Human Emotional Facial Expression Recognition
Southeast University(东南大学)
提出了一种基于Adaboost人脸检测器、基于流形学习的特征选择和协同原型分类器的人脸表情自动识别模型。改进的特征选择方法和提出的分类器在合理的处理时间内可以取得较好的误码率性能。
2018-03-28 cs.CV
Improved sparse PCA method for face and image recognition
CREATORY
人脸识别是模式识别领域中一个非常重要的研究方向。它在军事和金融方面有多种应用,仅举几例。在本文中,稀疏PCA与最近邻方法(和核岭回归方法)的组合将被提出,并将被应用于解决人脸识别问题。实验结果表明,稀疏PCA方法的结合具有较高的准确性例如,在某些情况下,PCA方法(使用邻近梯度方法和FISTA方法)和一个特定分类系统的组合的准确性可能低于PCA方法和一个特定分类系统的组合的准确性,但有时稀疏PCA方法和一个特定分类系统的组合的准确性可能低于PCA方法和一个特定分类系统的组合的准确性。(使用近端梯度方法或FISTA方法)和一个特定的分类系统导致更好的准确性。此外,我们认识到,使用FISTA方法计算稀疏PCA算法的过程总是比使用邻近梯度方法计算稀疏PCA算法的过程快。
2021-12-01 cs.CV cs.LG
2DR1-PCA and 2DL1-PCA: two variant 2DPCA algorithms based on none L2 norm
Jiangnan University(江南大学);Jiangsu Provincial Laboratory of Pattern Recognition and Computational Intelligence(江苏省模式识别与计算智能实验室)
本文提出了两种新的人脸识别方法:2DR 1-PCA和2DL 1-PCA。与传统的2DPCA算法相比,2DR 1-PCA和2DL 1-PCA分别基于R1范数和L1范数。这些方法的优点是对异常值不太敏感。在ORL、YALE和XM 2 VTS数据库上对这些方法进行了测试,并对相关方法的性能进行了实验比较。
2019-12-23 cs.CV
Hybrid Approach to Face Recognition System using Principle component and Independent component with score based fusion process
JJT University(JJT大学);GRMECT Research Center(GRMECT研究中心)
混合方法在人脸识别系统中具有特殊的地位,它将不同的识别方法以串行或并行的方式结合起来,以克服单个方法的缺点。本文探讨了该地区的混合人脸识别使用分数为基础的战略组合器/融合过程。在所提出的方法中,识别系统在两种模式下运行:训练和分类。训练模式涉及人脸图像(训练集)的归一化,使用主成分分析(PCA)和独立成分分析(ICA)提取适当的特征。然后,使用反向传播神经网络(BPNN)并行训练提取的特征,以将特征空间划分为不同的人脸类别。在分类模式中,训练好的PCA BPNN和ICA BPNN被输入新的人脸图像。基于得分的策略作为一个组合器,适用于PCA BPNN和ICA BPNN的结果,根据在训练模式中获得的人脸类别对给定的新人脸图像进行分类。在ORL等人脸库上进行了实验,实验结果表明,该方法比使用单一特征提取器的人脸识别系统具有更高的准确率。
2014-01-02 cs.CV
Tensor Sparse PCA and Face Recognition: A Novel Approach
EPHE-PSL University(巴黎高等实践研究大学-巴黎文理研究大学);Ho Chi Minh University of Technology(胡志明市技术大学)
人脸识别是机器学习和模式识别研究领域中的一个重要领域。它在军事、金融、公共安全等方面有很多应用。在本文中,张量稀疏PCA与最近邻方法(以及核岭回归方法)的组合将被提出并应用于人脸数据集。实验结果表明,张量稀疏PCA与任何分类系统的组合并不总是达到最佳的精度性能指标。然而,稀疏PCA方法和一个特定分类系统的组合的精度总是好于PCA方法和一个特定分类系统的组合的精度,并且总是好于分类系统本身的精度。
2020-08-11 cs.CV cs.LG stat.ML
Face recognition using PCA integrated with Delaunay triangulation
Division of Science and Engineering, Penn State Abington(宾夕法尼亚州立大学阿宾顿分校科学与工程学院)
人脸识别最常用于生物特征用户身份验证,基于他或她的面部特征识别用户。该系统的需求量很大,因为它被许多企业使用,并在许多设备中使用,如智能手机和监控摄像头。然而,在这种用户验证方法中仍然观察到的一个常见问题是其准确率。已经试验了许多方法和算法来改善系统的所述缺陷。本研究开发了一个这样的算法,利用两种不同的方法相结合。利用线性代数和计算几何的概念,研究了主成分分析与德洛内三角剖分的结合,该方法对一组人脸标志点进行三角剖分,得到所提供图像的特征脸。它与传统的PCA算法进行了比较,并讨论了包括不同的人脸标志点,以提供一个有效的识别率。
2020-11-25 cs.AI cs.CV
