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.     

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。     

基于改进协同表示的二级分类人脸识别方法

基于协同表示分类(CRC)算法在实际应用中的效果,考虑到样本局部相似性先验信息对分类识别的不同贡献,构建加权矩阵,并嵌入到CRC中,称为加权CRC.为进一步改善人脸识别的性能,设计了如下算法:一种将加权CRC重复两次;另一种则将其与线性表示分类(LRC)结合.两种方法的共同特点为:首先基于主成分分析(PCA)对所有图像样本进行降维,以降低计算的复杂度;其次都是在第一阶段的加权CRC中根据重构残差排序保留相关性较大的训练样本用于下一阶段的分类识别.这种缩小分类目标的做法,使识别更精确.在ORL,FERET及AR人脸数据库上通过仿真验证了本文所提方法的有效性.     

基于K均值聚类方法的加权模块化人脸图像识别算法

提出一种非监督K均值聚类的人脸识别方法,该方法首先根据人脸结构特征将人脸图像矩阵分块,接着自适应地计算每个分块在分类中的权值,最后根据类别的权值大小进行分类。实验中采用了Orl和Yale人脸库和最近邻分类器测试该方法,测试结果表明,此方法有效,且对光照和人脸表情具有很好的鲁棒性,较传统的经典人脸识别法具有更高的识别率。     

基于2D-Gabor滤波和主成分分析的人脸识别算法

提出了一种2D-Gabor滤波和主成分分析相结合的新的人脸识别算法。首先将人脸库的所有样本进行图像预处理,并将由2D-Gabor滤波后产生的图像作为独立的样本加入到样本库中,从而减少了小样本问题对人脸识别效率的影响,再结合经典的主成分分析方法进行人脸识别。试验证明,与单独的主成分分析法相比,该方法可以有效的提高识别率。     

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。     

一种改进的多任务级联卷积神经网络人脸检测算法

人脸识别是人工智能的重要应用领域之一,人脸检测是人脸识别的关键步骤.由于姿势变化、外物遮挡以及光源方向等多方面因素的影响,人脸检测的准确率不高,并且对于多人图片,往往很难准确地识别出所有人脸.提出了一种改进的多任务级联卷积神经网络的人脸检测算法(IMTCNN):对R-Net层网络集成图片信息卷积残差模块,通过扩大特征图的感受野来获取更多人脸信息,以提升R-Net层网络对人脸目标的检测鲁棒性,并且通过加入反卷积层和最大池化层解决特征融合时维度不一致问题;对O-Net层网络集成图片信息卷积残差模块,进一步提升对多人图片的人脸检测性能,降低人脸检测过程中受外部条件影响产生的误差,同时添加2个卷积池化层使特征融合时维度一致.通过改进R-Net层和O-Net层集成图片信息卷积残差模块,扩大特征图的感受野,对图片进行人脸候选框定、选区筛选以及人脸关键点定位,最终实现人脸检测.试验结果表明,该算法速度快,准确性高,并且可以一次性检测多张人脸,为后续人脸识别打下了良好的基础.     

基于多阶局部二值模式的图像纹理提取技术探讨

人脸特征提取,是人脸识别技术过程中必不可缺、非常关键的步骤之一,目前常见的方法有基于面部器官的特征提取、基于模板的特征提取、基于代数方法的特征提取、基于弹性匹配法的特征提取等多种方法,T.Ojala等人提出了局部二值模式(Local Binary Pattern,LBP)方法,利用它来进行图像的纹理特征提取。利用局部二值模式算子验证了二阶局部二值模式方法更有利于提高图像的识别效果,方法简单易行,计算量小,如能与其它的方法一起配合使用,则能大大提高图像的识别率。     

