集成多分类器的人脸识别

提出一种用组合多分类器融合局部信息进行人脸识别的方法。人脸识别过程中图像样本间的相似度可建模为“类内差”和“类阅差”两种模式类，用这种思想在图像小波分解域的局部区域上构造弱分类器集，然后通过Boosting训练生成强分类器，最终的人脸匹配由多个弱分类器输出的加权和给出决策。实验结果表明，系统具有较高的识别率，对表情和光照变化具有很好的鲁棒性，而且对新个体有较好的扩展能力。     

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。     

融合约束采样和面部对齐的稀疏表示人脸识别

针对传统的稀疏表示分类算法中面部对齐受限而影响人脸识别率的问题,提出一种基于约束采样和面部对齐的稀疏表示分类算法。首先通过使用约束采样对训练图像进行预先标注得到固定脸特征;然后结合图像的纹理信息和形状特征进行面部对齐及特征提取;最后计算出测试样本与各个训练样本之间的相似度,利用稀疏表示分类器完成人脸的识别。在AR、CAS-PEAL及扩展YaleB人脸数据库上的实验验证了算法的有效性及鲁棒性。实验结果表明,约束采样和面部对齐的组合大大提高了人脸识别率,相比几种较为先进的鲁棒人脸识别算法,该算法取得了更好的识别效果。     

纹理特征和两级分类器相结合的人脸识别

为了提高人脸识别率和识别效率,提出一种纹理特征和两级分类器相结合的人脸识别方法。采用灰度共生矩阵表示人脸图像的纹理特征,计算待识别人脸图像与模板间欧式距离,采用拒识阈值进行评判,如果人脸图像归属类别清楚,则采用欧式距离分类器进行识别,否则将待识人脸图像送入SVM分类器进行识别,采用ORL人脸数据库和Yale人脸数据库进行仿真实验。仿真结果表明,相对于单一人脸识别器,两级分类器不仅提高了人脸识别效率,而且提高了人脸识别率,具有更好的人脸识别性能。     

区域图像检索中的AdaBoost反馈学习算法

提出了一种基于AdaBoost相关反馈的区域图像检索方法.结合图分割的图像分割算法和多区域匹配方法,利用用户的反馈信息对AdaBoost弱分类器的反复训练,得到一个具有较小错误率的强分类器.将其应用到区域图像检索中从而返回更加精确的查询结果.实验表明(图像数据库大小为10000),基于AdaBoost相关反馈的区域图像检索方法有更好的检索查准率和密集度,优于单一区域的图像比较算法和多区域比较算法.     

身份保持约束下的面部图像超分辨率重建方法

低分辨率是影响人脸识别精度的重要因素。一种有效方法是使用图像超分辨率技术对低分辨率图像重建,生成超分辨率图像后再对其作人脸识别,从而克服低分辨率面部图像对人脸识别的限制。但是,现有超分辨率方法在重建过程中往往忽略了保持其原始身份信息,这直接影响生成图像的人脸识别结果。针对上述问题,提出了一种身份保持约束下的面部超分辨率重建方法IPNet,在提高低分辨率面部图像质量的同时,能保持重建后的面部图像身份。IPNet方法将语义分割网络和面部生成器相结合,通过语义分割网络提取低维隐码和多分辨率空间特征,进而指导面部生成器输出接近于原图的真实面部图像。在此基础上引入人脸识别网络,将身份信息整合到超分辨率方法中,从而约束重建前后的面部图像身份保持一致。实验结果表明,IPNet方法在超分辨率图像质量和身份保持上均优于其他对比方法。     

一种复杂光照下的人脸识别算法

为提高光照变化下的人脸识别率,提出了一种基于局部对比增强（LCE）和局部相位量化（LPQ）的人脸识别方法。采用面部对称的思想结合LCE算法对受不均匀光照的人脸图像进行光照补偿;利用LPQ算子对增强后的图片进行标记,并用分块离散余弦变换（DCT）进行降维;分块计算LPQ直方图序列作为人脸图像的特征描述向量,送入最近邻分类器进行分类识别。通过Yale B和CAS_PEAL数据库上的实验,证实了所提方法的有效性。     

弱光照环境下人脸表情图像识别方法研究

对弱光照环境下人脸表情图像进行识别,可以更好地对人类的情感进行分类,有利于人类在现实社会中的沟通。当前方法利用提取人脸表情图像的一维特征完成对弱光照环境下人脸表情图像的识别,该方法无法对人脸表情图像进行详细地描述,导致人脸表情图像在识别时经常出现识别精度低、速度慢的问题。为此,提出一种基于BP神经网络的弱光照环境下人脸表情图像识别方法。该方法首先利用自相似性对带有噪声的图像进行图像区域划分,并依据统计学习获得线性空间,通过对空间的投影获得不含噪声的人脸表情图像区域向量,将人脸表情图像进行重组,得到去噪后的图像,然后利用Cabor变换对人脸表情图像特征进行提取,采用AdaBoost对弱分类器以及人脸表情图像样本进行训练,并通过多次弱分类器的迭代,得到最终的人脸表情图像强分类器,完成对弱光照环境下人脸表情图像的识别。实验结果证明,所提方法可以提高人脸表情图像的识别准确率,加快识别速度,为该领域的研究发展提供强有力依据。     

基于分块Gabor特征的贝叶斯人脸识别

对贝叶斯分类中最大似然（ML）公式进行了简化,给出了一种实用的快速计算相似度的方法,在此基础上设计了基于分块Gabor特征提取的贝叶斯人脸识别算法。该算法从原始数字图像出发,先对图像矩阵进行分块,然后对分块子图像进行多分辨率的Gabor特征提取,对每一个特征块设计一个贝叶斯分类器,通过将这些分类器加权平均,得到最后的决策。在FERET人脸数据库的实验结果验证了该方法的有效性。     

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器.     

