曲芸芸[1]2008年在《嵌入式系统平台设计及其在人脸识别门禁系统中的应用》文中认为随着计算机技术、通信技术的飞速发展和3C(计算机、通信、消费电子)的融合,嵌入式系统已经广泛地渗透到科学研究、工程设计、军事技术、各类产业和商业文化艺术以及人们的日常生活等方方面面中。嵌入式已经成为通信和消费类产品的共同发展方向。论文的硬件平台采用基于ARM9的S3C2410X嵌入式开发板。ARM平台是目前主流的嵌入式处理器体系结构,S3C2410是韩国叁星公司生产的一款基于ARM920T体系结构的高性能CPU,已广泛应用于嵌入式领域。本文首先介绍了ARM微处理器架构和S3C2410X处理器的主要功能,之后,详细描述了NAND Flash、JTAG、以太网和USB各接口单元电路的设计和实现。论文的软件设计主要研究了嵌入式Linux操作系统以及底层驱动程序的移植过程。在该部分中首先分析了嵌入式系统的特点、Linux在嵌入式应用系统中的架构及Linux系统的启动过程,然后详细论述了从准备交叉编译环境、Bootloader移植、内核移植、根文件系统的制作和移植,一直到设备驱动程序的移植的全过程,并在此基础上建立起一个可用的稳定的软件平台。经测试,系统可以成功地在目标平台上工作,为后续的应用开发提供了很好的开发环境。论文最后介绍了在已有的软件平台上实现的应用:嵌入式人脸识别门禁系统。人脸识别技术由于其很多的优势在生物识别领域发挥着越来越重要的作用。在该部分开始给出了整个系统的硬件连接图和软件框架图,并根据所要实现的功能将整个人脸识别门禁系统分为图像采集、图像传输、图像处理、接收动作四个模块。之后对每个模块进行了详细的论述,最后给出了整个系统的测试结果,系统工作稳定。
林玲[2]2008年在《基于2D-PCA的人脸识别方法研究》文中研究说明在信息技术飞速发展的今天,信息安全显示出前所未有的重要性。电子商务、电子银行、网络安全等应用领域更是急需高效的自动身份认证技术,生物特征识别技术以其特有的稳定性、唯一性和方便性,得到越来越广泛地应用。生物特征识别技术将信息技术与生物技术相结合,利用人体本身具有的物理特征(如人脸、虹膜、掌纹等)或行为特征(如步态、签名、声音等)来确定人的身份,以取代或加强传统的身份识别方法。在生物特征识别技术中人脸识别是一个具有很高理论和应用价值的研究课题。人脸是人类视觉中最为普遍的模式,它所反映的视觉信息在人与人的交流和交往中有着及其重要的意义。人脸的特殊性,使得人脸识别技术成为最具潜力的身份识别方式,并且日益受到人们的广泛关注成为模式识别领域研究的热点。本文在对主成分分析作了深入研究的基础上,提出了一种改进的2D-PCA人脸识别方法。在训练阶段对人脸图像进行预处理,对训练样本集利用本文提出的方法计算主成分分量,定义特征空间,对每一个训练样本确定特征系数矩阵;在识别阶段对检测样本进行同样的预处理操作,并将其映射到由训练样本计算得来的特征空间之上,得到一组检测样本的特征系数矩阵;最后根据最小距离分类器进行识别验证。本文分别在ORL人脸图像库,YaleB人脸图像库,AMP人脸图像库进行实验,验证了本文提出的方法的有效性,并对本文的方法与传统的2D-PCA方法进行对比,实验表明,本文提出的方法在多表情的人脸图像中具有较好的识别效果,对表情变化具有一定的鲁棒性。
