人脸识别技术产品的发展概况

介绍了人脸识别技术产品的发展概况和当前的市场状况,对目前国内外典型人脸识别商用产品的实用算法进行了分析和比较,指出其存在的问题,并对入脸识别技术发展进行了展望.     

人脸识别技术在门禁系统中的应用研究

近几年,作为生物特征识别技术中非常重要的一项,人脸识别技术具有独特的发展优势,逐渐成为人工智能以及模式识别的一项焦点,受到了很多研究者以及机构的关注。人脸识别技术具有方便、直接以及友好的优势,因此在很多领域得到了广泛的应用。文章将人脸识别技术应用于门禁系统,制定出一种设计方案有效提升人脸识别门禁系统的识别效率,在系统设计的过程中采用了较新的特征提取算法,即2DLDA算法来实现人脸特征的识别,最后使用邻分类器来实现分类识别的功能。     

浅析智能门禁系统中的人脸识别技术探究

随着社会经济不断发展,科学技术取得了进一步发展,人脸识别技术作为一项新型技术,能够结合生物特征,具有明显的友好、直接等优势,将人脸识别技术运用于智能门禁系统中,在丰富门禁系统功能的同时,也为人们提供了更加安全的居住环境。本文将对人脸识别技术概述及算法进行分析和研究,并提出人脸识别技术在智能门禁系统运行流程,旨在为相关领域的发展提供技术支持。     

基于PCA算法的人脸识别技术研究

身处信息时代,为了保护信息安全,如何准确鉴定某个人的身份,已经成为社会各界的难点.作为生物识别技术的一个重要分支,人脸识别技术在商业、安全、身份认证等领域有着广泛的应用.通过对传统PCA、分块PCA、MPCA以及二维PCA的人脸识别算法中的特征抽取方法以及对算法取不同参数情况下的性能和算法间性能对比,得出二维PCA性能...     

基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。     

基于小波变换的人脸识别技术研究

文章提出了基于小波分解与PCA变换相结合的人脸特征提取方法,首先对人脸图像进行二维小波变换,对变换后的低频分量做PCA变换以提取人脸特征,最后,使用SVM分类器进行人脸识别。为了验证方法的有效性,文章以ORL人脸库作为测试数据库,前5幅人脸作为训练样本,后5幅人脸作为测试样本,实验结果表明该方法能有效的识别处理过的人脸图像。     

基于LBP特征集成学习的人脸识别技术研究

我国传统LBP人脸识别技术只是针对局部信息进行识别而忽略全局信息,在特殊环境中,当人脸受到光线、背景变化等原因而造成模糊现象时,只采用局部识别会导致识别效率和准确度降低。对此,文章提出一种基于LBP特征集成学习的人脸识别算法C-MB-LBP,该算法主要是将人体的脸部图像进行分块并得出LBP特征,根据中心像素以及分块的灰度值进行计算,得到新的LBP特征,最后再利用近邻分类器对其特征进行识别,从而识别人脸。实验结果表明,文章所提算法对于人脸识别不再仅限于局部的识别,更注重全局识别,使人脸识别效率显著提高,识别时间大大降低。     

人脸识别技术综述

文章首先对人脸识别技术进行了介绍，其次回顾了人脸识别研究的发展历程及识别方法的基本分类，然后对当前主流的人脸识别方法展开了详细的论述，最后提出了人脸识别技术面临的问题及研究方向。     

人脸识别技术的现状和发展

人脸识别技术是近年出现的高新技术,伴随着互联网快速发展,以及人工智能、机器学习技术的广泛应用,人脸识别技术的市场化与产品化也随之进展显著。就近几年人脸识别技术的发展状况来看,其类型在不断丰富,功能性也日益增强,应用范围更为广泛。自人脸识别技术出现之后,便在短时间内得到了广泛应用,为相关领域提供了重要的基础技术保障,而可以预见的是,人脸识别技术在未来同样会具有较高的市场地位。基于此背景,本文展开人脸识别技术应用现状的研究,探究当前各领域对人脸识别技术的应用状况,同时经由对现状的分析,提出人脸识别技术的未来发展趋势。     

人脸识别领域中国专利申请现状分析

对智能识别领域中的人脸识别技术的中国专利申请进行检索,分析了历年专利申请量和申请趋势、申请人构成和地区分布、核心申请人状况,按照技术分支将其分为人脸检测、人脸跟踪、人脸表征、人脸识别及应用等,探讨我国人脸识别的专利发展趋势,为国内智能识别企业及研究机构提供专利信息和技术支持,确立专利申请的方向.     

