人脸识别考勤技术研究

人脸识别考勤系统因其便捷性、准确性、易于管理性,取代打卡机成为一种新兴的考勤方式。本文提出一种人脸识别考勤系统的设计方案,包括人脸识别子系统和考勤管理子系统。人脸识别子系统从获取的视频中利用Adaboost算法检测出人脸区域,对检测出的人脸区域进行归一化、去噪等处理,对处理好的图像用HOG＋PCA＋LDA特征提取,把提取出的人脸特征向量与注册形成的人脸特征向量利用最近邻方法比对,将识别结果放入考勤数据库中。考勤管理子系统主要实现的有考勤规则的制定、对考勤数据做统计并生成报表及系统维护等功能。     

人脸边缘表示与估计的识别方法研究

人脸识别研究是利用计算机对人物身份的鉴别。为了探究人脸边缘特征表达方法,克服人脸识别受光照,时间和衰老等影响的难题,本文提出一种基于Wedgelet和四元数小波变换(QWT)的二维边缘特征表示与估计的人脸识别方法。本文提出的方法在标准1996 FERET数据库上得到很好的识别效果,其中Fc,DupI和DupII子集都高于其他方法,具有较低的计算复杂度和较高的计算精度。     

基于Log-Gabor滤波和LBP算子的光照不变人脸识别方法

提出了一种基于Log-Gabor滤波和局部二值模式(local binary patterns,LBP)算子的光照不变人脸识别方法.该方法首先对人脸图像进行对数变换预处理,有效改善剧烈光照变化对人脸图像的不利影响.然后采用Log-Gabor滤波器与图像进行卷积,得到不同尺度和不同方向下的人脸Log-Gabor特征图像.在此基础上,再使用LBP算子对Log-Gabor图像进行描述,最后将所有的Log-Gabor图像的LBP特征进行简单连接,作为人脸的特征向量.将所提出的方法在YaleB数据库上进行实验,实验结果表明该方法能够有效提高复杂光照条件下的人脸识别率.     

基于距离测度的PCA人脸识别研究

应用主成分分析法对ORL人脸库及YALE人脸库进行特征提取,采用最近邻分类器及5种不同的距离测度进行人脸识别。结果表明:不同的距离测度及累计方差贡献率对PCA(Principal Component Analysis,主成分分析)人脸识别结果影响较大,在累计方差贡献率分别取0.75,0.8,0.9,0.95的条件下,对于ORL人脸库,曼哈顿距离和闵可夫斯基距离下PCA人脸识别正确识别率随累计方差贡献率增大而呈减小趋势;欧几里德距离和夹角余弦距离下PCA人脸识别正确率随累计方差贡献率增大而先增大后减小;切比雪夫距离下的PCA人脸识别正确率保持不变。累计方差贡献率取0.8,以欧几里德距离作为距离测度的PCA人脸识别算法对ORL人脸库取得最高的正确识别率为96.67%,对YALE人脸库,取得的正确识别率为95.56%,验证了算法的有效性。欧几里德距离是PCA人脸识别正确率最高的距离测度。     

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。     

基于LWSFLA-SVM的人脸识别算法*

目的用线性调整惯性权重的蛙跳算法(linear decreasing inertia weight shuffled frog leaping algorithm,LWSFLA)训练支持向量机(support vectors machines,SVM),解决人脸识别中SVM在训练样本数较多且维数较高时,识别效果不理想的缺陷。方法该算法先用反向学习法产生初始群体提高初始解的质量,再修改最差青蛙的更新策略,并引入线性递减的惯性权重,最后应用于人脸识别中。结果与结论 ORL和CAS-PEAL-R1人脸库的仿真实验表明,LWSFLA-SVM方法的人脸识别时间短,识别率高,在训练样本不足时,识别效果良好。     

基于Cholesky分解的K2DPCA人脸识别研究

K2DPCA(kernel 2D principal component analysis)是基于非线性特征提取的重要人脸识别方法,具有成功的应用.但对大规模训练数据库,其因核矩阵K规模过大、计算代价高而不能有效实现.采用选主元Cholesky,分解方法,仅需计算核矩阵的对角线上元素和部分精选列,得到迹范数意义下核矩阵K的最优Nystr(o|¨)m型低秩近似LL~T来解决该问题.并只需计算小规模矩阵L~TL的特征值和特征向量,实现大规模K2DPCA/KPCA(kernel principal component anialysis)的非线性特征提取.在加噪ORL人脸数据库上的实验结果表明,较K2DPCA/KPCA方法,新方法显著提高了识别率,并可以很大程度上克服噪声的影响;在Extended YaleB大型人脸数据库上的实验结果表明,此算法解决了K2DPCA核矩阵过大而不能有效实现的缺点.     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.     

基于改进的2DPCA对近红外人脸图像的识别方法

基于二维主成分分析（two dimensional principal component analysis, 2DPCA）算法与近红外人脸识别方法, 提出一种双向2DPCA算法和双向对称2DPCA
算法, 得到了识别率更高的人脸识别方法, 解决了环境光照对人脸识别的影响.     

Gabor滤波和蚁群优化BP神经网络的人脸识别

研究了使用Gabor滤波和PCA主成分分析法来实现人脸特征提取并使用蚁群优化BP神经网络进行人脸识别的方法.首先,使用Gabor滤波器对预处理后的图像生成不同尺度和方向下的特征向量,然后使用PCA主成分分析法对特征向量进行压缩,为了提高BP神经网络对表情的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的各参数,最后使用优化后的BP神经网络进行训练和人脸识别.仿真实验表明文中的方法能有效地实现对人脸表情进行分类,且较其他方法具有更高的识别率.