非限制环境下的低秩协同人脸性别识别研究

人脸性别识别是计算机视觉和机器学习的热门研究课题,但目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。在提取特征前采用低秩分解配准未对齐的图像并降低污染和噪声的影响,使得提取的特征能够很好地反映图像原有的信息。识别环节采用稀疏表示的改进算法—协同表示,其使用l2范数替代l1范数优化问题易于求解。在实验中,选用AR,CAS-PEAL和You Tube三种数据库对算法进行测试,结果表明本算法性能与其他主流算法相比有明显优势。

基于卷积神经网络的人脸性别识别

人脸性别识别是人脸识别的重要组成部分,但是人脸识别容易受到光照、旋转、平移、遮挡等因素的影响。将卷积神经网络引入到人脸性别识别中,该网络的结构具有稀疏连接和权值共享的优点,卷积层和采样层交替进行,简化了模型的复杂度。实验表明,该方法的网络结构有效地克服了旋转、遮挡等因素的影响,具有较好的鲁棒性。

全局融合卷积神经网络的边缘分类的人脸性别识别

人脸性别识别是人脸识别领域研究的热门课题.为了进一步提高人脸性别识别的准确率,在传统的融合模型基础上,提出一种新型全局融合卷积神经网络模型(NFDCNN).在NFDCNN模型结构上,每两采样层之间的卷积层在卷积特征提取之前融合前一级的子采样特征,这种方法可以保留原始的特征信息同时与深层纹理融合,具有高度的还原度,缩小网络误差.NFDCNN模型分类函数在常规的Softmax上做了改进,引入了区域边缘分类函数AM-Softmax,该分类函数在归类上是以一块区域为界限来划分,挤压同类,扩大类间距离,缩小类内距离.实验是在不同的人脸数据集上采用该模型方法与其他先进方法对比,验证了提出的NFDCNN模型分类识别是有效的.

人脸性别识别综述

该文是对现有的人脸性别识别方法的综述。文中分别介绍了主要的特征提取算法和分类方法，还对一些典型的性别分类方法进行了比较和评价，并在此基础上对人脸性别识别的研究进行了总结和展望。

以学生为中心的初中人工智能课程的教学研究——以“基于卷积神经网络的人脸性别识别”为例

本文将复杂的卷积神经网络内容化繁为简,将理论讲解部分设置为不同的师生互动环节,激发学生对人工智能的兴趣。在实践应用环节引导学生将人工智能技术应用于身边的生活,让课程更适合学生,增强学生的信息意识和社会责任感。

基于多特征深度学习的人脸性别识别

为解决人脸性别识别这一传统模式识别领域中富有挑战性的难题,提出一种联合人脸高层特征学习和低层特征学习的深层网络模型。利用卷积和下采样交替提取人脸局部的、抽象的特征,重建原始的输入人脸图像,以学习人脸全局的特征作为补充。联合两类特征时,加入一个可训练的权重进行调节,利用这种多特征结构进行最终的性别分类。实验结果表明,该方法在学习能力和泛化能力上具有超越现有人脸性别识别方法的优秀性能。

一种融合流形学习的视频人脸性别识别改进算法

如何有效利用视频中人脸之间的时空连续性信息来克服人脸分辨率低、图像尺度变化大和姿态、光照变化以及遮挡等问题是视频人脸识别的关键所在。提出了一种基于流形学习的视频人脸性别识别算法。该算法不仅可以通过聚类融合学习来挖掘视频内在的连续性信息,同时能发现人脸数据中内在非线性结构信息而获得低维本质的流形结构。在UCSD/Honda和自采集数据库上与静态的算法比较结果表明,所提算法能够获得更好的识别率。

基于多层特征融合可调监督函数卷积神经网络的人脸性别识别

为了进一步提高性别识别的准确率,提出了一种基于多层特征融合与可调监督函数机制结合的卷积神经网络(L-MFCNN)模型,并将之用于人脸性别识别。与传统卷积神经网络(CNN)不同,L-MFCNN将多个浅层中间卷积层特征输出与最后卷积层特征输出相结合,融合多层卷积层的特征,不仅利用了深层卷积的整体语义信息,还考虑了浅层卷积的细节局部纹理信息,使得性别识别更加准确。此外L-MFCNN还引入具有可调目标监督函数机制的large-margin softmax loss作为输出层,利用其调节不同的间隔(margin)的机制来有效引导深层卷积网络学习,使得同种性别间的类内间距更小,不同性别间的类间距更大,获得更好的性别识别效果。在多个人脸数据集上的性别识别实验结果表明,L-MFCNN的识别准确率要高于其他传统的卷积网络模型。L-MFCNN模型也为将来的人脸性别识别研究提供了新的思路与方向。

基于双路卷积神经网络的人脸性别识别

为了解决近、远景下拍摄的图片中由于语义信息相差过大造成人脸性别识别准确率低的问题,建立一种双路卷积神经网络模型。首先模型分别采用深度不同的两路网络进行特征提取再融合以此丰富人脸特征语义信息;同时在模型中引入Slice和Eltwise层对特征映射图进行筛选以降低运算量;此外还采用AM-Softmax函数,进一步增大类间,缩小类内差异。模型分别在多个人脸数据集上进行实验,结果表明双路卷积神经网络模型对于提高近、远景下人脸的性别识别准确率有良好的效果。