Novel sparse PCA method via Runge Kutta numerical method(s) for face recognition
Vietnam Aviation Academy(越南航空学院);Faculty of Information Technology(信息技术学院)
针对人脸识别问题,本文提出结合近端梯度法或Runge-Kutta数值方法实现稀疏PCA,并与分类算法相融合。实验表明该方法较标准PCA准确率更高,且基于Runge-Kutta的计算在速度上更具优势。
2025-03-30 cs.CV cs.LG eess.IV
Face Verification Using Boosted Cross-Image Features
University of Central Florida(中佛罗里达大学);University of California, Berkeley(加州大学伯克利分校)
本文提出了一种新的人脸验证方法,其中一对图像需要被分类为属于同一个人或不。这个问题相对较新,在文献中没有得到很好的探讨。目前的方法大多采用从人脸识别中借鉴的技术,并独立地处理成对图像中的每个图像,这是违反直觉的。相比之下,我们建议提取跨图像特征,即跨图像对的特征,正如我们所证明的,这对人脸的相似性和相异性更具鉴别力。我们的功能是来自流行的Haar的功能,但是,扩展到处理人脸验证问题,而不是人脸检测。我们使用不同大小、位置和方向的过滤器收集了大量的跨图像特征。因此,我们使用AdaBoost来选择和加权最具鉴别力的特征。我们使用三个标准的人脸验证数据集对所提出的想法进行了广泛的实验,并获得了优于最先进技术的有希望的结果。
2013-09-28 cs.CV
Face Recognition using Principal Component Analysis and Log-Gabor Filters
在这篇文章中,我们提出了一种新的人脸识别方法的基础上,主成分分析(PCA)和Log-Gabor滤波器。所提出的方法的主要优点是其简单的实现,训练,和非常高的识别精度。在识别实验中,我们使用了来自不同的FERET和AR数据库的1311人的5151张人脸图像,这些数据库允许分析面部表情,照明和年龄变化如何影响识别精度。在FERET数据库(包含1196人的照片)上的识别实验表明,该方法可以达到97-98%的首识别率和0.3-0.4%的等出错率。实验还表明,与传统的基于主成分分析的识别方法相比,该方法受人眼定位误差和图像归一化方法的影响较小。
2006-05-07 cs.CV
L1-(2D)2PCANet: A Deep Learning Network for Face Recognition
Jiangnan University(江南大学)
在本文中,我们提出了一种新的深度学习网络L1-(2D)2 PCANet的人脸识别,它是基于L1范数的双向二维主成分分析(L1-(2D)2 PCA)。在我们的网络中,L1-(2D)2 PCA的作用是学习多个卷积层的滤波器。在卷积层之后,我们部署二进制哈希和块直方图进行池化。我们在一些基准人脸数据集YALE,AR,Extended Yale B,LFW-a和FERET上测试了我们的网络,并与CNN,PCANet,2DPCANet和L1-PCANet进行了比较。结果表明,L1-(2D)2 PCANet在所有测试中的识别性能均优于基线网络,尤其是当测试数据中存在离群点时。由于L1范数,L1- 2D 2 PCANet对训练图像的异常值和变化具有鲁棒性。
2018-05-26 cs.CV
AFIF4: Deep Gender Classification based on AdaBoost-based Fusion of Isolated Facial Features and Foggy Faces
York University(约克大学);Assiut University(艾斯尤特大学)
性别分类的目的是确认一个人的性别。尽管这项任务的最先进的方法达到了很高的准确性,但在广义和不受限制的数据集上仍有改进的空间。在本文中,我们倡导一种新的策略,灵感来自人类的行为在性别识别。而不是处理的人脸图像作为一个单一的功能,我们依赖于孤立的面部特征和一个整体的功能,我们称之为雾脸的组合。然后,我们使用这些特征来训练深度卷积神经网络,然后使用基于AdaBoost的分数融合来推断最终的性别类别。我们在四个具有挑战性的数据集上评估了我们的方法,以证明其在使用最先进的方法实现更好或同等精度方面的有效性。此外,我们提出了一个新的人脸数据集,加剧了遮挡人脸和光照变化的挑战,我们认为这是性别分类研究急需的资源。
2017-11-18 cs.CV
Robust multi-camera view face recognition
Dr. B. C. Roy Engineering College(B.C.罗伊工程学院);National Institute of Technology Rourkela(鲁尔克拉国家理工学院);Indian Institute of Technology Kanpur(坎普尔印度理工学院);Jadavpur University(贾达普大学)
