基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。

人脸识别的Boosting N-Tuple网络方法

传统的N-tuple型网络是通过对输入样本进行二值化后作N元采样形成K个RAM神经元来构成。本文为了处理实值输入的需要,将稀疏RAM神经元替换RAM神经元从而获得该类网络的一个改进版本。另一方面,基于K和N值由经验确定以致于难以控制网络规模的事实,将Boosting方法应用于改进的N-tuple网络。其结果是:1、所构造的若干基本分类器使用不同的训练集,同一个样本提交给不同基本分类器的特征也不同;2、Boosting方法可以直接应用于高维数据;3、Boosting的提升性能几乎与网络规模无关;4、应用于人脸识别时无需显式地进行人脸特征的提取和选择。

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这3个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar和adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量;样本由表情数据库产生,经过神经网络样本训练后,进行表情识别;结果表明,该系统对人脸表情识别速度明显快于Gabor小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor小波算法少,运行较流畅;得出结论:因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能多地保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。

基于卷积神经网络的视频监控人脸识别方法

视频监控中的人脸识别算法主要包含人脸检测、预处理、特征提取和特征匹配(人脸识别)4个部分,其中最重要的是人脸检测和特征匹配。视频监控图像中的人脸可能有多姿态、多尺度和局部遮挡等问题,对人脸的提取和识别有较大影响。采用基于Haar特征的AdaBoost算法实时检测出视频中的人脸区域,获取人脸图像,通过卷积神经网络(CNN)训练得到人脸图像的深层特征,进而进行人脸识别。实验结果表明:该方法可以满足识别准确率和实时检测的要求,对视频图像中光照变化、姿态变化、尺度变化和局部遮挡等问题具有较好的鲁棒性。