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。     

基于改进的加权分块2D-PCA人脸识别技术的研究

比较了PCA(Principal Component Analysis)和2D-PCA(Two-Dimensional Principal Component Analysis)人脸识别算法。在2D-PCA的基础上提出了一种改进算法,即基于整体区域、感兴趣区域与非感兴趣区域的加权分块2D-PCA算法。该算法借助权值的动态调整,最终实现了最优解。基于知名脸库ORL设计实验来验证文中提出的改进的加权分块2D-PCA算法。分析试验结果表明,发现本算法识别率达到97.5%,较PCA算法提高21.66%,较2D-PCA算法提高10.08%,进一步证实本算法较PCA和2D-PCA显著提高了人脸识别的准确率。     

基于子图特征组合的人脸识别技术研究

提出了一种基于子图特征组合的人脸特征提取方法,并结合BP神经网络给出一种人脸识别模型.模型首先将人脸图片分割为子图,然后对每个子图进行离散余弦变换并选择最大的余弦系数表示该子图,最后将这些系数组合为向量作为整幅图像的特征.我们选择BP神经网络作为人脸识别模型中的分类器,并通过实验优化相关参数.基于ORL数据库的模拟实验表明,所提出的特征提取算法是有效的,并且模型具有较高的识别率.     

隐马尔可夫模型下基于SIFT特征的局部遮挡目标识别

提出一种利用隐马尔可夫模型建立目标特征匹配库来识别图像中局部遮挡目标的新方法。该方法首先通过SIFT算法提取目标SIFT特征,然后采用隐马尔可夫模型对目标所有的SIFT特征进行训练,得到目标SIFT特征对应的模型输出概率范围,将该概率范围作为目标特征匹配库。在对图像中的目标进行识别时,利用目标特征匹配库可以把目标特征从图像所有特征中识别出来,即使目标遮挡比例为60%时,该方法仍能识别出目标。实验结果表明,新方法可以精准地识别出图像中被遮挡目标,能够很好地解决遮挡情况下的目标识别问题。与现有局部遮挡目标识别算法相比,新方法所取得的目标识别率均有所提高。     

基于人脸检测的视频压缩

本文在研究监控系统的视频图像压缩基础上,提出了给予人脸对象分割的视频压缩。首先利用运动信息分割出入体轮廓,并综合运用人体的特征与形态数学的方法成功地分离出入脸大致区域;然后采用基于改进统计彩色信息模型方法,精确分割出入脸区域,去掉了不相关的冗余信息;最后提出了利用图像小波变换结合差分链码技术描述了人脸对象,并实现了高效的视频压缩。本文提出的视频压缩算法在同等压缩效率下,与MPEG-2算法相比提高了图像PSNR近3dB,而且经过本算法处理的视频序列,可以方便地用于人脸检测,为基于内容的检测打下良好的基础。     

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。     

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。     

利用图像熵识别纸币扎把

纸币扎把的识别是纸币处理一个关键环节。目前识别纸币扎把的方法有图像颜色识别法和图像噪声边沿法,两种方法都需要保证扎把颜色与背景色有较大的差异,而且计算复杂。提出了图像分块的图像熵计算方式来完成纸币捆中的扎把区域识别的新思路,放宽了条件,提高了识别速度。     

利用图像熵识别纸币扎把

纸币扎把的识别是纸币处理一个关键环节。目前识别纸币扎把的方法有图像颜色识别法和图像噪声边沿法,两种方法都需要保证扎把颜色与背景色有较大的差异,而且计算复杂。提出了图像分块的图像熵计算方式来完成纸币捆中的扎把区域识别的新思路,放宽了条件,提高了识别速度。     

基于图像的课堂考勤系统开发

基于图像的课堂考勤系统,即能节省时间又能提高学校管理的智能化。整个图像课堂点名系统可分为五个功能模块,训练学生的人脸模型模块、课堂图像中的人脸检测模块和加载检测到的图像进行人脸识别模块以及点名结果的数据显示等功能。实现一个可以节省大量时间和使课堂点名更加快速和高效的系统,从而提高了教学质量和更加智能的进行学生的出勤记录管理。