实时系统下LBP与CNN结合的人脸识别方法

为提高实时系统下人脸识别的效果,通过具有良好尺度不变性的圆形局部二值模式直方图提取其特征,考虑计算量和光照干扰因素的影响,采用对光照有较强鲁棒性的ULBP方式对提取到的特征降维,使用直方图交叉核方式对降维后的数据计算相似度,结合被交叉熵代价函数和Adam优化器提升训练速度的卷积神经网络进行人脸识别。结果表明,通过尺度变换与有无遮挡及表情测试,在实时系统下局部二值模式直方图和卷积神经网络结合实现的人脸识别具有良好的实时性和有效性。该研究对提高人脸识别的准确性提供了参考。

基于NTSS和压缩感知的人脸跟踪算法

提出基于NTSS和压缩感知的人脸跟踪算法,采用不同的搜索半径和步长双重采样,运用NTSS搜索方法作为目标的检测方法。通过国际标准的人脸数据库AFW和MALF视频序列进行算法的测试,并使用中心距离均值算法对压缩感知算法和基于NTSS压缩感知的人脸跟踪算法进行比对,得出基于NTSS和压缩感知的人脸跟踪算法最大可降低59. 01%的误差;此外NTSS压缩感知人脸跟踪算法在人脸发生遮挡再跟踪、人脸几何变换和在暗光条件下具有较好的鲁棒性。