嵇介曲[3]2017年在《基于LBP算法的人脸识别研究》文中研究指明随着计算机和信息技术的快速发展,人脸识别技术越来越受到重视。本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题,提出了一些改进方法,并通过实验进行了可靠性验证。针对LBP算法提取人脸图像的表情特征信息时会丢失特殊的特征信息的缺点,本文提出了多重局部二值模式的人脸表情识别方法(Multiple Local Binary Patterns,MLBP),该方法在保持LBP算法优点的前提下,通过增加一位二值编码,利用中心像素点作用以及邻域像素点灰度值之间的关系,得出特征向量图。实验结果表明MLBP算法比LBP算法描述的表情纹理图像更加均匀,且识别率约提高10%。针对人脸表情图像进行纹理特征提取时的模块大小划分问题,本文提出将MLBP算法与Harr小波分解相结合,该方法首先将表情图像进行Harr小波分解,得到四幅不同频率的子图像,然后对其中叁幅图像进行MLBP特征提取,并将得到的特征值串联形成表情图像的特征向量。实验结果表明该方法比MLBP方法直接提取表情特征所产生的特征向量的维数减少了 25%,特征提取和识别的速率提高了,其中识别率约提高了 9%。人脸识别研究中的识别率容易受光照强度的影响。针对MLBP算法在光照变化时具有旋转不变性,以及Gabor小波能提供空间位置、空间频率的特性,本文提出了多重局部 Gabor 二值模式方法(Multiple Local Gabor Binary Pattern,M LGBP),该方法先对人脸图像使用Gabor小波进行变换处理,保留受光照影响较小的高频部分,然后再采用MLBP算法对Gabor提取后的图像采用分块编码,最后得到联合直方图序列,获得丰富的局部特征信息。实验结果表明了该算法有效的降低了光照对识别率的影响,提高了光照不均匀时的人脸识别率,且在特征提取方面比Gabor等算法更加有效。
常云翔[4]2017年在《基于深度学习的复杂光照条件下人脸识别技术研究》文中研究指明深度神经网络以其优异的性能表现在机器视觉领域得到广泛的研究和关注。相较于传统的使用手工提取人脸特征的分类方式,卷积神经网络通过端到端的训练方式从大量人脸图像中学习到具有良好泛化能力的人脸特征。然而在复杂光照条件下深度神经网络模型的性能并未得到充分研究。本文研究基于深度学习的复杂光照条件下人脸识别技术,主要研究内容如下:第一,我们构建了一个复杂光照条件下的人脸数据集,用于研究光照对人脸识别的影响。该数据集从汽车内监控采集到的驾驶员图像中收集了330000张包含强光、弱光、局部过曝等光照问题的人脸图像。第二,在该数据集上对不同结构神经网络的性能进行了分析。分别采用LeNet、AlexNet和VggNet叁种卷积神经网络结构进行训练和测试,验证了卷积神经网络对复杂光照条件下人脸识别问题的有效性。第叁,研究了光照数据增强技术。通过对数据集中的图像进行光照相关的变换,向训练数据集中引入各种光照问题。使得网络能够从增强数据中学习到具有光照不变性的人脸特征,从而提高网络对光照的鲁棒性。第四,针对神经网络训练时间长、难以调整的问题,研究了集成批规范化算法。集成的网络在不降低原有性能的同时收敛更加稳定、快速。本文讨论了深度神经网络在复杂光照条件下存在的问题,为后续研究神经网络在复杂光照条件下的设计与优化提供一定的指导意义。
马宁[5]2016年在《基于图像的人脸识别中关键技术研究》文中进行了进一步梳理基于图像的人脸识别问题已经成为当今计算机人工智能和机器学习领域中热门的研究课题之一,同时在现实社会的诸多领域中有着广泛的应用前景。但人脸识别的精确度受到很多方面的干扰,例如图像采集设备问题、人脸面部姿态问题、光照问题、有意或无意遮挡物对图像干扰的问题等都会给人脸识别的结果带来影响。如何在现有方法的基础上克服以上问题进一步提高人脸识别的准确率,同时降低识别的运行时间提高实效性,是目前亟待解决的难题。