一种个体特征脸子空间与奇异值相结合的人脸验证算法

提出了一种个体特征脸子空间与奇异值特征相结合的人脸验证方法。该方法首先利用小波变换减小表情因素对人脸验证的影响，再为每个人建立单独的个体特征脸子空间。验证时，将测试人脸投影到训练样本的特征脸子空间上，然后利用样本特征脸子空间的奇异值特征矢量在欧氏距离上进行验证。本文为ORL人脸数据库制定了实验协议，并在此基础上进行了测试，取得了较好的结果。     

人脸图象特征抽取和识别的一种混合方法研究

提出了将Fisher线性判别、支持向量机和决策树方法相结合的人脸识别方法.首先用Fisher线性判别法对人脸图象进行特征抽取,压缩了图象的维数,再在特征空间中用SVM(Support Vector Machine)和决策树结合的方法设计人脸分类器.在ORL人脸库上的实验结果表明了该方法对解决小样本、非线性以及高维的模式识别问题的有效性.     

多特征融合的级联回归人脸对齐方法研究

深度神经网络技术在人脸识别方面已经取得了巨大进步,但是大多数方法只是运用人脸深度特征而并没有分析哪些特征是有效的.为了探索针对人脸识别任务的有效结构化特征,提出了基于多种特征级联回归方法的人脸关键点检测模型,将两两关键点对应的人脸局部特征对之间的结构关系、整张人脸图像的全局表观和关键点对应的局部热图这3种人脸特征融合之后用于人脸对齐任务.实验证明,多特征级联回归法与记忆下降法相比,人脸对齐任务错误率下降了30.17%,与最新的一些人脸对齐模型具有一定的可比性.     

人脸图象特征抽取和识别的一种混合方法研究

提出了将Fisher线性判别、支持向量机和决策树方法相结合的人脸识别方法。首先用Fisher线性判别法对人脸图象进行特征抽取，压缩了图象的维数，再在特征空间中用SVM(Support Vector Ma-chine)和决策树结合的方法设计人脸分类器。在ORL人脸库上的实验结果表明了该方法对解决小样本、非线性以及高维的模式识别问题的有效性。     

基于Brew平台的人脸检测技术

基于类Haar特征的人脸检测技术具有较好的实时性和高检测率,该文介绍了从类Haar特征出发在高通公司Brew手持设备开发平台上实现的人脸检测技术。人脸检测算法在PC机运行实现比较容易,该文对opencv库中类Haar特征检测算法在Brew平台上重新编译、优化,并将其移植在手机应用软件中。该实现方法经过手机模拟测试后表明具有较好的实时性以及较高的运行效率。     

基于奇异值分解和特征融合的镜头检测算法

镜头检测是基于内容的视频检索和浏览首先要解决的关键技术。对视频结构和镜头变换进行概述,对典型的镜头检测算法进行研究分析,并提出了一种基于奇异值分解和特征融合的镜头检测算法。通过子空间投影得到帧的重构矩阵,计算帧与其重构矩阵的奇异值差,结合直方图特征进行镜头检测。实验结果表明了所提算法在镜头检测方面的有效性。     

奇异值分解降噪的改进方法

利用测试信号构造Hankel矩阵进行奇异值分解(SVD)是消除随机噪声干扰的有效方法,其关键是奇异值数目的选取,但目前尚无成熟有效的确定方法。针对这一问题,提出了一种奇异值分解降噪的改进方法,该方法依据去噪后信号极值点数量随奇异值数目变化的关系,可以准确选取与最优降噪效果对应的奇异值数目。仿真及实验结果表明,该方法准确、有效。利用该方法处理船舶和机械设备振动噪声测试信号,可有效提高其信噪比,最大程度地优化信号去噪的效果,提高分析的可靠性。     

基于结构化Fisherface的人脸识别新方法

特征提取是人脸识别中一个关键步骤.传统的Fisherface人脸识别方法中用样本的类均值和总体均值定义相应的散布矩阵,丢失了样本个体之间的结构信息,本文提出了一种基于原始样本个体结构信息的结构化Fisherface人脸识别方法,最后得到的特征数据中保留了原始样本更多的分布信息.在ORL人脸数据库的实验结果验证了该方法的有效性.     

人脸识别技术的分析与展望

介绍了人脸识别技术的发展概况,从人脸识别的三个步骤:人脸的检测与定位、人脸的特征提取和人脸的识别和验证对人脸识别技术的方法进行了分析和总结,指出了其优缺点所在和人脸识别技术面临的关键问题,最后对人脸识别技术的研究发展趋势进行了展望.     

一种基于HOG与LBP双特征融合模型的人脸年龄估计方法

人脸图像的年龄估计关键步骤在于提取特征,但各种复杂因素的影响诸如生长地域、生活习惯、遗传基因等,均会使得最终的估计结果值产生偏差,为此提出一种双特征融合模型来刻画人脸由于年龄变化而产生的不同特征,将梯度直方图(HOG)和局部二值模式(LBP)共同作为特征描述算子进行特征提取,再将二者进行特征融合,构成更为精确的年龄估计模型,随后采用支持向量回归的方法得到年龄回归函数.将所提实验在人脸数据集上,结果表明该模型可以快速且较为准确地对人脸图像进行年龄估计,较之于单独提取HOG特征,可将年龄估计的平均误差缩小0.7岁,较之于单独提取LBP特征可将年龄估计的平均误差缩小1.2岁,且该融合模型对幼儿期至青少年期的年龄估计表现效果最佳,平均估计误差在3.91岁;成年至中年期效果其次,平均估计误差在4.41岁;老年阶段人脸的平均估计误差为5.80岁.