提出了一种基于主成分分析(PCA)和线性判别分析(LDA)的多外观融合的多摄像机离线人脸识别(验证)系统。LDA的推广已经扩展到建立变换表示中的人脸类别之间的相关性,这被称为典型协变量。该系统使用Gabor滤波器组对人脸特征进行空间频率、空间位置和方向的表征,以补偿由于光照、姿态和表情变化而发生的人脸实例的变化。卷积的Gabor滤波器组的人脸图像产生的Gabor人脸表示与高维特征向量。然后将主成分分析和正则协变量应用于Gabor人脸表示,将高维特征空间减少到低维Gabor特征脸和Gabor正则脸。采用加权平均融合规则将约简后的特征脸向量和标准脸向量融合在一起。最后,支持向量机(SVM)已训练与增强的融合特征集,并执行识别任务。该系统已被评估与UMIST人脸数据库组成的多视图的面孔。实验结果表明,该系统的效率和鲁棒性的多视角人脸图像具有较高的识别率。在实验结果的最后还提出了所提出的系统的复杂性分析。
2010-03-30 cs.CV
Face Detection Using Adaboosted SVM-Based Component Classifier
Amirkabir University of Technology(阿米尔卡比尔理工大学)
最近,Adaboost已被广泛用于提高任何给定的学习算法的精度。在本文中,我们专注于设计一种算法,采用Adaboost与支持向量机相结合的弱成分分类器用于人脸检测任务。该算法不使用固定的核参数,而是自适应地调整支持向量机的核参数,从而得到一组有效的SVM-弱学习分类器。在不平衡分类问题上,与SVM相比,该组合具有更好的泛化能力。在CMU+MIT人脸数据库上,将本文提出的方法与其他常用的Adaboost方法(如决策树和神经网络)在分类精度方面进行了比较。结果表明,所提出的方法的性能总体上优于以前的Adaboost方法。
2008-12-13 cs.CV cs.LG
Color Image Classification via Quaternion Principal Component Analysis Network
Southeast University(东南大学);INSERM(法国国家健康与医学研究院);Université de Rennes 1(雷恩第一大学)
主成分分析网络(PCANet)是最近提出的深度学习架构之一,在各种数据库中实现了最先进的分类精度。然而,当处理彩色图像时,PCANet的性能可能会降低。本文提出了一种四元数主成分分析网络(QPCANet),它是PCANet的扩展,用于彩色图像分类。与PCANet相比,QPCANet考虑了彩色图像的空间分布信息,保证了彩色图像更大的类内不变性。在Caltech-101、UC Merced Land Use、Georgia Tech Face和CURet等不同颜色图像数据集上进行的实验表明,所提出的QPCANet比PCANet具有更高的分类精度。
2015-03-05 cs.CV
Discriminative Principal Component Analysis: A REVERSE THINKING
School of Science, Guilin University of Technology(桂林理工大学理学院)
本文提出了一种新的方法命名为判别主成分分析,简称为判别PCA,以提高线性判别分析(LDA)的PCA的可分性。所提出的方法执行特征提取,通过确定一个线性投影,捕捉最分散的判别信息。判别主成分分析的最大创新在于对判别矩阵而不是原始样本矩阵进行主成分分析。为了在低复杂度下计算所需的判别矩阵,我们利用LDA对转换后的矩阵,以获得类内矩阵和类间矩阵。在计算过程中,我们利用直接线性判别分析(DLDA)来解决所遇到的SSS问题。为了评估判别PCA在人脸识别中的性能,我们分析比较了它与DLAD和PCA在四个著名的人脸数据库,他们是PIE,FERET,YALE和ORL分别。比较了不同训练样本数下,最近邻分类器的分类精度和运行时间。判别式主成分分析不仅在识别率上表现出优越性和突出性能,而且在运行时间上也取得了可比的结果。
2019-03-12 cs.CV
Enhanced Facial Recognition Framework based on Skin Tone and False Alarm Rejection
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
人脸检测是计算机视觉中具有挑战性的任务之一。人脸检测在人脸识别、人脸跟踪、图像数据库管理等人脸处理应用的第一阶段起着至关重要的作用。在这些应用中,人脸对象往往来自图像中包含变化的无关紧要的部分,即不同的光照、姿态和遮挡。这些变化会显著降低人脸检测率。大多数现有的人脸检测方法是不准确的,因为它们不能解决非结构化的图像,由于大的外观变化,只能检测人脸在一个特定的变化。现有的人脸检测框架需要改进,以提高检测率和减少检测时间,在规定的变化下检测人脸。在这项研究中,提出了一个增强的人脸检测框架,以提高基于肤色的检测率,并提供一个验证过程。对输入图像进行基于肤色的初步分割,可以显著减小搜索空间,加快人脸检测过程。主要的检测是基于Haar类特征和Adaboost算法。引入验证过程来拒绝非人脸对象,这可能发生在人脸检测过程中。验证过程是基于两阶段的扩展本地二进制模式。在CMU-MIT和Caltech 10000数据集上的实验结果表明,在不同颜色、位置、尺度和光照条件下,人脸的变化范围很广,人脸检测率很高。
2017-02-14 cs.CV
Computerized Face Detection and Recognition
