中快速排除绝大部分的背景窗口，然后对剩下的候选窗用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而定位人脸的最佳位置。通过在相同的测试集上的对比实验，本算法在不影响正检率的情况下，可降低虚警率和极大地提高检测速度。     

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%。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究,提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响,从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题,克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率,提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响,使得识别率有较大提高,基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

人脸识别理论研究进展

简要回顾了人脸自动识别技术的研究背景及发展历程，重点对近3、4年人脸自动识别方法的研究进展进行综述并对各种方法加以评价，总结了现存的研究困难并提出了解决方法及今后的发展方向。     

人脸识别的方法研究

人脸识别系统主要包括:人脸检测定位,人脸识别两环节。本文简要回顾了人脸自动识别技术的研究背景,重点对近年来人脸自动识别方法的研究进展进行综述,并对各种方法加以评价。总结了现在存在的研究困难,提出了今后的发展方向。     

基于人脸识别技术的智能系统研究与开发

本文针对单人正面人脸图像的定位、特征提取以及识别的方法进行了研究,提出了结合人脸模板和人脸特征进行人脸检测的方法.利用已经定位的人脸图像,确定其眼睛、鼻部及嘴部的几何特征参数,并对实验人脸库进行监督下的分类和统计.在此基础上,实现了一个智能识别系统.     

基于无人机数据采样的人脸识别研究方法

提出了一种基于无人机数据采样的人脸识别研究方法.针对无人机采集的图像或视频数据进行人脸识别应用,采用深度学习算法对此进行研究,通过线下采集获取目标人脸,对采集到的目标人脸进行数据增强扩充数据集,进而增加入物识别准确率,使用训练好的Facenet网络对目标人脸进行特征提取,获得目标人物人脸特征并建立人脸特征库.在人脸检测...     

基于人脸识别的考勤系统的设计与研究

通过研究人脸识别,设计出一套用于考勤的系统。基于人脸识别的考勤系统中最主要的就是人脸识别;首先对通过摄像头拍摄获取的原始人脸图片进行图像预处理;然后通过对人脸的眼睛、鼻子和嘴巴的定位实现人脸定位;在定位后的人脸图片中将眼睛、鼻子、嘴巴的特征值提取出来;最后通过图片中提取的特征值和后台人脸特征数据库中的值进行比较来完成人脸的识别功能。     

深度学习与人脸识别算法研究

目前人脸识别技术已经得到了较多的应用,包括在安检工作、金融工作以及交通等领域中,其稳定性强、识别精度高,市场应用前景广阔,能够为用户信息的识别提供更便捷的服务。随着对人脸识别研究的深入,出现了更多的算法,最初大多都是提取浅层特征来进行分析,并采用特征融合的方式识别,在最后的识别过程中主要利用了联合贝叶斯分布等机器学习分类器进行处理。这种方法虽然能够达到一定的识别效果,但是精度不高,容易受到多种外部因素(光照、遮盖等)的影响,降低了识别结果的准确性。本文主要对人脸识别的框架进行了研究与分析,首先设计了人脸识别框架,然后对深度学习人脸识别算法的几个重要组成部分进行了分析与研究,主要包括人脸对齐模块、人脸特征提取、人脸识别验证模块等。     

基于ICA和SVM的局部人脸识别方法

ICA(Independent Component Analysis)方法使用数据的高阶统计信息抽取数据的独立分量特征.但由于人脸面部表情各异,使得这种方法并不稳定.因此提出一种基于局部人脸的ICA方法.首先对人脸进行局部分块,然后对各块进行ICA特征提出并各块合理权重,最后使用SVM(Support Vector Machine)方法对其进行分类.     

基于SVM的人脸精确验证

人脸检测系统包括了人脸检测粗筛选和人脸精确验证两个阶段,人脸精确验证是在人脸检测粗筛选的基础上所做的工作,目的是通过精确验证去除粗筛选阶段所得到的候选区域中的非人脸部分.精确验证阶段采用了线性鼻子SVM分类器和非线性特征脸SVM分类器相结合的策略.实验结果表明,这种精确验证的方法基本上可以精确地检验出粗筛选阶段所得图片中的人脸区域.     

基于主分量分析和支持向量机的人脸检测

提出了一种基于主分量分析(PCA)和支持向量机(SVM)相结合的人脸检测方法。该方法首先利用计算复杂度较低的PCA粗分类器对输入图像遍历检测,滤除大部分非人脸窗口,再由SVM分类器进行精确判断,从而加快了检测过程。实验证明。本方法能够有效的检测出复杂背景下的人脸图像,并且处理时间比单纯使用SVM大大缩短。     

基于多层grams的在线支持向量机的中文垃圾邮件过滤

该文提出一种多层grams特征抽取方法来提升基于在线支持向量模型的垃圾邮件过滤器。基于在线支持向量机模型的垃圾邮件过滤器在大规模垃圾邮件数据集已取得了很好的过滤效果,但与逻辑回归模型相比,计算性能的耗时是巨大的,很难被工业界所运用。该文提出的多层grams特征抽取方法能够有效减少特征数,抽取更精准有效的特征,大幅降低模型的运行时间,同时提升过滤器的过滤效果。实验表明,该方法使得在线支持向量机模型的运行时间从10337s减少到3784s,同时模型(1-ROCA)%降低了一半。     

基于支持向量机的说话人识别研究

解决说话人识别问题具有重要的理论价值和深远的实用意义,本文在研究支持向量机理论的基础上,采用支持向量机的分类算法实现说话人识别系统的训练和测试,并将小波去噪技术应用于说话人识别的预处理过程中,改善进入说话人识别系统的语音质量。实验表明,在说话人识别系统中,支持向量机结合小波去噪可以获得较好的识别率。     

基于Trace变换和支持向量机的车牌字符识别新方法

为了提高车牌上的字符识别准确率,提出一种结合Trace变换和支撑矢量机（SVM）的字符识别方法.在字符识别方面,以Trace变换方法提取字符特征,并运用支持向量机对字符进行模式分类.将算法应用到实际的车牌字符识别中,识别结果表明,这种方法在提高识别速度的同时,有效提高了字符的识别精度.     

一种基于小波过零检测和SVM的虹膜识别方法*

提出了一种新的基于SVM的虹膜识别算法,通过对虹膜纹理采用小波变换来实现特征提取,最后通过SVM完成模式匹配。实验结果表明,该算法识别率高并可有效地应用于虹膜身份鉴别系统中。     

基于选择性集成SVM的数据类型识别

提出基于选择性集成支持向量机的语音、话带数据信号分类方法,根据集成算法的差异性定义,采用两层级联结构的动态叠加算法完成决策输出。该方法能够在训练阶段准确地选择具有较高识别精度和差异性的成员分类器,在测试阶段对各成员分类器进行动态集成,保证最终的分类结果最优。构建时域、频域相结合的特征向量,并具有较好的抗噪声能力。实验结果表明,该方法无论在分类还是在运算复杂度上都取得较好的效果。     

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。     

人脸自动识别方法综述

简要回顾了人脸自动识别技术的研究背景及发展历程;重点对近年来人脸自动识别方法的研究进展进行综述,并对各种方法加以评价;总结了现在存在的研究困难并提出了解决方法及今后的发展方向。