基于HOG-多尺度LBP特征的人脸性别识别

针对人脸性别识别中单一特征描述子对人脸信息表达的不足,提出一种方向梯度直方图(histogram of oriented gradient,HOG)和多尺度局部二值模式(local binary patterns,LBP)多特征融合的人脸性别识别算法.首先,对输入图像进行裁剪和缩放得到多个分辨率的人脸图像,再分别提取LBP统计直方图并合成一个特征向量;然后,提取目标图像头肩模型的HOG特征得到HOG特征向量;最后,将LBP特征向量与HOG特征向量合成一个新的特征向量,应用支持向量机(support vector machine,SVM)进行训练.在自建的人脸库中采用10折交叉法测试该算法的准确性,准确率可达93.0%,结果表明该算法对人脸性别识别的准确率优于其他单一的特征提取算法.

基于有监督的核局部线性嵌入的人脸性别识别

流形学习方法可以有效地发现存在于高维图像空间的低维子流形并进行维数约简,但它是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简。针对这两个问题,提出一种新的有监督的核局部线性嵌入算法(SKLLE,supervised ker-nel local linear embedding)。该算法通过非线性核映射将人脸样本投影到高维核特征空间,然后将人脸局部流形的结构信息和样本的类别信息进行有效地结合进行维数约简,提取低维鉴别流形特征用于分类。SKLLE算法不仅能发现嵌入于高维人脸图像的低维子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高人脸性别识别的性能。

梯度-LBP优化深度图像分析的性别人脸识别

针对目前最先进的3DLBP人脸识别算法中仍存在特征长度大、编码不稳定等固有缺陷,提出了一种基于梯度LBP的深度图像分析算法。从各种不同方向视觉化LBP算子,计算相邻像素的深度差,产生多个有导向的深度差图像,串联合并各个深度差直方图信息,形成唯一有导向的深度差直方图。在Kinect和范围扫描仪数据库图像上的所有实验均证明了所提描述符优于3DLBP。此外,还加权合并所提描述符和灰度图像的LBPU2,在高质量3D范围扫描仪数据库图像(Texas 3DFR)和Kinect设备采集的低质量图像(EURECOM Kinect人脸数据库)上的总体平均识别率可高达96.70%。

基于局部二元模式算子的人脸性别分类方法

提出了两种基于局部二元模式(Local Binary Pattern,LBP)算子的人脸性别分类方法:级联LBP方法和boosting LBP方法.前一种方法遵循从局部到整体的级联策略,使用LBP算子对由小波分解得到的细节图像进行特征提取,以达到扩充特征提取范围和增强所提取特征的有效性的目的,随后采用自适应加权机制对人脸图像的各个分块赋以不同的权值.后一种方法采用可变尺寸的子窗口对人脸图像进行扫描,在扫描所得的每个子窗口中,使用LBP算子对该子窗口提取LBP直方图.计算样本图像的LBP直方图和模板的LBP直方图之间的度量,并由此构建弱分类器集.利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器.进行了三个基于LBP算子的人脸性别分类实验,实验所使用的训练集和测试集皆选自FERET人脸数据库.实验结果证明:LBP算子能有效地从人脸图像中提取出针对人脸性别分类的特征,并可以达到人脸性别分类的目的.所提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题.

改进KNN-SVM的性别识别

针对支持向量机(SVM)在超平面附近进行性别识别的不准确性,引入进行加权的K近邻(KNN)算法。提出了结合加权KNN和SVM的改进KNN-SVM算法,该算法用少量已知性别样本自动确定加权KNN与SVM的最优分类阈值,并计算待识别样本和支持向量机所确定的超平面的距离,通过距离与阈值的比较进行性别识别。基于FERET人脸库进行性别实验,实验结果表明,该算法比SVM算法和不进行加权处理的KNN-SVM算法的识别率更高。

基于Adaboost人脸检测融合五官特征的性别识别

为了有效地利用人脸的五官特征以提高人脸检测与性别识别的性能,提出一种自然场景下的人脸性别识别算法.首先通过级联低阈值的人脸检测器和肤色、五官检测器来对人脸进行检测,并利用五官特征对人脸进行矫正、标定;然后对人脸图像进行LBP特征提取,并通过加入权重集来增大特征中五官特征的权重,提高识别率.检测结果表明:该算法在自行建立的OWN数据库中有较好的人脸检测率;同时在公开的FERET及LFW数据库上均取得了较高的性别识别率,且对自然场景中的光照、人脸表情和位置的变化具有较高的鲁棒性.

基于PSO的CNN算法的改进

针对卷积神经网络(CNN)算法收敛速度慢的问题,本文采用粒子群算法(PSO),将CNN的训练参数和误差函数分别作为PSO的粒子和适应度函数,对CNN的误差反传阶段进行改进.通过对AR人脸数据库性别识别的实验仿真,验证了改进的算法收敛速度快并且识别精度高.