基于OPENCV的人脸考勤系统

设计实现了一种基于几何特征的人脸识别考勤系统。通过图像的灰度积分投影来确定各器官的大体位置。通过提取人脸的左眼、右眼、鼻子和嘴巴的位置及其之间的相对距离关系等7个特征值,并赋予不同的权重来合成矢量人脸,进而与数据库进行对比实现人脸考勤。     

用于人脸识别的下颌轮廓线分类方法

研究了下颌轮廓线的分类方法,并通过下颌轮廓线分类改进人脸识别系统人脸识别系统的性能.将下颌作为人脸识别的新特征,并综合其他特征进行人脸分类,可以提高人脸识别的识别率;同时,人脸数据库根据下颌的类属分类,可以提高识别速度.通过对下颌轮廓线进行主元分析得到下颌的（PCA）特征字串,并用K mean自动聚类方法和两类划分进行了下颌轮廓线分类的尝试.实验结果表明,这种方法在人脸识别系统中取得了较好的应用,识别率和识别速度都有明显提高.     

张量正交局部敏感判别式分析及其在人脸识别中的应用

针对人脸识别的特征提取问题,本文提出了一种张量正交局部敏感判别分析(Tensor-based Orthogonal Locality Sensitive Discriminant Analysis, Tensor-OLSDA)的人脸识别算法。张量正交局部敏感判别分析在保持了流形的局部几何结构的同时加强了全局判别结构,并克服了局部敏感判别分析算法中非正交性带来的度量失真和维数估计困难等问题,从而增强了数据的可分性,提高了识别效果。张量正交局部敏感判别分析首先将人脸数据表示成高阶张量形式,在进行特征提取时将高阶张量数据沿不同阶展开,再利用特征根之间的正交性约束条件,求解正交局部敏感判别式分析特征子空间,最后将高阶人脸数据投影于这个特征子空间,进行识别。在AT&T和YaleB人脸库上的实验结果表明,Tensor-OLSDA具有良好的分类性能,能获得较为理想的识别结果。      

基于PCA算法的人脸识别

PCA算法作为一种数值分析技术,主要的应用是用于简化数据、降低数据维度。将PCA算法应用到人脸识别,能提取出人脸图像中最主要特征,去除数据的冗余和噪声。文中采用PCA进行人脸识别,能为人脸识别提取区分度高的特征数据,有效提高了识别的准确性。且在ORL和YALE人脸库进行了实验。实验结果表明,该方法对实验的人脸图像有较高的识别率。     

基于组合子空间的最优特征抽取及人脸识别

传统的线性鉴别分析存在两个缺陷:小样本问题和至多只能抽取c。1个最优鉴别向量,本文提出了一种新的、有效的基于线性鉴别分析的组合子空间最优特征抽取方法。该方法解决了人脸等图像识别任务普遍存在的小样本问题,并且能够抽取更多的有效鉴别特征。在OR[。标准人脸库上的试验表明,组合子空间鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97％的正确识别率,而且识别结果十分稳定。该结果大大优于经典的特征脸和。Fishel'脸方法在ORI_。人脸库上的识别结果。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

一种低维空间线性人脸识别方法的研究

本文在基于成分方法的基础上提出了一种低维空间线性人脸识别分析方法.该方法着重强调和突出判别能量较高的特征,从而提高在低维空间的人脸识别正确率.通过对ORL人脸数据库的实验,表明了本文提出的方法在低维空间比传统的线性判别分析法LDA和主成分分析法PCA有更高的识别正确率.     

Face Recognition Using Dense SIFT Feature Alignment

This paper addresses face recognition problem in a more challenging scenario where the training and test samples are both subject to the visual variations of poses,expressions and misalignments.We employ dense Scale-invariant feature transform (SIFT) feature matching as a generic transformation to roughly align training sampies;and then identify input facial images via an improved sparse representation model based on the aligned training samples.Compared with previous methods,the extensive experimental results demonstrate the effectiveness of our method for the task of face recognition on three benchmark datasets.