基于部件和支持向量机的人脸分类

提出一种基于部件的人脸分类方法,将人脸部件的离散余弦变换系数作为特征向量,通过支持向量机训练分类器。部件分类器确定了人脸图像中的部件区域,人脸分类器确定了人脸图像的所属类别。ORL人脸图像数据库仿真实验表明,该方法对表情、姿态变化具有很好的鲁棒性。

基于局部彩色二元模式纹理特征的人脸分类方法

针对现有的局部纹理特征在光照变化下的人脸分类准确率不高的问题,提出一种局部彩色二元模式纹理特征提取和表示方法.该方法首先求取多个信号通道的彩色向量的模,以减少单独对每个信号通道提取LBP特征导致的量化误差;其次提取任意两个信号通道之间的像素彩色夹角来减少光照变化的影响.对于给定的测试人脸图像集,通过SVM的二分类器投票得到人脸图像的分类.在Color FERET和XM2VTSDB人脸图像数据库上的实验证明该方法在光照变化下可以有效地分类人脸图像.

基于人脸分类和K-L变换的人脸识别新方法

为解决目前人脸识别领域中,对含有大量人脸样本训练库识别准确性低、实时效果差的问题,本文提出了一种基于人脸分类的K-L变换人脸识别新方法。该方法首先采用协同模式将ORL人脸库中的人脸样本分成若干聚类;之后利用K-L变换的方式识别待测人脸样本。降低了参加识别比对的样本数量,提高了人脸识别的效率,适用于身份鉴别领域。

一种新的特征融合人脸分类方法

本文首先融合离散余弦变换(DCT)和Daubechies小波(Daubechies-DCT),将Daubechies-DCT方法、离散余弦变换(DCT)以及定向梯度直方图(HOG)应用于不同核函数下进行人脸分类精准度比较。其中,HOG通过将面部图像划分为较小的连接区域(称为单元格),并为每个单元格编写渐变方向的直方图,然后,我们使用DCT和Daubechies小波的融合,采用HOG方法处理以SVM(支持向量机)和KNN(K最近邻)分类器为重点的人脸分类,将融合特征输入到SVM和KNN分类器中。实验数据集使用MIT人脸数据库,结果表明,具有SVM-Rbf内核功能的HOG达到了96.5%分类精准度,使用KNN分类器的DCT在达到了94.6%的分类精准度。

基于MobileNet网络多国人脸分类识别

随着各国经济贸易、文化交流往来的日益频繁,快速、有效地区分各国人员身份是当前人脸识别领域的一项重要研究。本文特针对亚洲区域五个国家(中国、日本、韩国、泰国、印度)进行人脸分类识别的研究,本文基于MobileNet进行五国人脸分类识别,因为这五国人脸较为相似,为能有效降低冗余,本文将八度卷积插入该网络中减少冗余,提升精度;并提出使用中心损失函数和交叉熵损失函数相结合的方法来提升准确率。经过实验验证,本文提出的在网络中插入八度卷积和中心损失函数两种改进方法均可以提升准确率,其最高准确率可达87.84%,其Error top 1最低达到0.120%。

基于Hu矩和支持向量机的人脸与非人脸分类识别

区域特征和轮廓特征是表征灰度人脸图像的有效方法,而图像矩能够从整体上描述物体的几何特征。在考虑H u矩在图像形状模式表征的优势和支持向量机的分类能力的基础上提出了一种基于Hu矩和支持向量机的人脸检测方法,首先提取人脸与非人脸的Hu矩,作为图像特征,然后将特征送入支持向量机进行学习。训练采用了单样本和双样本两种方法,最后用训练得到的模型对测试样本进行测试,实验结果表明,该方法是可行的。

基于多尺度transformer的伪造人脸检测方法

考虑到目前大多数伪造人脸分类方法存在分类精度低、泛化能力差的问题,提出一种结合多尺度transformer和卷积块注意力模块的伪造人脸分类方法。多尺度transformer用来学习卷积层所提取特征图的高级语义特征,卷积块注意力模块用来增强此高级语义特征,使其更具有区分性,使用增强后的特征来进行分类。实验结果表明,该方法可以显著提高伪造人脸分类的准确性和泛化能力。

基于小波分解和分类的人脸识别

提出了一种基于小波分解和分类的人脸识别算法;算法首先对训练样本进行小波分解,以方差最大之小波系数间相关系数作为分类距离,对样本进行分类,并确定每类图像的类心;人脸识别过程首先寻找与测试样本匹配程度最高的类心图像,然后在该类心图像所在类中寻找最佳匹配图像,从而减少存储空间和计算时间,而且分类和确定类心均是离线操作,从而该算法显著加快了人脸识别速度;实验结果表明,算法有效。

人脸表情的实时分类

提出一种基于连续Adaboost算法的人脸表情实时分类方法.使用Haar特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出人脸表情分类器.实验结果表明:文中方法与支持向量机方法相比,对于人脸表情分类的正确率相当,而速度快近300倍,具有实时性和非常明显的应用价值.

