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。

基于CNN和SVM分类优化的大蒜鳞芽朝向识别研究

针对大蒜鳞芽朝上、直立栽种的特殊种植需求,研究实用性好、准确率高、抗干扰强的鳞芽朝向自动识别算法,具有重要的工程应用意义。提出基于卷积神经网络(CNN)和支持向量机(SVM)分类优化的改进算法(CNN-SVM),实现大蒜鳞芽朝向的自动识别与修正;提出SVM分类优化方案与随机参数择优、损失函数检测方法,以解决感受野小、分类效果差、过拟合等问题。研究结果表明:CNN-SVM算法的识别准确率为99.8%,单张图片识别时间为0.024 s。与经典CNN、SVM算法相比,本文所提算法对于感受野小、干扰强的识别效果更好;同时具有识别准确率高、计算规模小、对局部特征敏感等优点。不仅为大蒜自动智能播种设备的研发提供算法储备,而且可以推广应用于其他小物体识别。

基于传感器非视觉信息的无人机目标朝向识别

很多传统方法仅利用视觉外观特征不足以实现理想的无人机面向人体评估结果.针对此问题,结合非视觉信息,提出一种对目标身体朝向进行实时估计的传感器信息融合方法.首先,对每种人体朝向训练一组视觉外观模型,每一种模型对应一系列无人机采集的遥测数据非视觉信息;其次,使用隐性动态条件随机域提取传感器非视觉信息间的交互信息,并利用Akaike信息准则对提取特征进行评估选择;然后,利用提取的高辨识度特征匹配每种视觉外观模型,得到目标朝向结果;最后,根据识别的目标结果自动调整无人机面向目标的正面.实验结果表明,与传统方法相比,所提方法的目标朝向识别准确率明显提高,达到90%左右.

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。

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。

基于机器视觉的蒜种识别夹取试验台设计与试验

为实现大蒜的定向精确播种,提出一种基于机器视觉的蒜种精准识别与夹取方法,并设计蒜种识别夹取试验台,采用机器视觉方式确定蒜种的位置、朝向,使用机械臂夹取蒜种。采用阈值分割的方法分割蒜种和背景,对图像进行去噪,提取蒜种轮廓,根据识别像素点计算蒜种质心、朝向,经过识别训练和参数优化,确定识别阈值为110,识别成功率达到95%以上,平均识别时间0.06s。以金乡白皮蒜蒜种为试验对象,分析确定装置性能的指标为夹取成功率,影响因素为传送带速度、蒜种尺寸、种子夹取高度,通过三因素三水平正交试验分析,运用Design Expert软件对装置的关键结构参数进行优化,建立夹取成功率和各因素的回归模型,模型系数R_(2)^(2)为0.9433。试验结果表明:当传送带速度0.11m/s、种子夹取高度3.5mm、选取投影尺寸510~540mm2时,夹取成功率为93.73%。研究结果可为蒜种分级和大蒜的定向播种提供一定的参考。

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。

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.