Eigenface算法与EBGM算法的适应性比较

Eigenface算法和EBGM算法是人脸识别的两种重要算法。前者基于图像的整体特征,后者通过Gabor变换提取图像的局部特征。在实际应用中,光照的变化、人物表情的变化和物体对人脸的遮盖等因素造成了人脸识别的困难。文章对上述两种算法在这些变化因素下的识别性能进行了研究和比较。实验结果表明EBGM算法对环境变化具有更好的适应性,能够在小样本条件下获得良好的识别能力。而Eigenface算法对环境变化较为敏感,需要大量的训练样本来保证识别效果。

特征脸和弹性匹配人脸识别算法的比较

计算机自动人脸识别技术是模式识别的一个重要分支,有着广泛的应用背景。特征脸和弹性匹配是两种主要的人脸识别算法。该文研究了视角、表情、光照等变化对两种算法的影响并对此时两种算法的性能进行了比较,理论分析和实验结果都表明此时弹性匹配的识别率优于特征脸。

人脸识别技术

人脸图像的易取性和人脸变化的多样性使人脸识别研究更富有挑战性。按照人脸检测、特征提取和识别3个关键过程,分别对基于二维和三维人脸信息的人脸识别技术和方法进行了详细的阐述;展望了人脸识别研究的趋势,并提出了可能取得突破性研究进展的研究途径。

计算机人脸识别技术综述

概述了计算机人脸识别技术的历史及发展现状,讨论了在计算机人脸识别领域占有主流地位的Eigen脸方法(主元素分析方法)、最佳鉴别矢量集法(基于Fisher线性判别准则方法和基于Foley-Sammon变换方法)、Bayesian脸方法、基于傅里叶不变特征法和弹性图匹配法。指出了各个研究方向人脸识别方法, 给出了计算机人脸识别性能评价指标,包括识别率、计算时间、数据存储量和可扩展性等。根据这些性能评价指标,对当前的各种计算机人脸识别技术进行分析评价。讨论结果表明,基于Fisher线性判别准则的最佳鉴别矢量集法,Bayesian脸方法和基于傅里叶不变特征法都有较好的性能,具有一定的应用前景.

人脸正面图像的机器识别

论文综述了近30年来人脸(正面)的机器自动识别所使用的主要方法,对其优缺点进行总结。并对当今的研究热点如特征脸、图面模板(弹性匹配)进行了比较分析。

人脸图象识别系统及其方法

一、引言如同人的指纹一样,人脸也具有唯一性,也可用来鉴别一个人的身份。现在已有实用的计算机自动指纹识别系统面世.并在安检等部门得到应用,但还没有通用成熟的人脸自动识别系统出现。人脸图象与指纹图象不同的是,前者受很多因素的干扰:人脸表情的多样性、以及外在的成象过程中的光照,图象尺寸,旋转,姿势变化等。

基于网格的自适应弹性图人脸匹配方法

采用基于脸部结构的区域分割方法将人脸分成多个子区域;用不同密集度的弹性图划分和不同的变形粒度实现弹性变形,采用确定性退火算法找到弹性变形的最佳匹配;在网格平台上通过基于时间约束的最小花费调度策略并行实现文中方法.在较大的人脸库规模和非约束环境下,该方法在识别速度和识别率上有所提高.

人脸识别方法综述

对一系列人脸识别方法进行了综合性描述。首先介绍了人脸识别的概念及其发展历史,指出了人脸识别所面临的主要困难;随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。最后介绍了人脸识别技术在国内外的应用状况。

基于特征的弹性图匹配人脸识别算法

提出一种基于特征的弹性图匹配人脸识别算法 (FEGM) .它包括两个步骤 ,首先利用 Gabor进行人脸特征(如眼、鼻子、嘴等 )的检测、定位 ,提取一组 Gabor小波系数矢量 ;然后在代价函数的约束下 ,对各个特征都执行弹性图匹配 ,并使总体代价函数尽可能的小 ,从而得到联合识别结果 .在 Yale人脸库上的实验表明 ,识别率确实得到提高 .

