一种人脸图像识别算法的研究

针对人脸图像识别精度不高的缺点,本文将改进的Gabor,DLDA和最小二乘向量机进行融合了一种新的算法。在该算法中,首先通过Gabor中引入支持向量的字典学习算法,提高人脸信息,其次在DLDA中采用降低同类中距离偏大的样本之间的类内距离,去除了无用的样本,最后通过最小二乘向量机筛选出优良的样本。在仿真实验中与其他人脸识别算法进行对比,取得了比较好的识别效果。     

DCT特征与SVM分类在人脸检测中的应用

人脸检测作为人脸识别系统的重要一环,越来越受到技术研究和商业应用的关注。针对人脸检测中时间和检测率不能很好保证的情况,提出了使用DCT变换和支持向量机的人脸检测算法。利用离散余弦变换的系数作为支持向量机的输入特征值,证明该方法能提高人脸检测的准确性,并缩短检测时间。     

一种鲁棒性强的光照人脸预处理算法

为解决变光照下人脸识别率低问题,提出一种鲁棒性强的光照人脸处理算法(ISSR)。首先对亮度图像进行粗估计,然后通过非线性运算在反射图像中对粗估计的亮度图像进行补偿,最后采用支持向量机建立人脸识别分类器,并采用Yale、CMU-PIE和AR人脸库进行仿真测试。结果表明,相对于其它光照处理算法,ISSR算法增强了人脸图像的质量,提高不同光照条件下的人脸图像识别正确率,鲁棒性更强。     

基于局部LBP特征的人脸识别

将人脸图像划分为互不相交的矩形块,提取各分块的LBP特征,并将各块LBP特征按序组合表征人脸图像。利用支持向量机(Support Vector Machine,SVM)算法对训练分类器,进行人脸识别。在YALE人脸库上进行的实验表明,基于局部LBP特征的支持向量机分类器的准确率能够达到93.33%。     

基于PCA和神经网络的人脸识别算法研究

在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。     

图像识别在考生身份认证系统中的应用

针对传统考生身份认证方法的缺陷,提出一种基于人脸识别的考生身份认证系统。首先利用图像采集系统采集考生人脸图像,然后对人脸图像进行特征提取和特征选择,并将人脸特征输入到人脸特征库进行匹配,最后采用支持向量机算法对人脸进行分类识别。实验结果表明,该系统提高了考生身份识别的正确率,减少了识别时间,能够很好满足实际考试的要求。     

基于2DPCA和Fisher的嵌入式人脸识别系统的实现

使用人脸类Haar特征进行人脸检测,采用2DPCA与Fisher结合的降维算法得到人脸特征子空间,将经过PC机得到的样本特征子空间文件通过网络传输到嵌入式平台,结合最近邻算法识别人脸,实现了一种嵌入式人脸识别系统,较好地解决了嵌入式人脸识别系统由于图像处理数据巨大而造成处理效率低的难点。基于EELiod270嵌入式开发平台实现了该系统,结合实际图片进行了人脸识别测试,实践结果表明系统效果良好。     

基于Garbor滤波和PCA的双核LSSVM人脸识别

为了对具有不同表情和姿势等特征的人脸进行有效识别,同时解决以往人脸识别方法的维数灾和识别准确率低的问题,提出了一种基于Garbor滤波和双核LSSVM的人脸识别方法。首先,采用Gabor滤波器提取原始人脸图像在不同尺度和方向上的人脸特征向量,然后采用主成分分析法对特征向量降维以解决维数灾问题。为了解决传统最小二乘支持向量机方法中核函数选取不能同时具有较强外推能力和插值能力的缺点,设计了一种新的核函数综合加权了多项式核函数和径向基函数。最后,采用训练样本数据对LSSVM进行训练得到最终的人脸分类模型。采用Matlab仿真工具对文中方法进行仿真,并与其它方法进行对比,实验结果表明文中的方法能有效地实现对人脸表情进行分类,且具有分类效率高和识别精度高的优点。     

基于PCA-LDA与蚁群优化BP神经网络的人脸识别算法

针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

基于“频谱脸”和SVM的人脸识别方法

针对传统PCA的人脸识别方法在向量化人脸过程中丢失结构特征的问题,提出了一种基于频谱脸和支持向量机的人脸识别方法。首先选取人脸图像经小波分解后的低频分量作为人脸特征的描述,然后用SVM和最近邻法构建复合分类器进行分类,在ORL数据集上的实验结果表明,本文方法取得了比传统方法更好的识别性能。     

一种基于二维经验模式分解的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二维经验模式分解的人脸识别方法。首先利用二维经验模式分解对人脸图像进行分解,再提取各分解子图像的能量作为人脸特征向量,并采用支持向量机进行训练和识别。经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别率高于小波方法,正确率达到98.6%。     