本文针对基于图像的人脸识别中的难点问题进行研究,取得了一些研究成果,具体有以下几个方面:在人脸局部特征提取方面,提出了一种基于低频图像的分块完整局部二元模式(LBP)的人脸识别方法,通过采用完整局部二元模式能够将人脸图像的特征信息提取得更加完整;采用低频图像,能够将图像的整体轮廓信息和局部信息有效地融合,还能大大提升算法的运行效率;分块化处理能够使算法更专注于对图像细节信息的把握。另外,还提出了一种基于心理学定律的局部特征提取方法,能够有效降低噪声信息对于人脸图像的影响。针对传统人脸识别的特征提取方法计算复杂的问题,以及传统分类方法过于单一、硬性的缺点,提出了一种基于二维主成分分析(2DPCA)+二维线性判别(2DLDA)和模糊集集成技术的人脸识别方法,通过采用2DPCA和2DLDA两种二维技术,可以大大降低了算法的计算复杂度,同时提高了识别的精确性;模糊集的引入改变了传统单一、硬性的判别方式,使分类方式更加有效合理,进一步提升了算法识别的精确度;离散余弦变换可以消除图像中的冗余信息,有利于提高识别精度,降低算法运行时间。基于支持向量机技术的研究中,本文提出了两种算法:一是基于组合核函数支持向量机的人脸识别方法;二是基于光照判别和多支持向量机的人脸识别方法。在前一种方法中,通过对具有不同特性的核函数进行比较分析,优化组合,使组合核函数支持向量机具有更好地分类效果;在后一种方法中通过对图像是否受光源照射的判断,来进行处理,以降低光照问题对于识别过程的干扰。基于多特征融合的人脸识别方法中,本文对于特征信息融合的方式进行了优选,通过将几种典型的特征信息进行融合,能够更好地反映出人脸的全部特征信息,最终达到提高人脸识别效果的目的。
丁春辉[6]2017年在《基于深度学习的暴力检测及人脸识别方法研究》文中研究指明随着"平安城市"建设的不断推进,公共安全逐渐成为人们关注的热点问题,视频监控技术也随之得到了越来越广泛的应用,传统的视频监控系统主要提供采集存储功能,这远远无法满足人们对其智能化的需求。要实现智能化的视频监控系统,以下几个关键问题亟需解决:(1)如何快速发现监控视频中的异常行为,及时给出警报,并最大限度地减少误报和漏报现象;(2)如何在多种不利因素下(如单样本,低分辨率)对可疑目标进行准确的识别分析;(3)在海量数据的情况下,如何确保视频分析系统的实时性及准确性。近年来,深度学习在机器视觉、语音识别和自然语言处理等多个领域都取得了优异的成绩,这也为智能视频分析技术的发展带来了新的契机。因此,本文基于深度学习的方法对上述相关问题展开研究,主要研究工作与创新如下:1.针对监控视频中的异常行为尤其是暴力打斗行为难以准确快速发现的问题,提出了一种基于叁维卷积深度网络的暴力检测方法。该方法利用大量带标签的视频数据进行有监督的学习,通过将传统二维卷积核扩展为叁维来提取视频中的运动信息,然后综合利用视频的空间信息及运动信息来构建深度神经网络模型,从而实现对监控视频中暴力打斗的检测。由于深层模型端到端学习的特性,所以不需要设计复杂的手工特征来描述运动信息,从而降低了任务的复杂度。实验结果表明,本文提出的方法在单一场景以及人群密集环境下都可以对暴力打斗行为进行准确识别。2.针对人脸图像在单训练样本下难以被准确识别的问题,提出了一种基于核主成分分析网络(Kerne1 Principle Component Analysis Networks,KPCANet)模型的二阶段投票人脸识别方法。该方法在不使用额外样本数据的情况下,利用非监督深层模型KPCANet对分块后的人脸图像进行训练并利用KPCA学习得到的滤波器进行特征提取,从而保证了提取的特征对光照及遮挡的鲁棒性,同时也消除了人脸局部形变对识别率的影响。