该出版物介绍了人脸检测,分析和识别的方法:快速归一化互相关基于多模板之间的快速相关系数的人脸预检测方法、基于snakes和广义梯度矢量流场的精确人脸轮廓检测方法、基于累积匹配特征的组合识别算法以提高识别速度和准确度的方法、以及基于小波包分解的主成分分析的人脸识别方法,其允许使用具有大量训练图像的基于PCA的识别方法。对于所有的方法的实验结果和速度和精度与大型人脸数据库的比较。
2004-10-20 cs.CV
GAdaBoost: Accelerating Adaboost Feature Selection with Genetic Algorithms
The American University In Cairo(开罗美国大学)
由Viola和Jones提出的Boosted cascade of simple features是最著名的目标检测框架之一。然而,它的培训过程很长。这是由于Adaboost庞大的特征空间和详尽的搜索性质。在本文中,我们提出了GAdaboost:一种遗传算法,通过自然的特征选择来加速训练过程。具体来说,我们建议限制Adaboost搜索的一个子集内的巨大的特征空间,而这个子集的发展遵循遗传算法。实验表明,我们提出的GAdaboost比Adaboost快3.7倍。我们还证明了这种加速的代价是在FDDB基准人脸检测集和Caltech Web Faces上分别测试时检测精度仅下降(3%,4%)。
2016-09-20 cs.CV
A Compared Study Between Some Subspace Based Algorithms
School of Internet of Things Engineering, Jiangnan University(江南大学物联网工程学院)
人脸识别技术近年来取得了一定的进展。本文在研究PCA、2DPCA、R1-PCA、L1-PCA、KPCA和KECA算法的基础上,提出了基于Renyi熵贡献的PCA(2DPCA)特征提取算法ECA(2DECA)。然后对2DL 1-PCA和2DR 1-PCA算法进行了研究。在实验的基础上,比较了上述算法在识别准确率和运算效率上的差异。
2019-12-23 cs.CV cs.LG
Random Subspace Two-dimensional LDA for Face Recognition
Yale University(耶鲁大学)
本文提出了一种新的人脸识别方法-随机子空间二维的【形】LDA(RS-2DLDA)。这种方法提供了许多改进的随机子空间二维的【形】PCA(RS 2DPCA)框架介绍了Nguyen等人。[5]。首先,2DLDA的特征向量比2DPCA的特征向量具有更高的鉴别能力,从而导致RS-2DLDA方法比RS-2DPCA方法具有更高的精度。评估各种距离度量,并开发加权方案以进一步提高准确性。在MORPH-II和ORL数据集上进行了一系列实验,证明了该方法的有效性。
2017-11-02 cs.CV
A Deep Graph Embedding Network Model for Face Recognition
Wuhan University(武汉大学)
本文提出了一种新的深度学习网络“GENet”,它结合了多层网络架构和图嵌入框架。首先,我们使用最简单的无监督学习PCA/LDA作为第一层来产生低层特征。其次,将基于图嵌入框架的多个级联降维层应用于GENet。最后,使用线性SVM分类器对降维特征进行分类。在CMU-PIE、ORL、Extended Yale B数据集上的实验表明,该算法可以获得较高的分类精度。
2014-09-25 cs.CV
Face Recognition Using Scattering Convolutional Network
NYU School of Engineering(纽约大学工程学院)
人脸识别在过去的几十年里一直是一个活跃的研究领域。在一般情况下,人脸识别可以是非常具有挑战性的,由于在视点,照明,面部表情等的变化,因此,它是必不可少的,以提取特征是不变的一些或所有这些变化。在这里,一个新的图像表示,称为散射变换/网络,已被用来提取面部特征。散射变换是一种卷积网络,它为信号提供了强大的多层表示。在提取散射特征后,利用主成分分析对数据进行降维,然后利用多类支持向量机进行识别。该算法在三个人脸数据集上进行了测试,取得了很高的识别率。
2017-11-30 cs.CV
Real-time AdaBoost cascade face tracker based on likelihood map and optical flow
Halmstad University(哈尔姆斯塔德大学)
作者提出了一种新颖的人脸跟踪方法,其中将光流信息纳入Viola Jones检测算法的修改版本中。在原始算法中,检测是静态的,因为不考虑来自先前帧的信息。此外,候选窗口必须通过分类级联的所有阶段,否则它们将被丢弃为不包含面部。相比之下,建议的跟踪器保留了每个窗口通过的分类阶段的数量的信息。这些信息被用来建立一个似然图,它代表了一个人脸位于该位置的概率。通过光流计算将似然图的位置外推到下一帧来提供跟踪能力。该算法在标准笔记本电脑上实时的工作。该系统在波士顿头部跟踪数据库上进行了验证,表明所提出的算法在输出限界框的检测率和稳定性方面优于标准的Viola Jones检测器,并且包括处理遮挡的能力。作者还评估了两个最近发表的基于卷积网络和可变形部分模型的人脸检测器,其算法在计算时间的一小部分上显示出相当的准确性。
2022-10-25 cs.CV
PCANet: A Simple Deep Learning Baseline for Image Classification?
