基于概率神经网络的多光谱人脸朝向识别

人脸识别会受到脸部遮挡与背景光照等不稳定因素干扰,导致识别精度不佳。为此,提出了概率神经网络解决多光谱条件下的人脸朝向识别。通过对数变换与指数变换调节多光谱图像,修补不完整像素,利用分段非线性转变实现直方图均衡化处理。采用主分量分析法建立特征人脸空间,将最初空间降低维度投影至另一空间,并储存人脸特征信息,确定特征矢量数目。以概率神经网络方法,构建输入和输出映射关系,计算各训练样本与权向量间距离,同时结合径向基的非线性映射,输出向量即为人脸朝向识别结果。仿真实验证明,所提方法可有效识别出多光谱人脸朝向,准确率为96.86%。

基于概率神经网络的近红外人脸朝向识别方法

近红外人脸图像受到光照干扰的影响,导致近红外图像噪声较大且清晰度较低,人脸朝向识别难度较大,为此提出基于概率神经网络的近红外人脸朝向识别方法。首先结合多级小波分解和样条插值法对光照干扰下的近红外人脸图像加以补偿,然后通过二维主元分析法提取图像特征向量,再建立概率神经网络并利用模拟退火粒子群算法优化网络平滑因子,最后将待识别近红外人脸图像输入至训练后神经网络之中,实现人脸朝向识别。实验结果表明,所提方法的近红外人脸图像预处理效果更好,人脸朝向识别pitch角、yam角和roll角误差值容许范围分别为97%、97%、92%,MAE、STD和RMSE分别为3.49、3.45、5.00,均优于文献对比方法,人脸朝向识别精度较高。

由人脸朝向驱动的多方向投影交互系统

提出了一种在相对自然的环境条件下进行人脸朝向方向(FO)分析的算法.先通过粗略的基于多摄像头的密度算法实现人脸朝向方向的粗略的朝向分析;然后根据初步朝向结果选举最合适的单个摄像头来继续更精细的朝向分析;并且通过获得的最终的人脸朝向方向来控制一个投影仪的投影方向,实现投影仪投影方向自动适应人脸朝向的新型人机交互方式.通过本文工作,初步建立了一个研究人脸朝向问题的试验平台,并且利用该试验平台来完成一个新型人机交互的应用实例,为人脸朝向在人机交互方面的其他应用系统奠定试验基础.

基于BP网络的人脸朝向识别方法

为了使仿人机器人的视觉系统能够识别出人脸,利用BP神经网络的理论知识,研究人脸识别技术,对图像中人脸朝向判别进行实验研究。实验采用Matlab工具箱进行BP网络设计,实现对人脸角度方向的判别。讨论了输入和目标向量设计BP神经网络结构的设计,以及网络参数和训练参数的设定等问题。实验结果表明,BP神经网络可以根据输入图像的二值化信息,以一定的准确率判别该图像的人脸朝向。

基于BP网络的人脸朝向识别模型

本文基于BP神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤,建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验,实验结果表明,该方法识别准确率高、识别过程速度快。最后,我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。

基于LVQ神经网络的人脸朝向识别方法

为了满足图像和视屏中人脸的位置,朝向和旋转都不是固定的特点,利用LVQ神经网络模型对图像中人脸朝向识别进行研究.实验采用Matlab工具箱进行LVQ神经网络设计,实现对人脸朝向的判断.实验结果显示,LVQ神经网络可以根据输入图像的二值信息,以较高准确率判断该图像的人脸朝向.

基于人脸朝向的非穿戴自然人机交互

提出了一种新颖的基于人脸朝向的非穿戴人机交互新方法.采用主动形状模型确定人脸面部轮廓特征点,克服光照和人脸姿态变化影响,在简化冗余信息的同时,降低计算复杂度.基于最大三角化划分面部轮廓特征,在此基础上,基于Kinect摄像机将构建的二维人脸模型映射至三维空间,动态求解面部朝向的法向量,通过图像帧间的均值滤波确定空间交互目标.用户无需佩带任何标记,且其活动不受约束,满足人机交互舒适性、多元性要求,实现非穿戴自然人机交互.通过实验对比,验证了本文方法有效、可行.