本文通过投票的方法融合每一个分块的预测值来得到最后的识别结果,对于单次投票结果不唯一的情况,本文采取了二阶段的投票方法,通过扩大每一块的预测候选集,并对不同的区域赋予不同的权值来得出最后的结果,从而进一步提升了识别的准确率。实验结果表明,该方法在四个公开人脸数据集上都取得了优异的表现,算法准确率优于使用了额外数据集的通用方法,尤其是在非限制人脸数据集LFW-a上,本文提出的方法比SVDL和LGR方法准确率提升了约l5%。3.针对监控视频中人脸图像由于分辨率过低而无法准确识别的问题,提出了一种基于卷积神经网络模型的低分辨率人脸识别的解决方案。该方案提出了两种模型:多尺度输入的卷积神经网络(Convolutional Neural Networks,CNN)模型和基于空间金字塔池化(Spatial Pyramid Pooling,SPP)的CNN模型。(1)多尺度输入的CNN模型是对现有的"二步法"进行的改进,利用简单双叁次插值方法对低分辨率图像进行上采样,再将上采样得到的图像与高分辨率图像混合作为模型训练样本,让CNN模型学习高低分辨率图像共同的特征空间,然后通过余弦距离来衡量特征相似度,最后给出识别结果。在CMU PIE和Extended Yale B数据集上的实验表明,模型的准确率要优于其他对比方法,相对于目前识别率最高的CMDA_BGE算法,准确率获得了 2.5%～9.9%的显着提升。(2)基于SPP的CNN模型,属于改进的"跨空间法",通过在CNN模型中加入空间金字塔池化层,使模型对于不同尺寸的输入图像都可以输出恒定维度的特征向量,最后通过比较样本库与测试图像的特征相似度就可以得到最后的识别结果。实验表明,相比多尺度输入的CNN模型,该方法在保持较高准确率的同时,省去了上采样的操作,简化了图像预处理的过程,同时也减少了传统"跨空间法"中需要学习的呋射函数的个数。4.针对监控系统中数据流传输带来的带宽占用问题以及对海量数据的快速准确分析需求,提出了一种基于"海云协同"的深度学习模型框架。海端系统利用深度学习的方法对本地数据进行训练得到局部模型,通过局部模型可以对数据进行快速检测,进而给出实时响应。海端系统通过上传局部模型和少量数据的方式协同云端训练,云端系统利用这些局部模型和数据构建更加复杂的深度模.型并进行调优,得到性能更好的全局模型。在MNIST、Cifar-10和LFW数据集上的实验表明,"海云协同"的方法有效地减少了数据传输的带宽消耗,同时也保证了海端的快速性和云端的精确性。上述方法已部分应用于中科院先导"海量网络数据流海云协同实时处理系统(XDA060112030)" 课题之中。
于淑慧[7]2008年在《人脸识别系统中特征提取与识别研究》文中研究指明随着社会的发展,传统的身份认证方法已不能满足人们的需要,对快速有效的自动身份验证的要求日益迫切。生物特征是人的内在属性,因此成为身份验证的最理想依据。人脸识别与其他人体生物特征识别相比,具有直接、友好、方便的特点,易于被用户接受。人脸识别技术就是利用计算机提取有效信息进行自动识别,它涉及模式识别、计算机视觉、生理学等诸多学科,一直是当前研究热点。本文综述了人脸识别技术的研究现状和主要方法,进而对人脸识别中的关键技术进行了研究,并着眼于基于统计学的方法,提出了一种基于小波变换和改进的BP人工神经网络的主成分分析人脸识别方法。首先,通过对人脸图像进行灰度直方图修正,消除了光照强度对识别的影响,使不同成像条件下拍摄的照片具有一致性。然后用小波变换的方法提取人脸图像中相对稳定的低频子带,过滤掉人脸的表情因数,同时达到了使图像向量降维的效果,为后续算法减小了复杂度。其次,使用基于主成分分析的算法对图像进行特征提取。