基于深度学习的人脸识别跟随六足机器人

本文介绍了一种基于深度学习的人脸识别算法进行人脸检测达到智能跟随的六足机器人。该机器人系统包括人脸捕捉单元、主控制单元和行为运动控制单元。所述人脸捕捉单元是利用摄像机获取人脸图像或视频并传输给机器人主控制单元。而主控制单元运用改进的VGG-Net人脸识别算法进行人脸检测,再根据检测结果发出信号到行为运动控制单元完成智能跟随,通过驱动直流电机实现六足机器人的运动。     

基于小波和PCA的人脸识别系统的研究与实现

人脸识别技术是人脸识别系统以人脸图像作为识别身份的媒介。主成分分析(Principal Components Analysis)~[1-2]即是人脸识别算法中一种常用的方法,算法寻求的是能最大程度代表原始信息的特征信息。理解了算法的原理,基于平台实现了人脸识别系统。该系统首先对图像进行预处理,预处理的目的是为了减弱光照、噪声等非线性因素的干扰,再以人脸库中的部分图像为训练样本,采用算法计算训练样本得到特征脸向量,然后用工具箱~[3]中的函数对训练样本进行训练得到模型,通过训练出来的模型用部分测试样本进行预测,最后分类识别得出结果。实验证明,该系统识别率较高,具有一定的参考和研究价值。     

基于支持向量机的局部二值模式加权算法在人脸识别中的应用

针对人脸特征的提取问题,提出了在SVM的基础上结合局部二值模式(LBP)加权算法。首先描述了人脸图像的LBP和深度LBP特征,通过加权形成人脸特征向量,通过这些向量采用支持向量机进行分类,依托人脸数据库进行仿真。实验结果表明,本文算法提高了人脸平均识别率以及识别效率,具有一定的推广价值。     

基于支持向量机的局部二值模式加权算法在人脸识别中的应用

针对人脸特征的提取问题,提出了在SVM的基础上结合局部二值模式(LBP)加权算法。首先首先描述了人脸图像的LBP和深度LBP特征,通过加权形成人脸特征向量,通过这些向量采用支持向量机进行分类,依托人脸数据库进行仿真。实验结果表明,本文算法提高了人脸平均识别率以及识别效率,具有一定的推广价值。     

基于Gabor和支持向量机的遮挡人脸识别

提出一种针对部分遮挡的人脸图像进行分类识别的新算法。采用Gabor小波变换对人脸图像进行特征提取,从而得到图像的Gabor特征矩阵。并利用支持向量机的方法实现遮挡人脸的分类识别。经仿真实验证明该算法有效。     

基于Curvelet与2DPCA的嵌入式人脸识别

针对小波变换在嵌入式人脸识别中的不足,提出了Curvelet(曲波)变换结合2DPCA(二维主分量分析)的嵌入式人脸识别.采用Curvelet变换进行人脸图像特征的提取,经过比较,选取了Wrapping算法,然后利用2DPCA进行降维,并结合最近邻算法进行人脸识别.实验结果表明该方法很好得解决了人脸特征维数过高、数据量...     

基于主元分析构造强分类器的人脸检测算法

本文研究了基于特征脸的人脸检测算法,针对其分类能力差的特点,基于主元分析提取特征向量空间构造弱分类器,结合AdaBoost算法构造强分类器,提出了一种人脸检测算法。利用MIT+CMU人脸数据库测试该算法的性能,结果表明本算法在运行时间与检测正确率方面明显优于基于神经网路的算法和支持向量机算法。     

基于PCA算法人脸识别的matlab实现

本文介绍了人脸识别中常用的PCA算法,并在matlab环境下分别实现了基于PCA的人脸识别,融合了小波变换,PCA,奇异值分解等方法简化特征提取和识别过程,采用了ORL人脸数据库作为实验库,验证了该方法可以有效地进行识别,对实际应用有一定参考价值。     

一种基于核聚类的模糊支持向量机方法

模糊支持向量机（FSVM）具有很好的抗噪声能力,受到了很多专家的重视。然而模糊支持向量机算法的时间复杂度通常较高。针对这一不足,本文提出了一种基于核聚类的模糊支持向量机算法。首先根据核聚类算法对每一类原始样本进行聚类,然后对每一簇求样本中心,用样本中心作为新的样本点替换该类别的原始样本。最后本文算法利用中心距离型计算新样本的模糊权重,并利用模糊支持向量机算法进行求解。实验充分验证了本文算法相对于传统模糊支持向量机方法具有更快的分类速度。