一种基于彩色+深度的人脸识别算法

本文提出了一种基于彩色+深度(RGB-D)的人脸识别方法,以提高识别率.首先从Kinect获得一个具有丰富的头部姿势变化、光照变化等不同条件下的彩色+深度(RGB-D)图像,将获取的同一个人在不同条件下的多个图像看做一个图像集;其次将Kinect获得的原始深度数据用于姿态估计和脸区域的自动裁剪.根据估计的姿态将一组脸部图像集分成多个子图像集.对于分类,本文提出了一种基于块的协方差矩阵表示图像模型在黎曼流形上一个子图像集的方法以降维,并使用SVM模型分别学习每个子图像集,然后将所有子图像集的结果相融合得出最终的识别结果.本文所提出的方法已经在包含不同条件下超过5 000幅RGB-D图像数据集中进行了评估.实验结果表明本文算法可实现高达98.84%的识别率.

结合Haar与Gabor特征的Adaboost人脸识别改进算法

在模式识别的众多领域中,针对于人脸识别的研究与应用逐渐成为重点和难点。尽管近些年众多学者不断钻研并改进人脸识别的算法,但是在复杂光照条件下和不同肤色的人脸识别中仍然存在着重重的不足。尤其是由于现阶段数据的计算速度和存储条件仍然不能很好地去适应优秀的算法对其的要求,因此如何改进算法,提高人脸识别的精度是本文主要研究的问题。本文结合Haar与Gabor特征提出了Adaboost人脸识别算法的改进方法,提高了人脸识别的速度和精度。