人脸自动识别技术综述

人脸自动识别技术目前仍是生物特征识别中的研究热点之一．人脸识别过程主要包括人脸检测与定位、人脸特征识别、特征分类等．主要对人脸检测和人脸特征提取与识别的研究历史、现状进行了综述,系统地对主流人脸识别算法进行了分类,总结了现阶段人脸识别研究的困难,并对未来人脸识别的发展方向进行了展望．     

面向识别的人脸三维信息估计

三维人脸识别相较当前流行的二维人脸识别具有识别精度高、防伪强度高的优势,代表了人脸识别的发展方向。因三维人脸的采集成本高昂,目前三维人脸识别无法像二维人脸识别方法那样直接借助海量人脸数据建立、优化识别算法。如何准确、高效地获取三维人脸的增广训练数据是推动三维人脸识别应用发展中最为迫切的问题。当前学术界的大量文献主要聚焦在如何得到更好的三维人脸重建可视化效果,而没有对后续的识别任务多加考虑,以至于用这些重建图像训练的三维人脸识别算法难以达到令人满意的效果。针对这一问题,提出一种面向识别的人脸三维信息估计方法。与一般方法不同,该方法直接在信息估计与后续识别之间建立互动桥梁：在人脸三维信息估计的训练过程中直接借助相应的识别网络来督促提高三维人脸信息的估计效果。为此,先构造一种三维人脸信息表示——深度-表面法向量图(DN图),然后通过真实三维数据集训练一个人脸CycleGAN模型,该模型用以学习一种从二维人脸到DN图的保留身份信息的映射并用U-Net网络的形式对其进行表示。在5个数据集上与其他方法进行了比较实验,其中在ND-2006数据集中的提升尤为显著,提高31.8%。此外,进行了数据增广下...     

基于权重函数的SIFT人脸识别算法的改进

SIFT是尺度不变特征的变换,因具有较强的鲁棒性,广泛应用于人脸识别系统当中.本文总结分析了现有采用SIFT特征提取的人脸识别技术,发现基于SIFT的识别系统所用算法的识别率不高,且耗时长.研究引入了权重函数,提出了对人脸识别系统数据库的数据结构的优化方法,不但提高了人脸识别系统的识别率,而且缩短了识别系统的运行时间.     

掌纹特征提取算法综述

掌纹特征的提取是掌纹识别中最关键的一个环节,特征提取算法的好坏很大程度上决定了系统的识别率和效率的高低．结合近年来发表的文献,按照分析和描述的方式对掌纹的特征提取方法进行了分类,并对主要特征提取算法进行了分析和特性比较,最后总结了掌纹多特征融合方法是未来掌纹特征提取方法进一步的研究方向．     

浅谈计算机人脸识别技术

人脸识别技术就是通过计算机采集人脸的特征信息,然后再通过完善的计算机算法,把这些信息与模板中的信息进行匹配对比,自动准确地辨认出人的真实身份。由于人脸识别技术可远距离采集信息,其使用方便快捷的优点是别的生物识别技术难以比拟的,然而人脸识别技术要真正进入实用,尚有很多的技术难题需要解决,相信随着人脸识别技术的发展,这一方便快捷的生物识别方式必将逐渐应用于我们的日常生活中,为人们生活带来更多便利。     

基于边缘检测的人脸灰度图像的几何特征提取

利用数字图像处理的边缘检测技术,对人脸的正面灰度图像进行了分析,提取了眼睛、鼻子、嘴等人脸的主要生理器官的几何特征,为人脸识别系统提供了新的方法。     

基于机器视觉的交通标志识别研究

在对交通标志识别系统分析的基础上,提出了交通标志检测与识别的方案。系统对采集到的图像灰度化、平滑处理后进行归一化操作,并统一图像尺寸大小,方便特征提取。把处理好的图像进行特征分割,利用HOG算法进行特征提取,采用SVM风险算法,训练数据库实现交通标志有效、自动、快速的分类。最后,采用MATLAB进行图像识别仿真,结果表明,该算法能准确识别检测出标志,并且在保证实时性的前提下,准确率较高。     

基于深度卷积神经网络的指纹纹型分类算法

传统指纹纹型分类算法的准确率直接受到相应特征提取算法的影响.在海量指纹库中,同类纹型指纹形态变化明显增大,不同类纹型界限变得模糊,仅通过人工定义的特征进行分类很难适应全部指纹数据.为解除纹型分类问题与人工定义的特征提取问题的耦合,提出一种直接在指纹原图上进行纹型识别的算法.利用卷积神经网络自动特征提取的能力从大量指纹数据中学习得到纹型特征,并通过对训练数据的设计使网络能够适应指纹的多样性,提升算法的鲁棒性.此外,多尺度网络模型平均方法使分类准确性得到进一步提升.在国际公开指纹数据集NIST DB4上测得纹型四分类准确率达94.2%.     