Advanced Digital Sciences Center(高级数字科学中心);ShanghaiTech University(上海科技大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在这项工作中,我们提出了一个非常简单的深度学习网络用于图像分类,它只包括非常基本的数据处理组件:级联主成分分析(PCA),二进制哈希和块直方图。在所提出的架构中,PCA是用来学习多级滤波器组。接下来是简单的二进制哈希和用于索引和池化的块直方图。因此,这种架构被命名为PCA网络(PCANet),并且可以非常容易和有效地设计和学习。为了比较和更好地理解,我们还介绍和研究了PCANet的两个简单变体,即RandNet和LDANet。它们共享PCANet的相同拓扑结构,但它们的级联滤波器是随机选择的或从LDA学习的。我们已经在许多用于不同任务的基准视觉数据集上广泛测试了这些基本网络,例如用于人脸验证的LFW,MultiPIE,Extended Yale B,AR,用于人脸识别的FERET数据集,以及用于手写数字识别的MNIST。令人惊讶的是,对于所有任务,这样一个看似幼稚的PCANet模型与最先进的功能不相上下,无论是前缀,高度手工制作还是精心学习(通过DNN)。更令人惊讶的是,它在Extended Yale B、AR、FERET数据集和MNIST变体中为许多分类任务创造了新的记录。在其他公共数据集上的其他实验也证明了PCANet作为纹理分类和对象识别的简单但极具竞争力的基线的潜力。
2014-08-28 cs.CV cs.LG cs.NE
Efficient Expression Neutrality Estimation with Application to Face Recognition Utility Prediction
Norwegian University of Science and Technology(挪威科技大学);University of Twente(特温特大学);Hochschule Darmstadt(达姆施塔特应用科学大学)
本研究基于ISO/IEC 29794-5,用七个数据集训练分类器评估表情中性度,发现随机森林和AdaBoost分类精度高,但支持向量机在人脸识别效用预测上更优。
2024-02-08 cs.CV cs.HC
A Boosting Method to Face Image Super-resolution
Xiamen University(厦门大学);Wuhan University of Technology(武汉理工大学)
近年来稀疏表示在人脸图像超分辨率方面取得了巨大的成功。传统的基于稀疏性的方法对人脸图像块进行稀疏编码,并通过$\ell_{2}$ -范数度量表示保真度。这样的稀疏编码模型同样地正则化所有的面部块,然而,这忽略了用于图像重建的不同面部块的不同性质。提出了一种基于AdaBoost的加权块超分辨率方法。具体来说,在AdaBoost操作的每次迭代中,每个面部块根据模型在其上的性能自动加权,以便突出那些对下一步提高重建能力更关键的块。这样,通过AdaBoost训练过程,我们可以更专注于具有更丰富信息的补丁(人脸区域)。在标准人脸数据库上的各种实验结果表明,我们提出的方法在客观指标和视觉质量方面都优于最先进的方法。
2018-05-04 cs.CV
Deep Boosting Multi-Modal Ensemble Face Recognition with Sample-Level Weighting
针对人脸识别训练数据质量失衡、困难样本代表性不足的问题,提出受 AdaBoost 启发的样本级加权多模型提升框架,并解析样本挖掘对角度间隔损失的影响,在多个基准上优于现有方法。
2023-08-18 cs.CV
Recognition of expression variant faces using masked log-Gabor features and Principal Component Analysis
在这篇文章中,我们提出了一种方法,用于识别具有不同面部表情的人脸。为了识别,我们使用多个方向和尺度的log-Gabor滤波器提取特征向量。利用滑动窗口算法和基于方差的掩模算法,在受表情变化影响较小的图像区域提取这些特征。提取的特征被传递到基于主成分分析(PCA)的识别方法。基于表情变化人脸的人脸识别实验结果表明,该方法具有较高的识别精度。在开发和测试中,我们使用了来自AR和FERET数据库的面部图像。使用FERET数据库中一千多人的人脸照片,该方法取得了96.6-98.9%的首一个识别率和0.2-0.6%的等出错率(EER)。
2006-05-07 cs.CV
Face Recognition Machine Vision System Using Eigenfaces
Moscow Institute of Physics & Technology(莫斯科物理技术学院)