人脸特征提取与识别技术研究

人脸识别是模式识别和人工智能领域的一个研究热点,近年来,特征提取与识别作为人脸识别系统的关键环节得到了更为广泛和深入的研究。本文首先简要回顾了人脸识别技术的研究背景及发展历程,对目前人脸特征提取与识别的主要方法进行了分类总结。通过对各种特征提取与识别方法的分析与比较,总结了当前存在的技术困难,并展望了今后的研究趋势。

基于ASM的人脸特征点自动标定

针对经典弹性图匹配算法中人脸特征点的定位问题,本文提出了一种利用机器自标定来代替传统的手工标定的算法。本文算法首先利用可变形状模型拟合出人脸的轮廓,得到人脸关键特征点位置的初始估计,然后利用参考图像中对应特征点的Gabor系数调整初始位置,最终实现关键特征点的精确定位。实验结果表明,算法可以有效地定位出人脸特征点,定位结果稳定。

基于特征点统计特征的人脸识别优化算法(英文)

当计算人脸特征点相似度时,弹性图匹配算法认为每个特征点对于人脸识别都起到相同的作用,因此分配相同的单位权值.然而,事实并非如此.基于特征点的统计特征,提出一种新的人脸识别优化算法.利用统计理论和提取的HOG特征,可以把特征点分成主要和次要两类,并且赋予不同的权值.仿真结果表明所提出的方法不但性能较好,而且识别率较高.

基于小波变换域的人脸弹性识别方法

1引言 利用计算机进行自动、快速的人脸识别,一直是模式识别领域的前沿课题.目前的研究已不仅仅局限于人脸的几何特征,还包括统计特征和频谱特征等.许多方法考虑将多种特征结合以形成人脸的多元特征表达[1].

人脸识别技术研究

人脸识别技术(FRT)是近年来模式识别、图像处理以及计算机视觉等领域的热点研究课题之一。文中重点对现有的人脸检测与识别方法进行研究,并提出了以后的研究的重点和方向。由于人脸图像的特殊性,人脸识别问题也是模式识别领域一个相当困难的问题,要使这一技术趋于成熟还有许多工作需要做。

基于Gabor小波的人脸识别系统的实现

给出了一种基于Gabor小波的人脸识别系统的实现.该方法先利用模板匹配法定位人脸图像的眼睛,然后经过标准化使图像具有相同的基准,其余特征点的搜索采用弹性图匹配方法;特征点的粗略位置根据训练集的人脸结构知识定位,然后使用弹性图簇的数据结构求得特征点的精确位置,当各特征点的精确位置定位后,人脸的Gabor Jets就可求得;样本图像的相似程度可用与人脸特征点对应的GaborJets作度量函数表达.

基于面部曲线弹性匹配的三维人脸识别方法

提出一种基于面部径向曲线弹性匹配的三维人脸识别方法。使用人脸曲面上的多条曲线表征人脸曲面,提取三维人脸上从鼻尖点发射的多条面部径向曲线,对其进行分层弹性匹配和点距对应匹配,根据人脸不同部位受表情影响程度不同,对不同曲线识别相似度赋予不同权重进行加权融合作为总相似度用于识别。测试结果表明该方法具有很好的识别性能,并且对表情、遮挡和噪声具有较好的鲁棒性。

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。

基于弹性图匹配的实时视频流人脸识别

1引言 人脸识别作为模式识别的一个分支,近年来再次成为研究的热点,各种方法层出不穷[1].其中弹性图匹配算法较好地利用了局部灰度特征信息和形状拓扑结构特征信息,具有较高的鲁棒性而广受关注[2～7].

人脸识别方法的综述

人脸识别技术是利用计算机分析人脸图像,从中提取有效的特征信息,用来辨认身份的一门技术。在此简单介绍了近年来常用的几种人脸识别方法,如:特征脸、隐马尔科夫、神经网络、以及弹性图匹配方法等。

一种基于改进弹性束图匹配的人脸识别

针对基于弹性束图匹配(EBGM)算法的正面人脸识别,提出了一种新的优化理论。在EBGM算法中,在抽取脸部图像特征之前,需要首先预设好Gabor小波的波长。为了对EBGM算法进行优化,提出了采用遗传算法(GA)对Gabor小波波长进行最佳选择。为了对改进的算法进行评估,实验对300个FERET人脸数据库类进行了测试。在训练阶段,每个类中只取出一幅图像用来训练。经过优化后的EBGM算法匹配运算大幅度减少,识别率大约为90%,运行速度提高至原EBGM算法的1.5倍。