乔蕊
,
李靖
量子电子学报
doi:10.3969/j.issn.1007-5461.2015.03.003
针对人脸识别中存在遮挡而影响识别性能的问题,提出了一种利用快速加权主成分分析(FW-PCA),检测遮挡区域的鲁棒人脸识别算法.利用FW-PCA检测输入图像的遮挡区域,将其与图库图像的遮挡区域进行比较;利用局部二值模式匹配确定最优权重系数,利用相位相关算法匹配确定遮挡掩码;计算每个测试图像的匹配得分,并利用最近邻分类器完成人脸识别.在FRGC2和UND人脸库上的实验结果表明,此算法的识别率可高达99.6％,相比其他几种较新的人脸识别算法,取得了更好的识别性能.
关键词:
图像处理
,
人脸识别
,
遮挡区域检测
,
快速加权PCA
,
相位相关算法
,
局部二值模式
李定珍
,
郭建昌
液晶与显示
doi:10.3788/YJYXS20132803.0440
提出一种新型、高效的基于B2DPCA(双向二维主成分分析)和ELM(极端学习机)的人脸识别算法,该算法是根据曲波变换分解人脸图像和一种改进的降维技术,通过B2DPCA生成识别特征集来训练和测试ELM分类器,提高识别精度.通过大量实验,并把实验结果与现存技术进行比较,结果表明B2DPCA+ ELM算法有效地提高了识别准确率,并降低了对原型数量的依赖.将来有望能把局部特征和基于曲波分解的全局信息结合起来应用到识别精度和分类速度上.
关键词:
人脸识别
,
双向二维主成分分析
,
极端学习机
,
降维技术
,
识别准确率
董晓庆
,
陈洪财
液晶与显示
doi:10.3788/YJYXS20153006.1016
针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-di-rectional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA 进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在 ORL 及 Yale 人脸库上的试验结果表明,Sp-(2D)2 LDA 有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。
关键词:
人脸识别
,
特征抽取
,
双向二维线性判别分析
,
子模式双向二维线性判别分析
刘洋
,
韩广良
,
史春蕾
液晶与显示
doi:10.3788/YJYXS20163112.1156
目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低，多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用 SIFT 算法对多表情人脸进行识别，在多表情人脸库上进行了两类仿真实验：实验一中对比了同一个人的不同表情的识别效果，实验二中对比了两个不同的人的相同表情的识别效果，实验结果表明 SIFT 算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对 Jaffe 表情库进行仿真实验，取得了当阈值 T ＝0．35时对多表情人脸图像的正确识别率95．69％，实验结果表明，将 SIFT 算法应用于多表情人脸识别有巨大的潜在科研价值。
关键词:
人脸识别
,
多表情
,
SIFT 算子
,
局部细节特征
郑明秋
,
杨帆
液晶与显示
doi:10.3788/YJYXS20173203.0213
为了提高人脸识别正确率,提出基于改进非负矩阵分解的神经网络人脸识别算法.首先利用改进的非负矩阵分解对人脸图像进行特征提取,提高非负矩阵分解速度.接着将提取出的特征信息作为神经网络学习入口进行特征训练,由于神经网络在学习过程中,容易出现局部最小值且收敛速度慢等问题,为此采用改进的遗传算法对神经网络进行优化处理,获得最终的人脸识别结果.实验结果表明:利用改进的非负矩阵分解方法能够降低神经网络的分类训练负荷量和运算量,提高人脸识别识别率.通过和各种方法比较可知,本方法的人脸识别率都较高.本方法人脸特征分解速度快,提高了神经网络训练前期精度和收敛速度,使得人脸识别正确率高.当特征向量个数达到40以上时,人脸识别正确率保持95%以上.
关键词:
机器视觉
,
人脸识别
,
非负矩阵分解
,
遗传算法
,
神经网络
沈凌云
,
郎百和
,
朱明
液晶与显示
doi:10.3788/YJYXS20112606.0836
提出了一种基于BP人工神经网络的人脸识别新算法.采用积分投影与几何特征提取相结合的方法进行人脸图像特征提取,构建特征向量,利用BP神经网络分类识别.仿真结果表明,该算法应用于()RL人脸库的分类识别,仪用13个特征即可达到平均识别率99％,识别能力显著增强,同时有效地降低了所需特征维数和计算复杂度.
关键词:
人脸识别
,
BP神经网络
,
图像特征向量