人脸识别是机器学习中的一个常见问题。这项技术已经广泛应用于我们的生活中。例如,Facebook可以自动标记图像中的人脸,一些移动设备也使用人脸识别来保护私人安全。人脸图像具有不同的背景、不同的光照、不同的表情和遮挡等特点。人脸识别的方法有很多。不同的方法进行人脸识别实验与特定的数据库,其中包括单一类型,格式和组成的图像。这样做,这些方法不适合不同的人脸数据库。人脸识别的基本技术之一是特征脸,它非常简单,有效,并且在受控的情况下通常会产生良好的结果。因此,本文提出了一个实验性能比较的人脸识别主成分分析(PCA)和归一化主成分分析(NPCA)。ORL(ATT)和印度人脸数据库(IFD),其中包含的表情,姿势和面部细节的变化进行了实验。通过改变训练图像的数量,对两种方法获得的结果进行了比较。MATLAB也用于实现算法。
2017-05-08 cs.CV
Face Recognition using Curvelet Transform
Technion - Israel Institute of Technology(以色列理工学院)
人脸识别已经被广泛研究了20多年。自90年代初以来,这一问题已成为一个重大问题。该技术被用于许多重要的实际应用中,例如视频监控、灵巧卡、数据库安全、互联网和内联网访问。本文综述了近年来两种利用多尺度几何分析工具Curvelet变换进行人脸处理和特征提取的人脸识别算法。这种变换被证明是有效的,特别是由于其良好的能力,以检测曲线和直线,这是人类的脸。在上述两种算法的基础上提出了一种新的人脸识别算法,并在AT&T(ORL)、Essex Grimace和Georgia-Tech三种人脸数据库上对其性能进行了测试。k-最近邻(k-NN)和支持向量机(SVM)分类器被使用,连同主成分分析(PCA)用于降维。该算法取得了较好的效果,在某些情况下甚至优于其他算法。
2011-07-14 cs.CV
Human Face Recognition using Line Features
Tripura University(特里普拉大学);Jadavpur University(jadavpur大学)
在这项工作中,我们研究了一种新的方法来处理人脸识别的挑战,其中包括旋转,缩放,遮挡,照明等。在这里,我们使用了热人脸图像,因为这些图像能够最大限度地减少光照变化和遮挡的影响,由于胡子,胡须,装饰等。所提出的方法在极坐标中注册训练和测试热人脸图像,其能够处理由缩放和旋转引入的复杂性。从热极坐标图像中提取直线特征,并利用这些直线构造特征向量。这样获得的特征向量通过主成分分析(PCA)用于特征向量的降维。最后,使用多层感知器对投影到特征空间的图像进行分类。在实验中,我们使用的对象跟踪和分类超可见光谱(OTCBVS)数据库。实验结果表明,该方法显著提高了验证和识别性能,成功率为99.25%。
2010-07-05 cs.CV
Face recognition using color local binary pattern from mutually independent color channels
本文提出了一种基于局部二值模式(LBP)的高性能人脸识别系统,该系统利用了不同颜色通道中像素的概率分布函数(PDF),对正面均匀光照和平面旋转具有鲁棒性。通过使用最先进的技术,这是使用离散小波变换(DWT)和奇异值分解(SVD)的人脸的照明增强。均衡后,人脸图像分割使用局部连续均值量化变换(SMQT),然后基于肤色的人脸检测系统。通过LBP获得的给定面部的级联PDF与数据库中每个面部的级联PDF之间的Kullback-Leibler距离(KLD)用作识别过程中的度量。各种决策融合技术已被用来提高识别率。该系统已在FERET,HP和博斯普鲁斯海峡人脸数据库上进行了测试。所提出的系统与传统的和thestate的最先进的技术进行了比较。FVF方法对FERET数据库的识别率为99.78%,而传统的灰度LBP和基于主成分分析(PCA)的人脸识别技术的识别率分别为79.60%和68.80%。
2014-12-31 cs.CV
Fusion of Daubechies Wavelet Coefficients for Human Face Recognition
Tripura University(特里普拉大学);Jadavpur University(贾达普大学)
本文提出了在小波变换域中对可见光图像和热图像进行融合的方法。这里,将Daubechies小波变换(称为D2)、来自视觉的系数和以相同方式从热图像中计算的相应系数组合起来以获得融合系数。在分解到第五级(Level 5)之后,完成系数的融合。这些系数的逆Daubechies小波变换给我们融合的人脸图像。使用小波变换的主要优点是,它非常适合于管理不同的图像分辨率,并允许在不同类型的系数中分解图像,同时保留图像信息。融合的图像,从而找到通过主成分分析(PCA)的维度减少,然后这些减少融合图像分类使用多层感知器。对于实验,使用IRIS热/视觉人脸数据库。实验结果表明,这里提出的方法的性能在许多情况下达到100%的最大成功率。
2010-07-05 cs.CV
Face Image Classification by Pooling Raw Features
University of Electronic Science and Technology of China(电子科技大学);The University of Adelaide(阿德莱德大学);The Australian Center for Visual Technologies(澳大利亚视觉技术中心);The University of Queensland(昆士兰大学)