主成分分析法着眼于人脸图像整体的灰度相关性,所提取的特征向量既保留了原图像空间中的主要分类信息,降低了特征空间的维数,又能在均方误差最小的意义上重建原图像。本文采用的主成分分析法对标准算法进行了改进。最后,使用BP人工神经网络进行训练和人脸识别。本文将主成分分析法的特征抽取与人工神经网络的自适应性的优势相结合,取得了较高的识别率和优良的系统性能。采用很多方法对标准BP做了改进。首先使用动量法和学习率自适应调整的策略,提高了学习速率并增加了算法可靠性;其次通过改变输出层值的设置,提高了系统运算的速度。最后,本文提出了采用距离分类器和BP神经网络分类器相结合的人脸识别方法,利用两者优势,提高系统识别率。与传统的PCA方法相比,本文结合了多种算法的优势,所提取的特征更加反映了人脸之间的差异,降低了运算复杂度,提高了识别率和系统性能。通过ORL人脸库实验验证,本系统有效抑制了一定程度上的表情、姿态变化等因素对人脸识别造成的不利影响,提高了对此类人脸图像的识别率。
杨霞[8]2008年在《基于主元分析法的特征脸法在人脸识别中的应用》文中提出人脸识别具有主动性、非侵犯性和用户友好等许多优点,是人体生物特征识别技术的一个重要方向。因其在安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互、系统公安(罪犯识别等)等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及其表情,但人脸的自动识别却是一个难度极大的课题。它牵涉到模式识别、图像处理及生理、心理学等方面的诸多知识。本文主要工作包括:(1)分析了主成分分析法在特征向量选择方面的问题,提出了一种基于主成分分析的特征脸识别的人脸图像识别方法。首先对人脸图像进行主成分变换,然后根据得到的人脸图像类内及类间距离数值的变化结果,在充分考虑到其可分性和计算工作量的前提下,选择适当的主成分变换向量的个数并进行人脸图像的特征提取。通过实验验证,此方法有效抑制了表情、姿态变化等因素对人脸识别造成的不利影响,提高了对此类人脸图像的识别率。(2)在传统特征脸识别的基础上,提出了将根据人脸不同部分在人脸识别中的不同作用加以不同权值进行人脸识别的改进方法,实验证明,改进后的特征脸识别人脸方法优于传统的特征脸方法。4
钱程[9]2017年在《基于深度学习的人脸识别技术研究》文中提出随着人工智能的快速发展,如何准确、有效的识别用户身份,提升信息安全成为一项重要的研究课题。相较于传统的卡片识别、指纹识别和虹膜识别,人脸识别具有许多优点。它的非接触性、非强制性和并发性,易被用户所接受,已广泛应用于教育、电子商务等多个领域。深度学习是机器学习领域中的新兴分支之一。与传统浅层网络不同,深度学习受人脑工作机制启发,构建了深层网络结构和相应的训练方法。深度卷积神经网络(deep convolution neural networks,DCNN)源于多层前向网络,经过不断发展,已成为当前图像识别领域的研究热点。它依靠深层非线性网络结构和大规模的训练数据,实现复杂函数逼近,从而获得更本质和鲁棒的图像特征,有效提升了后续分类与识别的效果。近年来随着深度卷积神经网络的引入,人脸识别的准确率得以跨越式提升。然而,不同模型的训练集和网络结构差异较大,使得每个模型都有各自的特点。对此,本文研究了一种基于深度多模型融合的人脸识别方法,通过融合多个人脸识别模型提取的特征构成组合特征,再利用深度神经网络训练组合特征构建人脸识别分类器,可以得到融合多个模型优点的改进模型。主要的工作如下:(1)分析和对比基于卷积神经网络且开源的人脸识别算法,通过实验筛选了 2种基础模型。对基础模型提取的基础特征进行降维、归一化、融合,得到组合特征,作为后续深度神经网络的输入。