基于ASM和K近邻算法的人脸脸型分类

针对人脸特征分类问题,提出一种基于主动形状模型(ASM)和K近邻算法的人脸脸型分类方法。将Hausdorff距离作为K近邻算法的距离函数,利用ASM算法提取待测图像的特征点,对点集进行归一化后计算人脸轮廓特征点与样本库中所有样本点集的Hausdorff距离,根据该距离值,通过K近邻算法实现待测图像的脸型分类。实验结果证明,该方法分类正确率高、速度快、易于实现。

基于优化支持向量机的人脸表情分类

分析了支持向量机(support vector machine,SVM)目前主要存在的问题和参数选择对分类性能的影响后,提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中,在不牺牲泛化性能的前提下,对其参数进行优化,增加了SVM初始化参数的多样性,减慢了局部搜索,促进其在全局范围内的寻优搜索,以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点,并利用由粗到精的策略构造多层SVM人脸表情分类器,在提高准确率的基础上加快分类的速度。实验证明,新算法具有速度快、准确率高的优点。

一种人脸表情分类的新方法——Manhattan距离

提出了一种利用Manhattan距离进行人脸表情分类的新方法。Manhattan距离计算出具有不同模式的两个对象的距离更大。在实验中,比较了Manhattan距离、欧氏距离、余弦距离在人脸表情分类中的性能,得出Manhattan距离比另外两类距离有着更好的识别效果。

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.

非受限条件下的深度人脸年龄分类

针对非受限条件下人脸图像年龄分类准确度较低的问题,提出了一种基于深度残差网络(ResNets)和大数据集微调的非受限条件下人脸年龄分类方法。首先,选用深度残差网络作为基础卷积神经网络模型处理人脸年龄分类问题;其次,在ImageNet数据集上对深度残差网络预训练,学习基本图像特征的表达;然后,对大规模人脸年龄图像数据集IMDB-WIKI清洗,并建立了IMDB-WIKI-8数据集用于微调深度残差网络,实现一般物体图像到人脸年龄图像的迁移学习,使模型适应于年龄段的分布并提高网络学习能力;最后,在非受限人脸数据集Adience上对微调后的网络模型进行训练和测试,并采用交叉验证方法获取年龄分类准确度。通过34/50/101/152层残差网络对比可知,随着网络层数越深年龄分类准确度越高,并利用152层残差网络获得了Adience数据集上人脸图像年龄分类的最高准确度65.01%。实验结果表明,结合更深层残差网络和大数据集微调,能有效提高人脸图像年龄分类准确度。

基于独立分量分析和遗传算法的人脸性别分类

性别是人脸反映的一个重要信息,通过人脸图像实现性别自动分类对大型人脸数据库的检索和识别具有重要意义。提出了一种新的结合独立分量分析(ICA)和遗传算法(GA)的人脸性别分类方法。首先采用快速独立分量分析方法(FastICA)提取人脸图像的独立基图像和投影向量,获得人脸的低维表征;然后通过遗传算法从该低维空间中选择对性别分类有利的特征子集;最后采用支持向量机进行分类。将ICA的空间局部特征提取功能、遗传算法快速寻优的特征选择功能以及SVM的强分类能力有机地结合起来。实验表明,该方法取得了很好的分类性能。

基于凸包的人脸粗分类方法

针对大型人脸数据库中进行人脸匹配识别时存在识别速度时间长、影响实时应用效果的问题,提出了一种基于凸包的人脸粗分类新方法。该方法从几何模式特征出发,以抽取人脸的二维凸包不变量特征为基础,使用层次聚类对人脸的轮廓线进行粗分类,建立人脸数据库的层次索引结构。在实验中,将MUCT和PICS人脸数据库的正面人脸图像粗分为六类,分类的平均准确率约为89%。验证了该方法在人脸数据库上执行快速粗分类是可行的。

基于统计学习的人脸表情分类

人脸表情分类是一个跨学科富有挑战性的前沿课题。采用主动外观模型(AAM)提取人脸表情特征,建立统计线性的外观模型。建模时分三步:外形建模,纹理建模和外观建模。在纹理建模中针对光照不均的情况,采用直方图均衡化的方法代替原来的迭代法,即缩小了光照偏差又提高了运算速度。分类器的设计对分类效果十分重要,根据样本训练集的概率统计特点设计了一类简单的表情分类器。最后用该方法对Yale人脸库中的表情分类进行实验,实验结果表明:该算法简单易行,运行速度比较快,具有一定的可行性。

基于深度学习与融入梯度信息的人脸姿态分类检测

针对人脸姿态分类问题,本文提出了一种基于深度学习与融入梯度信息的人脸姿态分类学习方法。首先提取人脸姿态图像灰度与灰度差组合特征,然后通过三层受限玻尔兹曼机(Restricted Boltzmann machines,RBM)对大量样本的特征进行融合训练学习,提取反映人脸姿态内涵的深度学习特征。最后通过Softmax分类器建立深度学习特征与人脸姿态标签的对应关系。在对CAS-PEAL-R1人脸数据库进行学习和分类检测中,获得普遍高于95%的分类精度。

基于AdaBoost算法的人脸人眼分类器的设计与实现

人脸检测和人眼定位是检测驾驶疲劳的首要工作,而人眼准确定位和检测速度直接影响后续疲劳检测的实时性和鲁棒性。基于Ada Boost算法检测速度快,泛化能力强等特点,通过建立针对驾驶环境下的人脸、人眼样本集,深入研究驾驶员的人脸人眼识别问题。实验证明,Ada Boost级联分类器不仅能够准确检测人的正脸,而且对于侧脸、戴眼睛和部分遮挡也有很高的识别率。

基于AAM关键特征点提取的人脸照片分类方法的研究与应用

主要研究基于人脸局部形状特征分类的方法,首先利用AAM的人脸形状特征点定位算法,提取出有用的人脸特征点,构成人脸下颚形状、眉毛、眼睛、鼻子和嘴巴的局部形状特征;然后采用基于形态面指数和下颚宽指数的ISODATA方法进行自动聚类,实现了百万量级人脸照片库的自动分类,有助于进一步提高人脸识别查询的速度和精度。