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。

基于BP神经网络的人脸朝向分类的新思路

针对人脸朝向分类这一问题,使用BP神经网络进行判别分析是一个较为成熟的方案,在此基础上,提出了一种新的特征值提取方法。首先探测人脸图像边界并将其转化成二值化的0-1矩阵,分割取出图像中眼睛部分对应的矩阵数据;考虑到人脸图像的特殊性,即头部鬓角的信息数据可能造成干扰,删减相应的矩阵信息;接着进行特征值的提取,取出矩阵中为1的元素分布的"离散程度"和分布位置的平均值形成二维向量;最终以该二维向量为神经网络的输入,5种人脸朝向分类为神经网络的输出,正确识别率可以达到100%。这样的特征值提取方式使特征值具有实际意义,相比于PCA特征值提取法更易理解;无需求出人眼的具体位置,相比于求人眼位置的几何方法更加简洁。

基于学习向量量化神经网络的人脸朝向识别方法

针对传统人脸朝向识别算法中识别准确率较低的缺点,本文采用基于学习向量量化神经网络的识别方法,通过提取人脸图像中眼睛位置的特征向量并对朝向不同的人脸图像样本进行学习训练,优化了学习向量量化神经网络各层间的权值参数,取得了较高准确度的识别效果;仿真结果表明,采用学习向量量化神经网络的识别方法对人脸朝向进行识别可行有效,正确识别率可以达到95%以上,识别率与抗干扰性明显优于误差反传神经网络法。

基于发育网络的人脸朝向识别研究

针对人脸识别中人脸的朝向、位置以及背景光线不固定的特点,提出了一种基于发育网络的人脸朝向识别新方法.对图像进行处理后发现人眼的特征非常突出,故选择眼睛的位置作为人脸朝向的特征向量,利用发育网络模型对不同背景光线图像中人脸的朝向进行识别.通过和其它方法的测试结果对比,该方法可以有效地解决不同光照条件下人脸朝向识别问题,并具有快速、稳定、高效的特点,且识别率高达100%.

基于概率神经网络(PNN)的人脸朝向识别

同样的人脸拍摄角度不同,得到的特征向量也会有较大的差别,所以同一张人脸稍有偏向,计算机却可能会当成是不同的人。如果拍摄角度相同,那么同样的人脸对应的特征向量变化不大。所以人脸位置朝向问题的分析研究对于整个人脸识别问题具有重要的改进意义。本文应用概率神经网络对人脸朝向进行识别,实验表明PNN网络能够很好地解决人脸朝向识别问题。

一种基于特征点的快速人脸朝向检测算法

人脸朝向是判断学生是否认真听课的重要线索,而其中所涉及的物体姿态检测技术一般需要6轴传感器、KINECT等专业设备。本文提出了一种采用单摄像头的便捷人脸朝向检测算法,该算法在基准照片和转动后的照片中找出人脸的5对匹配特征点,然后根据光学成像原理,通过粒子群算法找出这些匹配特征点所对应的旋转矩阵,从而求出旋转角度。实验表明,对刚性物体该算法的测量精度可以达到2度左右。该方法可以广泛用于人脸朝向检测,或其他物体的姿态检测。

人脸朝向检测中PCA子空间构造方法研究

研究了主分量分析(PCA)子空间在人脸朝向检测中的构造方法.首先,用训练集中的人脸样本构造主PCA空间;其次,根据4种不同的人脸朝向分别构造4个辅PCA空间;最后,对测试集中的人脸先经过主PCA空间判断是否为人脸,再对判定为人脸的测试样本用4个辅PCA空间进行人脸朝向检测.实验结果表明,测试样本先经过主PCA空间然后再经过辅PCA空间的分类结果好于只用4个辅PCA空间的分类结果,并且对表情变化、脸部饰物有良好的鲁棒性.