我们提出了一个非常简单,高效,但令人惊讶的有效的人脸识别的特征提取方法(约20行Matlab代码),这主要是受一般图像分类的空间金字塔池。我们表明,通过简单地将局部补丁汇集在多级金字塔上,再加上线性分类器,可以显着优于最近的人脸识别方法。我们的特征提取过程的简单性是由不涉及学习的事实证明的(除了PCA白化)。我们发现,多层次的空间池和密集提取的多尺度补丁在人脸图像分类中起着至关重要的作用。所提取的人脸特征能够在不使用标签信息的情况下捕获个体人脸的强结构信息。我们还发现,对局部图像块的预处理,如对比度归一化,可以对分类精度产生重要影响。特别是,在具有挑战性的FERET和LFW-a人脸识别数据集上,我们的方法分别将之前的最佳结果提高了10%和20%以上。
2014-09-17 cs.CV
Shared Representation Learning for Heterogeneous Face Recognition
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
经过深入的研究,异构人脸识别仍然是一个具有挑战性的问题。主要困难是由于异构人脸图像空间之间的复杂关系。人脸图像的异质性往往与其他变量紧密耦合,使得异质人脸图像之间的关系具有高度的非线性。虽然已经提出了许多优秀的方法来建模非线性关系,但由于样本有限,这些方法容易过拟合训练集。受深度学习中无监督算法的启发,本文提出了一种新的异构人脸识别框架。我们首先在一些局部的面部点提取Gabor特征,然后使用受限玻尔兹曼机(RBM)在本地学习一个共享表示,以消除每个面部点周围的异质性。最后,局部RBM的共享表示被连接在一起并由PCA处理。两个问题(Sketch-Photo和NIR-VIS)和三个数据库被选择来评估所提出的方法。对于Sketch-Photo问题,我们在CUFS数据库上获得了理想的结果。对于NIR-VIS问题,我们在CASIA HFB和NIR-VIS 2.0数据库上产生了新的最先进的性能。
2014-06-05 cs.CV
Robust Head Pose Estimation Using Contourlet Transform
Urmia University(乌尔米亚大学)
头部姿态估计是许多模式识别和计算机视觉系统(如人脸识别)中的重要预处理步骤。由于人脸的姿态对人脸识别系统的性能有很大的影响,如何准确地估计人脸图像中的人脸姿态仍然是一个具有挑战性的问题。在本文中,我们提出了一种新的方法,头部姿态估计。为了提高估计的效率,我们使用轮廓波变换的特征提取。Contourlet变换是一种多分辨率、多方向的变换。为了降低特征空间的维数,获得合适的特征,我们使用LDA(线性判别分析)和PCA(主成分分析)去除无效特征。然后,我们应用不同的分类器,如k-最近邻(knn)和最小距离。我们使用公共可用的FERET数据库来评估所提出的方法的性能。仿真结果表明,该方法具有较好的鲁棒性。
2012-05-12 cs.CV
A PCA-Based Convolutional Network
Ocean University of China(中国海洋大学)
在本文中,我们提出了一种新的无监督深度学习模型,称为基于PCA的卷积网络(PCN)。PCN的结构由几个特征提取阶段和一个非线性输出阶段组成。特别地,每个特征提取阶段包括两个层:卷积层和特征池化层。在卷积层中,滤波器组简单地通过PCA学习。在非线性输出阶段,应用二进制哈希。对于更高的卷积层,滤波器组是从前一阶段获得的特征图中学习的。为了测试PCN,我们对一些具有挑战性的任务进行了广泛的实验,包括手写数字识别,人脸识别和纹理分类。结果表明,PCN的性能与最先进的深度学习模型相当,甚至更好。更重要的是,由于监督微调没有反向传播,PCN比现有的深度网络更有效。
2015-05-14 cs.CV cs.LG cs.NE
Face recognition via compact second order image gradient orientations
Jiangnan University(江南大学);Jiangsu Provincial Laboratory of Pattern Recognition and Computational Intelligence(江苏省模式识别与计算智能重点实验室)
传统的基于图像梯度方向的子空间学习方法只利用图像的一阶梯度信息。然而,近年来对人类视觉系统(HVS)的研究发现,神经图像是一个景观或表面,其几何特性可以通过二阶梯度信息来捕获。二阶图像梯度方向(SOIGO)可以减轻噪声对人脸图像的不利影响。为了减少冗余的SOIGO,我们提出了紧凑的SOIGO(CSOIGO)通过应用线性复主成分分析(PCA)的SOIGO。结合基于协同表示的分类(CRC)算法,CSOIGO的分类性能得到进一步提高。CSOIGO在真实世界伪装,合成遮挡和混合变化下进行评估。实验结果表明,该方法在训练样本较少的情况下优于同类方法,甚至优于一些主流的基于深度神经网络的方法。CSOIGO的源代码可在https://github.com/yinhefeng/SOIGO上获得。
2022-01-29 cs.CV
A Combined Feature-Based Framework for Disguise and Spoofing Detection in Face Recognition Systems
