VPC优化格拉斯曼流形的视频人脸识别

针对视频人脸识别中由于光照、表情、姿态等变化而严重影响识别性能的问题,提出了一种基于视频分块聚类优化格拉斯曼流形的视频人脸识别方法。首先通过去除孤立点、均匀采样、剪裁、姿势纠正等过程将视频数据集进行规范化;然后从训练视频的不同位置提取出可变长度的局部视频片段,使用基于谱聚类的高效算法将其表示为格拉斯曼流形上的点;最后,将所得到的聚类中心和测试视频中的点相匹配,并且利用基于表决的策略来完成测试视频的人脸识别。在视频人脸数据库Honda/UCSD、CMU Mobo及YouTube上的实验验证了该方法的有效性,实验结果表明,相比几种较为先进的视频人脸识别方法,该方法取得了更好的识别效果。     

基于改进的格拉斯曼流形的模糊人脸图像识别

传统算法进行模糊人脸识别的过程中,一旦人脸表情发生变化,人脸特征也将发生改变,导致人脸识别的准确性降低。为此,提出一种基于改进的格拉斯曼流形的模糊人脸识别方法。在格拉斯曼流形上构建全部模糊人脸样本图像的近邻图来估计人脸特征分布的几何结构,然后将其作为正则化项整合到模糊人脸识别的目标函数中,从而获得更精确的人脸特征投影矩阵。仿真实验结果表明,利用改进算法进行模糊人脸识别,能够提高识别的准确率和效率,效果令人满意。     

基于格拉斯曼流形的状态跟踪方法研究

传统的格拉斯曼流形状态估计是将状态空间模型置于格拉斯曼流行上,在后验跟踪模型的基础上递推估计。但是,该方法将观测模型和噪声都限制在格拉斯曼流形上会产生较大误差。针对上述问题,提出一种基于格拉斯曼流形的粒子滤波算法(Grass-Mann Manifolds-Paticle Filter,GM-PF),利用粒子滤波算法估计流形上的隐马尔科夫过程。仿真实例表明,该方法显著提高了流形上的隐马尔可夫过程的估计精度,且当噪声逐渐增大时,粒子滤波算法表现出良好的抗干扰能力和跟踪性能。     

基于异方差PLDA的外观流形建模视频人脸识别

针对现有的视频人脸识别方法不能很好地学习局部模型特定协方差的问题,为了更好地识别视频中的人脸,提出了基于异方差概率线性判别分析(PLDA)的外观流形建模(AMM)算法。首先,借助于高斯分布集合,对训练集中所有的人脸分别进行外观流形建模;然后对从视频中采集到的人脸进行聚类,并使用异方差PLDA模型学习聚类结果,从而获得表征分布的参数;最后,通过点到模型距离对测试人脸的每一帧到训练集的所有聚类进行融合匹配,并根据匹配得分最高原则完成人脸的分类。在两大通用视频人脸数据库Honda及MoBo上的实验验证了所提算法的有效性及稳定性,实验结果表明,相比其他几种较为先进的视频人脸识别算法,所提算法明显提高了识别率,并且大大降低了计算复杂度,有望应用于实时视频人脸识别系统。     

基于格拉斯曼流形的无线信道预测

对多天线无线系统的信道预测进行了研究,提出了一种基于格拉斯曼流型的信道信息动态预测方案。推导出在格拉斯曼流形上步长优化预测准则。将时间相关性信道的CSI建模成格拉斯曼流形上的时间序列,利用格拉斯曼流行的微分几何特性定义切向矢量,测地线等。以预测误差最小的原则选择最佳步长。仿真结果证明,该方案不仅可以补偿反馈延迟,而且能极大的改善误码率及和速率。     

基于流形学习的视频异常行为检测算法

随着日益突出的公共安全问题和迅速增长的视频数据流量,智能化的视频监控异常行为检测成为计算机视觉方向的研究热点。由于监督学习下的异常行为检测训练效果易受视频监控数据集分布不平衡影响,本文采用无监督学习方法得到具有时空间分辨率的异常行为检测效果。提出基于多流形谱聚类的异常行为检测方法,利用图像特征点列构建时序信息特征,利用流形学习构建空间信息特征,最终利用谱聚类方法无监督地得到视频异常行为检测结果。在UCSD数据集上进行实验验证,本文方法具有较好的检测性能和计算速度。     

一种融合流形学习的视频人脸性别识别改进算法

如何有效利用视频中人脸之间的时空连续性信息来克服人脸分辨率低、图像尺度变化大和姿态、光照变化以及遮挡等问题是视频人脸识别的关键所在.提出了一种基于流形学习的视频人脸性别识别算法.该算法不仅可以通过聚类融合学习来挖掘视频内在的连续性信息,同时能发现人脸数据中内在非线性结构信息而获得低维本质的流形结构.在UCSD/Honda和自采集数据库上与静态的算法比较结果表明,所提算法能够获得更好的识别率.     