基于自适应对数变换和PCA算法的人脸识别研究

为了提高人脸识别的识别率,提出了一种基于自适应对数变换和主成分分析(PCA)算法的人脸识别方法。将人脸图像进行自适应对数变换,使人脸图像由于光照不均而引起的图像模糊得到改善;使用PCA算法对图像进行降维和特征提取,减少了图像识别的计算量,有效提高识别的效率,再用最近邻分类器(NN)进行分类识别。在ORL和Yale人脸数据库上进行了使用验证,结果表明该方法能够提高人脸识别的识别率。     

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征：把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。     

用于人脸识别的GFC方法

Gabor-Fisher分类器(GFC)人脸识别方法,首先对面部图像进行Gabor小波处理,再对得到的增广Gabor特征向量应用增强线性辨别法模型(EFM)以得到辨别特征。该方法的新颖之处在于(1)引入了Gabor小波得到增广的特征向量更好的反映了图像的特征;(2)应用EFM在对维数进行降低的同时进行分类特征提取。该种新方法在应用于光照和面部表情变化比较大的FERET数据库时优势比较明显。     

AdaBoost算法在车牌字符识别中的应用

提出了一种基于AdaBoost的车牌字符自动识别算法。AdaBoost是一种构建准确分类器的学习算法，它将一族弱学习算法通过一定规则结合成为一个强学习算法，从而通过样本训练得到一个识别准确率理想的分类器，将之用于车牌字符识别，对车牌图像进行实验，对车牌字符样本进行特征提取，用特征来训练有效分类器，用MATLAB完成了对车牌照数字识别的模拟，结果证实此算法对车牌字符识别有一定准确性，具有良好的效果。     

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换（NSST）与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。     

基于自适应LBP人脸识别的身份验证

提出了一种自适应LBP人脸识别算法用于进行身份认证。在身份特征录入阶段,首先采用Harr人脸级联分类器对人脸样本库进行人脸区域检测,并使用PCA方法对人脸区域进行降维处理;然后通过LBP二值模式的人脸识别算法提取人脸样本的特征值;最后通过LBP人脸训练生成人脸数据特征库。通过多场景人脸图像库和阈值队列,通过多阈值全组人脸匹配,建立人脸阈值特征库。在身份验证阶段,将登录用户人脸与人脸阈值特征库做粗粒度人脸LBP直方图匹配,确定当前最优的LBP阈值;然后将登录用户人脸与人脸数据特征库做LBP直方图匹配,通过匹配结果确定登录用户的系统权限。实验结果表明,在图像和视频模式下,基于自适应LBP人脸识别算法的身份验证具有很高的鲁棒性。     

基于改进主动外观模型的人脸识别算法研究

提出一种基于改进主动外观模型AAM(Active appearance model)方法的人脸识别方法。先采用平移不变小波分解图像获得低频系数,把低频系数作为图像的纹理表示,能更充分表征人脸面部的纹理特征。然后采用增量子空间学习算法更新训练样本的特征空间,通过实时对模型的更新和学习,实时更新特征空间更有效地描述样本图像间的相似性或差异性。最后把提取的面部特征点信息作为每个人脸的特征向量,根据最近邻分类器进行人脸识别验证。实验结果证明了该改进方法的有效性。     

浅析人脸识别解锁系统的现状与展望

作为人工智能中人脸识别的技术之一,人脸识别是对人的面部特征与信息进行采集,对显示的面部影像,首先检测在拍摄镜头中是否有人脸,若检测到人脸,则进一步的给出脸的位置、形状和各个面部器官的坐标、形状等信息。处理器提取信息后,将其与已知的面部特征进行对比,从而识别用户的身份。它包括人脸检测、人脸跟踪、人脸对比三项主要内容。而人脸识别解锁系统就是基于人脸识别技术的基础上,通过识别人脸来对户与设备中存储的人脸信息进行比对进而判断该用户是否能够进入系统的技术。用户通过电子设备的摄像头拍摄自己的面部影像,使设备预先记录下了本人的面部信息。然后再通过摄像头对采集的影像进行比对进而开放设备。如果登录用户的脸与"预先设定的身份认证信息"比对结果成功,那么用户就可进入并使用设备。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于DCT与改进分块2DPCA算法的人脸识别

提出一种离散余弦变换和改进的分块二维主元分析相结合的人脸识别方法。该算法利用DCT压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低所需特征的维数,减少计算量。通过IM2DPCA进行特征提取得到人脸识别特征,运用最近邻分类器完成人脸的识别。在基于ORL、YaleB、CAS-PEAL及Feret人脸数据库的实验结果证明该算法的有效性与稳健性。