(2)构建基于深度多模型融合的深度神经网络,训练组合特征,获得融合不同基础模型优点的改进模型。(3)进一步分析改进模型并设计了多组实验,包括不同的训练集、DNN参数和基础特征权重。统计了基础模型和改进模型在LFW数据集上的详细测试数据,探索改进模型提升的原因。在采用较小数据集的情况下,本文方法在人脸识别权威测试集LFW和YTF上获得了 99.1%和93.32%的精度,相对于基础模型分别提高0.57%和0.52%。而且通过对LFW测试数据的进一步分析,探讨了改进模型在融合不同基础模型优点方面的有效性。
魏巍[10]2017年在《非受控环境下人脸识别的关键技术研究》文中提出人脸识别技术已经有目共睹的成为了多行业的研究热点,且经过多年的研究发展,受控环境下的人脸识别性能已经取得了长足的进步。当环境非受控时,光照、姿态、遮挡等因素均会导致人脸的识别性能急剧下降,而这种非受控环境更接近于人们的日常需求,更具有研究价值。针对目前非受控环境下人脸识别易受复杂光照、背景等非受控因素影响的问题,本文提出一种有效可行的思路:1)首先研究了一种基于小波融合的光照预处理方法,以减小光照对于人脸识别过程的影响。并在此基础上进行了人脸区域精确定位,划分出人脸区域,以进行下步的人脸识别进程。实验结果表明该方法不仅有效消除光照变化对特征提取的影响,且有效的提高了检测人脸区域的正确率。2)接着提出结合基于图像分块的中心对称局部二值模式和深度信念网络的特征提取方法,充分利用已提取到的对光照变化不敏感的局部纹理特征,弥补了直接采用原始图像时深度信念网络易忽略掉更具鉴别性的人脸局部特征的不足,获取了更鲁棒的深层特征。3)然后在ORL、FERET、Yale-B和CMU-PIE人脸数据库的大量对比实验结果均表明,对于光照较良好、光照变化复杂、存在复杂背景和光照变化的图像,本文算法均能较LBP、DBN以及其他局部特征结合DBN的算法识别率有明显提高,充分证明了本文中人脸识别算法的有效性。4)最终本文结合上述提到的光照预处理算法和人脸识别算法,构建了一个能够较好的完成人脸识别过程的实时的人脸识别的系统。
参考文献：
[1]. 嵌入式系统平台设计及其在人脸识别门禁系统中的应用[D]. 曲芸芸. 北京邮电大学. 2008
[2]. 基于2D-PCA的人脸识别方法研究[D]. 林玲. 东北师范大学. 2008
[3]. 基于LBP算法的人脸识别研究[D]. 嵇介曲. 安徽理工大学. 2017
[4]. 基于深度学习的复杂光照条件下人脸识别技术研究[D]. 常云翔. 沈阳航空航天大学. 2017
[5]. 基于图像的人脸识别中关键技术研究[D]. 马宁. 吉林大学. 2016
[6]. 基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉. 中国科学技术大学. 2017
[7]. 人脸识别系统中特征提取与识别研究[D]. 于淑慧. 中国地质大学（北京）. 2008
[8]. 基于主元分析法的特征脸法在人脸识别中的应用[D]. 杨霞. 昆明理工大学. 2008
[9]. 基于深度学习的人脸识别技术研究[D]. 钱程. 西南交通大学. 2017
[10]. 非受控环境下人脸识别的关键技术研究[D]. 魏巍. 北方工业大学. 2017
标签：计算机软件及计算机应用论文; 机器学习论文; 人脸识别技术论文; 人脸识别算法论文; 人脸检测技术论文; 图像识别技术论文; 特征提取论文; 深度学习算法论文; 图像深度论文; 图像融合论文; 空间分析论文; 人工智能论文; 数据融合论文; 系统学习论文; 神经网络论文; 样本空间论文; 算法论文;