基于小波变换的人脸识别系统

分析目前各种人脸识别技术的优缺点并实现了一种基于小波变换的人脸识别系统,根据试验结果评定该系统能比较精确的进行人脸的检测定位与特征提取,并最终完成人脸识别确认,具有很高的实用价值和广泛的应用前景。     

基于特征脸法的人脸识别算法

人脸识别是机器视觉和模式识别领域中一个相当困难而又痛理论意义和实际价值的研究课题。人脸识别技术通过分析人脸图像,并从人脸图像中提取有效的识别信息,来辨认人的身份。基于特征脸的方法是人脸识别的常用方法。阐述了基于特征脸法的人脸识别的具体步骤算法,再利用ORL人脸库对其进行了测试。试验结果表明,特征脸法一定条件下可以较为准确的识别人脸;而在脸部表情变化较大以及光照条件变化较大的情况下,可以使用加权特征脸法,用人脸原始图像与重构图像的差值来代替原人脸图像而建立新的人脸图像库,取适当的加权系数,能够收到更好的识别效果。     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

一种基于距离测度的改进快速PCA人脸识别

目的针对传统PCA在人脸识别过程中对光照敏感、特征提取中出现的耗时长、内存高、首次命中识别率不高等问题进行研究,提出改进方案。方法通过直方图均衡化来减少图像亮度变化带来的影响。使用1种快速PCA方法来加速计算降维过程中的样本协方差矩阵的本征值和本征向量,进一步提出根据特征向量重构测试样本特征向量的方法来提高首次命中识别率。结果将其应用到FERET人脸库进行特征提取,采用多种不同的距离测度进行分类。实验结果验证了该方法在有效降低运算时间的同时能获取较高的识别率。结论提出了1种改进的快速PCA算法进行人脸识别。与传统PCA算法相比,提出的方法减少了计算时间,提高了识别率。     

基于深度学习的人脸自动识别模型构建

利用Google的开源框架TensorFlow搭建一个卷积神经网络模型,以实现自动人脸识别。将LFW人脸数据集和需要被识别对象的人脸图像作为人脸样本库,对构建的深度学习模型进行训练,训练之后再用测试样本进行测试。测试结果表明,在需要被识别对象的样本数量达到1024时,该模型识别率可以达到99.9%,同时,增加被识别对象样本,识别率还会有所提高。     

特征脸算法人脸识别系统

人脸识别技术,是指对给定的一个人脸图像,从存储的已知身份的人脸图像库中识别出该人身份的一种技术。其主要应用于证件验证、刑侦破案、门禁系统、视频监控等领域。实现了基于特征脸算法的人脸识别系统,在实验中采用的人脸图像数据库为ESSEX大学的FACES94人脸图像数据库。该系统的优点是识别速度快、准确率高,具有一定的实际应用价值。     

特征选择模糊加权多通道Gabor人脸识别

对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法：依据各通道特征可分离性判据确定特征提取区域、计算通道权值，采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度；考虑了各通道识别能力的差异性；更好地解决了分类“边界”问题.在AR, CAS-PEAL-R1, YaleB和ORL人脸库上的实验结果表明，本文方法较传统多通道Gabor表征方法具有更高的识别率，平均识别时间较传统整体表征有较大的优势.     

一种层级处理的人脸光照归一化方法

采用层级处理模式,提出了一种新的人脸光照归一化方法,先对图像光照进行自动判定,决定采用何种方法进行预处理,减小不同光照下人脸灰度的差异。再根据Gamma校正算法的特点,设计了一种更适应人脸图像校正的参数计算方法。本方法在样本归一化后,使得图像的本真信息不丢失,而且提高了图像对比度。大量的实验表明,该方法可以有效提高人脸识别功能的适用范围,能够在更远距离或复杂光照下进行识别。     

人脸面部特征提取综述

人脸面部特征提取是人脸识别的必要基础和前提,其因人脸识别技术巨大的应用价值及市场潜力,引起备方面的关注,已经成为图像工程和模式识别领域的研究热点。阐述了常用的人脸面部特征提取方法,并对面部特征提取方法的近期发展情况进行了分析。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。