基于Embedded MATLAB函数模块的图像相似度的实现

人脸识别算法的应用很广,这要求识别人脸的精确度要高,可通过计算待识别的图像与图像库中与之匹配的图像间的相似度来衡量是否准确识别。整个系统包括人脸识别的PCA算法的实现,主要是图像相似度的实现,通过采用Simulink模块库中的用户自定义模块—Embedded MATLAB函数模块来实现相似度算法。

分块最大相似性嵌入稀疏编码的人脸识别

图像相似性先验嵌入的方法能有效提升基于稀疏编码表示的人脸识别在低维特征空间的识别性能.针对非受控人脸图像存在表情变化、部分遮挡和伪装的问题,提出基于图像分块的最大相似性嵌入稀疏编码表示的人脸识别方法.该方法首先将训练图像和测试图像进行同样的非重叠分块;然后计算测试图像与各训练图像对应分块间的相似性,并以其最大值度量图像间的相似性;最后将提取的最大块相似性信息嵌入到稀疏编码表示的人脸识别中.在AR标准人脸库上的测试表明,与全局相似性嵌入的加权稀疏编码表示分类方法相比,文中方法在训练样本和测试样本同时存在表情变化、遮挡和伪装的人脸识别中具有较大的性能提升.

Curvelet域流形学习人脸识别算法研究

Curvelet是一种多尺度多方向的图像变换工具,能有效克服小波在表达图像沿边缘奇异特征时的冗余,形成特征的稀疏表达。进一步考虑高维图像可能存在于一个低维流形上,所以提出将曲波提取到的特征应用流形学习处理以发现其低维结构应用于人脸识别。实验表明Curvelet提取到的特征经LLE处理后能找到优于LLE下的流形结构。和已有Gabor结合流形学习人脸识别的比较研究说明,曲波结合流形学习的方法获得了高于Gabor结合流形学习的识别率,在Essex表情库和YaleB光照库上的实验证明了这一点。

视频人脸识别中基于聚类中心LLE的特征相似性融合方法

针对大部分现有视频人脸识别方法通常仅利用代表性范例或图像集而较少研究有效融合的问题,提出了一种基于聚类中心特征相似性融合方法。首先,使用局部线性嵌入从原始数据空间学习低维嵌入,并利用STHAC算法将投影划分为LLE特征空间聚类;然后,从基于局部外观的聚类中得到特征相似性,在贝叶斯最大后验概率分类框架中对范例点和聚类子空间进行相关相似性匹配;最后,借助于范例重要性概率完成人脸的识别。在视频人脸数据集CMU Mobo、Honda/UCSD和ChokePoint上的实验验证了所提方法的有效性,实验结果表明,相比几种传统的方法,所提方法取得了较高的识别精度和较低的计算复杂度。

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.

基于云计算的嵌入式人脸识别系统建构与研究

针对嵌入式系统运算、存储资源有限等缺陷,采用先进的FaceCore人脸检测开放平台构建一套基于云计算的嵌入式人脸图像处理系统;通过在高性能嵌入式平台接入图像采集设备采集图像信息,然后将复杂的图像处理、检测、识别等算法转移到云平台进行,实现人脸特征值检测、人脸特征点检测、人脸相似度检测、人脸匹配等功能,减少了嵌入式系统的本地运算负担,降低了嵌入式人脸检测、识别系统的软硬件成本;最后通过对多个不同年龄、性别的人进行人脸检测识别、人脸和嘴的位置检测以及图像中人脸个数检测,分别得到检测时间的平均值;实验结果验证了构建基于云计算的嵌入式人脸识别实时系统的可行性,系统的稳定性、可靠性,并且与以前直接在本地进行计算做比较,具有较高的实时性,为未来嵌入式系统进行实时的图像处理提供了一种更有效的解决方案。

基于核邻域保持判别嵌入的人脸识别

为了提取高维人脸图像中的非线性特征,提出一种新的非线性降维方法:核邻域保持判别嵌入算法(KNP-DE).为了表示特征空间中类间邻域结构和不同类样本间的相似度,分别构建类内邻接矩阵和类间相似度矩阵.通过使用核技巧,KNPDE将邻域保持嵌入(NPE)和Fisher判别准则相结合,在保持特征空间中类内邻域结构的同时充分利用类间判别信息,从而具有更强的分类能力.在Yale和UMIST人脸库上的试验结果进一步表明了该算法的有效性.

基于NEON优化的相似度搜索算法设计

在安防人脸识别系统中,往往需要在海量数据中寻找出与被搜索人相符的信息,但由于处理的对象十分庞大,必须消耗大量的时间进行相似度搜索才能得到匹配对象,搜索效率十分低下。针对这一问题,提出了一种采用余弦相似度计算的分级相似度匹配法,并运用NEON协处理器以提升运算的并行度,最终在RK3399平台上采用LFW人脸数据集进行测试。测试结果表明,此方法相比于原始的计算方法在运算速度上提高了约30倍。

基于Ghostnet轻量级人脸识别算法研究

为了提高人脸识别在嵌入式设备中的识别精度和速度,提出一种基于Ghostnet轻量级人脸识别算法—Ghostfacenet。首先,通过预设卷积生成固定数目的内在特征;针对卷积运算计算消耗大的问题,使用计算成本低廉的线性操作代替卷积运算,产生一系列与内在特征相关联的特征信息;其次,基于Ghostnet中的Ghost模块以及深度可分离卷积设计出Ghostfacenet-Bottleneck,并且由其构建出Ghostfacenet轻量级卷积神经网络;最后,联合Softmax损失函数和Arcface损失函数进一步增加人脸类内紧凑性以及类间差异,同时使得轻量级模型有更好的收敛性以及泛化能力。实验结果表明,Ghostfacenet在嵌入式设备的识别速度分别是Resnet50、Efficientnet、MobilenetV2和Mobilefacenet的11.08倍、8.57倍、2.75倍和2.82倍。在不显著降低识别性能同时能够显著提高运行效率,非常适用于资源有限的嵌入式设备中。