基于随机权重的自组织竞争网络人脸朝向识别模型

像素可反映人脸特征,通过随机权重可将像素矩阵变换为一个N维向量,从而可用自组织竞争网络模型进行识别。随机产生一系列权重向量,可得当N为10和14时识别正确率最高,达到92%。再分别产生100个随机权重向量,并作识别模拟,平均正确率分别为91.62%和88.56%,标准差分别为0.0194和0.0148。模型识别率高、稳定性好,是一种有效的人脸朝向识别模型。

基于人眼识别的人脸朝向识别方法

辨别人脸的朝向是当今服务类机器人所面临的难题之一。将人眼识别技术用于人脸的朝向识别,以解决图像对称带来的的干扰,实验结果表明该方法具有显著的效果。实验使用MATLAB软件设计了脸部提取以及人眼识别的相关算法,通过对人脸的5个朝向的学习,实现对输入的任意图像,以较高的准确率判别人脸的朝向。

基于脉冲耦合神经网络的人脸朝向分析

人脸朝向特征提取是人脸朝向识别的关键。本文采用基于脉冲耦合神经网络(Pulse Coupled Neural Network,简称PCNN)的特征提取方法,分别基于其熵序列、对数序列、时间序列、标准方差序列,完成了多维信息到一维信息的转化,并针对椒盐噪声影响下对数序列的分类效果进行分析。通过欧氏距离法进行人脸朝向的分类识别,结果表明,基于PCNN对数序列对人脸朝向特征提取的正确率可达96%,并且具有一定的抗噪能力。

学习矢量量化神经网络在人脸朝向识别中的应用

人脸朝向识别的研究具有重要意义,建立了基于人工神经网络(ANN)的人脸朝向识别模型,根据学习矢量量化(LVQ)神经网络的原理,利用MATLAB神经网络工具箱,完成网络的建立、网络训练和网络测试,并通过仿真实验来实现人脸定位识别。实验结果表明,LVQ神经网络模型判断并识别任何特定人脸图像的方法是有效的。

基于LVQ神经网络的人脸朝向识别算法

为了解决业界流行的人脸朝向识别算法人脸识别准确率较低的问题,提出了一种基于学习向量量化(LVQ)神经网络的人脸朝向识别算法。首先,介绍了传统的LVQ神经网络算法,并分析了算法存在的问题;然后,根据图像和视频中人脸的位置、朝向和旋转都不固定的特点,对LVQ神经网络算法进行改进,优化了该算法各层间的权值参数,取得了较高准确度的识别效果;最后,将该算法与误差反传(BP)神经网络法进行识别效果对比测试。仿真结果表明,该算法人脸朝向识别正确率可达99%以上,识别率与抗干扰性效果较好。

Face Orientation Normalization Using Eye Positions

Despite the fact that progress in face recognition algorithms over the last decades has been made, changing lighting conditions and different face orientation still remain as a challenging problem. A standard face recognition system identifies the person by comparing the input picture against pictures of all faces in a database and finding the best match. Usually face matching is carried out in two steps： during the first step detection of a face is done by finding exact position of it in a complex background （various lightning condition）, and in the second step face identification is performed using gathered databases. In reality detected faces can appear in different position and they can be rotated, so these disturbances reduce quality of the recognition algorithms dramatically. In this paper to increase the identification accuracy we propose original geometric normalization of the face, based on extracted facial feature position such as eyes. For the eyes localization lbllowing methods has been used： color based method, mean eye template and SVM （Support Vector Machine） technique. Experimental investigation has shown that the best results for eye center detection can be achieved using SVM technique. The recognition rate increases statistically by 28% using face orientation normalization based on the eyes position.