图像处理与神经网络识别技术在船舶分类中的应用

应用图像处理和神经网络技术,提出一种基于静态照片对船舶进行分类的方法.首先通过图像处理技术对照片提取特征,然后将这些特征作为多层前向神经网络的输入,该神经网络用BP算法(反向传播算法)来进行,由该神经网络将照片中的船只分为大型船、中型船、小型船等3类.用真实的船的尺寸作实验,实验结果证明了该方法的有效性.另外,提出一种识别船舶类型的方法,用户可以通过GUI进行模拟实验.最后,讨论海上值班系统的研究现状.研究的目的是将图像处理技术集成到传统的船舶导航设备中.     

多模态人脸识别系统研究

为了进一步提升多模态人脸识别系统的性能,引入了一种新的数据来源：三维灰度人脸模态。在多模态人脸识别系统中,不仅包含了被广泛采用的二维灰度人脸模态和三维深度人脸模态,同时还包括了三维灰度人脸模态,其来源是通过将二维灰度人脸数据与三维深度人脸数据按照三维点云中点对点的对应关系进行的映射。     

基于隐马尔可夫模型的人像鉴别算法

提出了基于小波变换和隐马尔可夫模型的人像鉴别算法. 该算法首先对图像进行3级小波分解,然后把3个不同分辨率的低频子图像由小到大排列成树状结构,形成低频小波树. 接着利用独立元分析对每个小波树枝进行去相关、降维,形成特征小波树枝,并把它作为观测向量对隐马尔可夫模型进行训练,把优化的模型参数用于人脸识别. 分析了观测向量维数与识别率的关系,以及状态个数和高斯概率混合成分的个数对识别率的影响,定性描述了隐马尔可夫模型的本质. 在ORL人脸数据库上,同其他四种相关方法进行了比较,实验结果表明,该方法识别率较高,工程上易于应用.     

浅谈神经网络的图像识别技术及方法

神经网络图像识别技术是一种新型图像识别技术，是在传统的图像识别方法和基础上融合神经网络算法的一种图像识别方法。神经网络用于图像识别一般都要提取图像特征，然后把提取好的图像特征送入神经网络识别器进行识别。BP神经网络图像识别方法不对图像作特征提取，直接把图像数据作为神经网络识别器的输入。通过用MATLAB完成的网络的训练与测试表明，不作特征提取的神经网络图像识别系统具有很强的抗干扰能力。     

模拟篮球比赛中犯规镜头扫描自动检测技术研究

利用犯规动作检测技术准确捕捉和检测篮球比赛中的犯规动作,是在对抗激烈的比赛中精准判罚的重要辅助技术。通过实验研究,提出一种犯规镜头扫描自动检测技术。该技术采用FGRG算法获取篮球运动员的动作轮廓,并利用AdaBoost 算法提取篮球运动员动作图像的关键帧,最后利用LLE算法提取特征信息来判断动作是否犯规。实验证明,该技术有效地提高了激烈对抗的篮球比赛中运动员的犯规动作自动检测识别的准确度。     

基于SVM的实时自动超声钢轨伤损检测分类系统

介绍了一个更有效的基于支持向量机的实时超声波钢轨伤损自动检测分类系统.根据钢轨伤损的特点提取特征量,利用基于支持向量机的分类预测算法实现钢轨伤损的实时检测分类,并基于统计处理的计算伤损尺寸.在嵌入式系统DSP中利用该机器学习算法实现了伤损的实时处理和测试.实现了钢轨伤损实时报警、显示伤损类型、所处轨内位置及程度.     

低数据资源条件下基于Bottleneck特征与SGMM模型的语音识别系统

语音识别系统需要大量有标注训练数据,在低数据资源条件下的识别性能往往不理想.针对数据匮乏问题,本文先研究子空间高斯混合声学模型通过参数共享减少待估计的参数规模,并使用基于最大互信息准则的区分型训练技术提高识别精度;而后在特征层面应用基于深度神经网络的Bottleneck特征来达到特征提取和降维的目的;最后将上述研究成果结合并构建了低资源条件下的语音识别系统.在国际标准的OpenKWS 2013数据库上的实验结果表明,本文的技术能够有效改善低资源条件下的系统识别性能,相比基线系统有12%左右的词错误率降低.     

