基于子模式的人脸局部遮挡智能识别方法

为了提升局部遮挡情况下人脸的识别效率和精度,提出一种基于子模式的人脸局部遮挡智能识别方法。利用自适应小波变换方法多尺度分解人脸图像,基于此,引入小波模极大值算法和Canny算子,有效提取图像边缘特征;引入局部方向纹理模式算子,经过计算获取各个子模式特征值,同时采用边缘返回值确定计算人脸图像纹理特征时的权重分配,将梯度和纹理信息进行融合,实现人脸局部遮挡智能识别。实验结果表明,所提方法的遮挡人脸误识率始终低于0.2%,当遮挡率为25%时,所提方法的人脸识别率仍可达94%,可以为人脸识别的深入研究提供依据。

基于深度学习的局部遮挡人脸图像识别方法研究

在控制科学与工程领域,局部遮挡人脸图像识别因其在复杂场景中的应用需求而备受关注。本文提出一种基于深度学习的识别方法,详细设计VGG算法与ResNet算法结合的RepVGG混合算法后,阐述了RepVGG的通道注意力机制和SoftPool池化改进的具体过程,实现了对局部遮挡人脸图像的高效识别。此外,通过本文研究方法与传统方法对比的仿真实验,验证了本文方法的优越性和鲁棒性。

快速局部遮挡人脸检测算法研究

针对Adaboost人脸检测算法在分类器训练过程中耗时较多的问题,对Adaboost算法进行了详细分析,提出了加快寻找每一轮最佳弱分类器的四点均值法。该方法对每个特征,计算所有训练样本对应的特征值,并将其从小到大排序,求相邻的4个特征值的平均值,该平均值作为阈值,计算错误率,找出最佳弱分类器。减少特征量,修改弱分类器权重,加快收敛速度,使用不同遮挡部位的人脸样本训练分类器,实现了局部遮挡人脸的检测。实验结果表明,该方法明显提高了训练速度,缩短训练时间,并能较准确地检测局部遮挡人脸。

基于低秩稀疏与网络学习的遮挡人脸识别研究

局部遮挡人脸识别有利于摆脱当前人脸识别的既定条件限制,适应更多的生物识别场景,针对现有研究成果在遮挡人脸识别时表现出的盲目性与非确定性,提出了结合低秩稀疏与网络学习的人脸识别算法。算法结合了低秩稀疏与鲁棒计算,通过构建人脸学习库,为遮挡部分图像的特征分析提供依据,低秩稀疏处理能够尽可能全面的搜索图像分类,网络学习处理能够尽可能优化人脸特征学习库。算法首先引入核范数与误差矩阵构建低秩矩阵模型,同时引入稀疏误差矩阵,以获得更多的分类信息;然后利用拉格朗日对低秩稀疏模型进行寻优计算,根据最优低秩映射矩阵得到低秩学习图像与稀疏误差图像;再根据全局与局部处理要求,分别采取平滑度描述与边缘检测;最后针对低秩稀疏处理过程设计了隐层网络学习,隐层神经元能够对网络输入进行自由度较高的操作,并根据不同类型的隐层节点,对输出函数采取不同的处理方式。仿真结果表明,结合低秩稀疏与网络学习的人脸识别算法有效降低了遮挡噪声的敏感性,提高了算法处理的鲁棒性,对于局部遮挡人脸的识别具有更好的可靠性与实时性。