基于神经网络的人脸自动识别

该文应用神经网络技术构建了一个完整的人脸识别系统。首先使用基于眼睛位置估计的方法从人脸图像中分割出对识别有意义的纯脸,然后使用自组织映射进行特征压缩,提取有效的鉴别特征。最后使用基于知识的模糊神经网络进行分类。在NUSTDBII人脸数据库上的实验得到了令人满意的结果,并且表明该方法对人脸的姿态及表情有一定的不敏感性。

一种基于奇异值特征的神经网络人脸识别新途径

本文在ZHong等人使用的奇异值分解 (SVD)基础上 ,将人脸图像矩阵的奇异值作为识别特征 ,解决了奇异值处理、神经网络训练策略和竞争选择问题 ;运用BP网络进行识别 ,提出了一种基于奇异值特征的神经网络人脸识别新方法 .基于ORL人脸数据库的多次反复实验结果表明 ,在大样本情况下 ,识别方法具有实现简单、识别速度快、识别率高的特点 ,为人脸的实时识别提供了一种新途径 .

基于BP神经网络的人脸识别方法

人脸自动识别是计算机模式识别领域的一个活跃课题，有着十分广泛的应用前景．文中提出了基于ＢＰ神经网络的人脸识别方法，讨论了人脸图像矢量的特征压缩问题、网络隐含层神经元数选取问题、网络输入矢量的标准化处理问题以及网络连接权值的初值选取问题．对由１８人、每人１２幅图像组成的人脸图像数据库做识别实验。

BP和RBF神经网络在人脸识别中的比较

BP和RBF是模式识别中应用最为广泛的2种神经网络,本文将这2种网络应用于人脸识别,分别建立了人脸识别模型。利用ORL人脸图像数据库进行了仿真实验,通过对比分析它们各自的识别率和泛化能力等性能指标,提出了在应用这2种神经网络进行模式识别时应注意的方面。

基于模糊神经网络的人脸识别方法研究

人脸识别是模式识别研究领域的重要课题,具有广阔的应用前景。本文提出了基于模糊神 经网络的人脸识别方法。首先用最优鉴别分析方法提取人脸的最优鉴别矢量集,构成特征空间,然后在 特征空间中设计模糊神经网络分类器。在ORL人脸图象库上的实验结果表明了该方法的有效性。

基于神经网络的人脸特征提取及识别

该文使用神经网络技术对人脸的特征提取及识别做了研究。在降低图像解析度的基础上使用神经网络来进行特征压缩,可以有效地降低特征维数。使用神经网络分类器对压缩后的特征进行分类,分类结果以隶属度来表征待识别人脸属于各类别的可能性。实验结果证明了该方法的有效性。

基于差别特征的神经网络人脸识别

根据视觉识别的差别特征分辨特性，该文对自联想神经网络进行了改进，提出了基于差别特征的识别方法．文中采用ＯＲＬ人脸图象库进行的对比识别实验表明，改进后的差别特征神经网络对原人脸图象和加高斯噪声的人脸图象，都较自联想神经网络识别率高，证实了差别特征的有效性．

引入图像去噪处理机制的DNN模型人脸识别算法

为提高人脸图像特征描述的完整性、准确性和精细性,本研究提出一种基于去噪处理和DNN模型应用的人脸识别算法。在DNN模型的神经元激活函数和损失函数中引入了去除人脸样本自身存在和处理过程产生噪声的处理机制,采用增加模型神经元数量控制启动层数、将全连接层与分类匹配识别层合并优化模型结构,通过定义辅助参数,自主实现模型学习训练的权值和偏值参数调整,以确保本研究算法的运行效率,提高人脸识别的可靠性和稳定性。通过实验自证和与其他算法的比证,表明本研究算法对人脸特征提取的准确率达到92%以上,人脸匹配识别的准确率达到95%以上,系统运行占用CPU的处理时间在13s以下,具有一定的优势。

增强边缘梯度二值卷积神经网络的人脸姿态识别

为了提高人脸姿态识别的识别精度,设计了一种增强边缘梯度二值卷积神经网络用于识别.首先,提出ROILBC(Region of Interest Local Binary Convolution)在人脸姿态图像上提取二值特征并归类,根据二值特征图谱和原像的对比情况选择人脸姿态图像ROI(Region of Interest)以供后续网络学习.其次,提出DR-MGPC(Dimensionality Reduced Modified Gradient Pattern Convolution)提取图像边缘梯度二值特征,在此基础上,提出Enhanced DR-LDPC(Enhanced Dimensionality Reduced Local Directional Pattern Convolution)提取图像增强边缘梯度方向特征.网络采用直方图相似度、卡方检验、常态分布比对的巴氏距离法作为测量依据来进行识别;实验在FERET和CAS-PEAL-R1数据集上进行,相比其他人脸姿态识别方法,提出的二值模式卷积神经网络在识别精度和计算效率上更优异.

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。

基于局部二值特征与深度学习的人脸识别

传统人脸识别算法特征表征能力差,且对光线变化和噪声干扰敏感.为了克服这些问题,提高人脸识别的准确性,本文提出了一种基于改进卷积神经网络模型的人脸识别算法.该模型先通过分块局部二值模式提取人脸图像的纹理特征,然后将得到的纹理特征作为卷积网络的输入,在卷积网络中提取各池化层处理后得到的特征,利用提取的特征并在全连接层进行级联融合,得到最终的分类特征,最后利用Softmax分类器分类识别.实验中,将人脸库旋转不同的角度来扩充数据库和验证算法的鲁棒性,分别在ORL,YALE,AR 3个数据库进行实验,本文算法正确识别率分别达到了98.6%,95.6%,98.9%,高于经典识别算法,鲁棒性也优于对比算法.

基于LBP与卷积神经网络的人脸识别

卷积神经网络在人脸识别上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征.为了提取更加全面的人脸特征,提出一种基于局部二值模式(local binary pattern,LBP)与卷积神经网络相结合的新方法.首先,提取人脸图片的LBP特征图像,然后把LBP图像与原RGB图像结合作为网络输入数据,并且使用随机梯度下降法训练网络参数,最后用训练得到的网络模型对人脸图片进行识别.通过在LFW(labeled face in the wild)人脸识别数据库上的实验表明,在卷积神经网络中加入LBP图像信息可以提高人脸识别的准确率.另外,当增加训练数据时,提出的方法得到的识别率会进一步提高,更说明提出方法的有效性.