浅议智能出入管理系统的信息化特点及应用

门禁系统即出入管理控制系统,它随着科技水平的发展其表现的越来越智能化,人性化,智能门禁系统的划分标准很多,只以识别方式进行分类可以分为密码识别系统、卡片识别系统、人像识别门禁系统等,但是不管什么类型的门禁系统都包含以下一些功能,有如权限管理功能、简单数据处理功能、消防、报警联动功能、通讯功能、返潜返、防尾随、互锁等功能。智能门禁系统在应用性应当具备可靠性、安全性、功能性和扩展性等条件,适应的场合主要有大夏写字楼的办公场等地。     

基于混合神经网络的多波束图像底质分类

为快速辨别海底底质类型和海底目标,在分析Kohonen自组织特征映射网络（Self Organizing Feature Map, SOFM）和学习向量量化（Learning Vector Quantization, LVQ）算法的基础上,提出一种SOFM算法与改进的LVQ算法相结合的混合神经网络分类方法.利用这种分类方法,对预处理后的多波束测深系统获取的反向散射强度数据进行训练分类.通过对在实验区域提取的检测样本的分类结果进行比较分析,表明该方法是可行、有效的,而且在底质类型特征相近的情况下,具有较好的分类效果.     

基于改进的YOLOv3和Facenet的无人机影像人脸识别

基于无人机影像的高精度人脸识别在应急救援、嫌疑人员跟踪等场景中发挥着重要作用。深度学习卷积神经网络以其较高的精度和较少的人为干扰被广泛应用于目标检测识别领域,能很好地应用于无人机影像人脸识别任务中。探究在无人机嫌疑人员识别应用场景下利用卷积网络进行人脸高精度识别,用改进后的YOLOv3(you only look once)进行无人机影像的人脸检测,将得到的预测框对齐后输入到经典的Facenet人脸识别网络中进行目标身份的判定。实验对比了改进后的YOLOv3、原始YOLOv3和MTCNN(multi-task convolutional neural network)的检测效果以及结合Facenet进行人脸识别的效果。结果表明：1)改进后的YOLOv3相对于原始YOLOv3不仅精度和召回率得到提升,而且模型参数量有所减少,无人机影像的漏检和错检现象也轻于原始YOLOv3;此外,改进后的YOLOv3相对MTCNN的AP(average precision)提升9.49%,检测速度也约是MTCNN的3倍;2)改进后的YOLOv3+Facenet相对于原始YOLOv3+Facenet及MTCNN+Facenet对人脸的区分能力更强,精度更高,对遮挡以及模糊的鲁棒性也更强。     

我国人脸识别技术风险之刑法应对

人脸识别技术的应用具有双重面向,其在网络空间内的大规模推广催生了一条组织严密、分工明确的犯罪黑色产业链。现行刑法主要存在以下规制困境：一是侵犯公民个人信息罪的适用困难;二是理论与实务对破解人脸验证行为的定罪存在分歧;三是非法使用人脸信息的规制缺位。对此,应当从人脸识别犯罪产业链的各环节入手,非法收集行为应通过实质解释将人脸信息归为“公民个人信息”,进而适用侵犯公民个人信息罪的相关规定。破解人脸验证并未破坏数据和系统安全,应构成非法控制计算机系统罪。非法使用行为需结合行为性质与用途具体判断,确定相应罪名。     

基于卷积注意力和胶囊网络的 SAR少样本目标识别方法

合成孔径雷达( SAR)目标识别在军事和民用领域都具有重要的研究价值。但由于SAR数据获取成本高、样本数目少,传统的卷积神经网络提取目标特征的能力不足,准确率低下。提出结合卷积注意力和胶囊网络的分类模型,利用胶囊网络中的多维向量神经元表示目标更多的特征;同时,考虑到少样本情况下目标特征信息缺乏,为提高神经网络的学习效率,对胶囊网络加入注意力机制,通过学习不同特征的重要程度,引导分类网络重点关注对分类结果贡献大的特征,弱化对分类结果贡献小的特征,提高神经网络的学习效率。针对MSTAR数据集和实测车辆数据集的实验结果表明,该算法的准确率高于传统的卷积神经网络和胶囊网络算法。