基于动态视频的人脸识别技术研究

随着高科技的发展,人脸识别技术也在不断发展.如今市场上已经出现多种人脸识别技术.人脸识别技术作为一种生物特征识别的典型应用被应用到各个领域,如国防、司法、金融等,受到了社会的关注与认可.     

基于PTZ摄像头的视频人脸识别

针对传统的视频人脸识别技术受限于理想的环境条件,无法应用于监控场景的弊端,提出了一种基于PTZ(Pan-Tilt-Zoom,旋转-俯仰-缩放)摄像头的人脸识别方法,并结合AdaBoost人脸检测以及Mean-shift跟踪算法进行了识别.实验结果表明,该方法克服了监控场景图像分辨率低的问题,具有较好的鲁棒性.     

基于人脸识别的智能视频监控报警系统设计

随着计算机技术和图像处理技术的不断发展,智能视频监控的重要性日益显现。但是传统报警系统效率低、误码率高,安全性相对不足。立足于现代住宅防盗的实际需要,提出了利用Python语言、 OpenCV技术和软件工程的设计思想,实现一款基于人脸检测识别的自动报警系统设计,可以安全识别人脸信息,从而判断是用户还是陌生人入侵,达到入侵检测和自动报警的功能。     

人脸识别中视频回放假冒攻击的实时检测方法

利用合法用户的脸部视频进行回放假冒攻击,是目前人脸认证系统的重要安全威胁。针对此问题,本文提出了一种仅用单个普通摄像头来抵抗人脸视频假冒攻击的方法。不同于以往从人脸区域中获取假冒线索进行活体检测的方法,本文通过人脸输入图像与场景参考图像之间的背景对比,从人脸周围背景区域中寻求视频假冒攻击线索。首先,本文在尺度空间里构建人脸周围区域图像的背景特征点集合;然后,利用背景特征点集合建立识别场地背景和人脸背景的Gabor背景描述子,并用融合相位补差的相似度来进行背景比对。实验表明该方法能有效地识别视频回放假冒攻击。     

视频图像中人脸识别技术的发展与应用研究

随着科技的迅猛发展,视频监控技术已经取得了相当大的应用成果,视频监控对于我们建设安全城市起到了很大的作用,人脸识别技术在视频监控中也得到了很好的应用。人脸识别技术以其精准性和低误差的特点受到了业界的高度重视,目前,可以从视频图像中提取出人脸特征,并对其进行精准识别,将大大推动我国视频监控和身份认证等多领域的发展。利用视频图像中的人脸识别技术还能够保障民众的隐私安全,在一定程度上能降低个人信息泄露的风险。     

基于人脸识别和改进K-means的视频检索方法

针对海量视频库,传统方法检索目标人物视频片段仅仅采用视频帧的全局特征进行匹配,导致对视频帧中的变化无法兼顾,无法准确检索人物视频.因此提出了人脸识别和改进的K-means聚类相结合提取关键帧的方法.首先,利用多任务卷积神经网络从视频帧的不同角度检测人脸并保留置信度,然后提取人脸特征,对提取的人的面部特征用置信度进行加权...     

基于语义的文本流形研究

 本文通过引入包括Isomap流形降维、查询语义词典(WordNet)等高度非线性的方法,期望将文本信息处理领域长期专注于"语法"层次的研究,演进到"语义"的层次.利用流形学习工具研究了中文词汇在语义空间(分类空间)的分布聚集情况,通过利用WordNet词典进行了短信聚类的研究.实验结果表明,本文的方法能够更好地反映文本之间的内在联系.     

基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

基于非约束图像参考集匹配的视频人脸识别

针对视频人脸识别中系统不能很好地学习人脸图像有效特征的问题,提出了非约束图像参考集匹配方法,通过在两个图像集之间预先定义参考集构造多个离线的局部模型,并分别与参考集进行匹配,无需考虑所有的成对情况,从而计算出它们的相似度,有效地将视频人脸识别问题转化成二次规划问题。所提方法的有效性在Honda、MoBo及YouTube三大视频人脸数据库上进行了验证,实验结果表明,与现有的视频人脸识别方法相比,所提方法取得了更好的识别效果。     

基于聚类算法人脸识别方法的研究

研究基于聚类算法进行人脸识别的方法.通过学习过程训练RBF神经网络的连接权值、隐含层中心和宽度等参数.通过仿真实验数据对比分析了人脸图像子图像的保留个数、每幅子图像保留奇异值向量的个数以及聚类因数、因数的选取,为聚类算法人脸识别取得良好的应用效果提供了量化的指导.