University of Colombo School of Computing (UCSC), University of Colombo(科伦坡大学计算机科学学院,科伦坡大学)
本文提出并比较五种联合特征提取分类流水线,在单一框架内检测人脸识别系统的伪装与欺骗,HPM性能最一致,LPM欺骗检测准确率最高,揭示经典特征在欺骗敏感性与伪装鲁棒性间的权衡。
2026-08-12 cs.AI cs.CR cs.CV
Quotient Based Multiresolution Image Fusion of Thermal and Visual Images Using Daubechies Wavelet Transform for Human Face Recognition
Tripura University(特里普拉大学);Jadavpur University(贾达沃普尔大学)
本文研究了基于多分辨率水平商和水平商的热图像和可见光图像融合。在所提出的系统中,方法-1即“分解然后商数-1级”和方法-2即“分解-重构然后商数-2级”都工作于视觉和热人脸图像的小波变换。小波变换是非常适合管理不同的图像分辨率,并允许在不同类型的系数的图像分解,同时保持图像信息没有任何损失。这种方法是基于一个定义的照明不变的签名图像,使一个分析生成的图像空间与不同的照明。商融合图像通过主成分分析(PCA)的降维,然后使用多层感知器(MLP)对这些图像进行分类。这两种方法的性能进行了评估,使用OTCBVS和IRIS数据库。对不同的类分别进行了测试,其中最高识别率为100%。
2010-07-05 cs.CV
Robust 3D face recognition in presence of pose and partial occlusions or missing parts
RCC Institute of Information Technology(RCC信息技术学院);Jadavpur University(贾达普大学)
在本文中,我们提出了一个强大的三维人脸识别系统,可以处理姿态以及在现实世界中的遮挡。该系统首先输入一幅三维深度图像,同时使用ICP(迭代最近点)算法对其进行配准。在这项工作中使用的ICP,通过最小化探针模型和图库模型之间的距离,将面部表面注册到一个共同的模型。然而,ICP的性能在很大程度上依赖于初始条件。因此,有必要提供初始配准,该初始配准将被迭代地改进并且最终收敛到可能的最佳对准。一旦面部被配准,则通过对3D图像的深度图值进行阈值化来自动提取遮挡。在检测到遮挡区域后,通过主成分分析(PCA)进行恢复。在去除遮挡之后,恢复的图像然后被馈送到识别系统用于分类目的。从重建的非遮挡人脸图像中提取人脸法线形式的特征。在博斯普鲁斯海峡3D人脸数据库中的遮挡人脸图像上进行的实验结果表明,该算法的识别准确率达到了91.30%。
2014-08-16 cs.CV
Dynamic Model of Facial Expression Recognition based on Eigen-face Approach
Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校)
情感是传达信息的最好方式;有时它比语言承载更多的信息。近年来,由于人类情感的自动识别在安全、监控、市场营销、广告和人机交互等领域的广泛应用,人们对人类情感的自动识别产生了极大的兴趣。为了以自然的方式与计算机通信,将期望使用基于语音、手势和面部表情的更自然的人类通信模式。本文提出了一种整体的面部表情识别方法,该方法在时域上捕捉面部特征的变化,并对不同情绪下的图像序列进行分类。该方法使用Haar类特征来检测图像中的人脸。使用主成分分析(PCA)降低特征空间的维数。通过将后续的人脸图像投影到主特征方向上,对所获得的权重向量的变化模式进行建模,以将其分类为不同的情感。由于不同人的表情及其强度的差异,遵循特定于人的情感识别方法。使用正面人脸的灰度图像,该系统能够分类四种基本情绪,如快乐,悲伤,惊讶和愤怒。
2013-11-23 cs.CV
A Real Time Facial Expression Classification System Using Local Binary Patterns
IIT Kharagpur(印度理工学院克勒格布尔分校)
人脸表情分析是人机交互(HCI)领域的研究热点之一。它在下一代用户界面、人类情感分析、行为和认知建模等方面有着广泛的应用。提出了一种基于Haar分类器的人脸检测算法,利用人脸图像不同块大小的局部二值模式(LBP)直方图作为特征向量,利用主成分分析(PCA)对不同表情进行分类。由于该算法的计算复杂性较小,因此该算法可以实时的实现表情分类。针对人脸表情分析中的各种表情和表情强度因人而异的特点,提出了一种可定制的人脸表情分析方法。该系统使用一个人的灰度正面图像来分类六种基本情绪,即快乐,悲伤,厌恶,恐惧,惊讶和愤怒。
2015-05-15 cs.CV
Face Recognition Based on Polar Frequency Features
提出了一种新的基于极频率的生物动机人脸识别算法。通过傅里叶-贝塞尔变换(FBT)从人脸图像中提取极频率描述子。接下来,计算所有图像之间的欧几里德距离,并且每个图像现在由其与其他图像的相异性表示。在此相异性空间上建立了一个伪Fisher线性判别式。离散傅里叶变换(DFT)描述符的性能,以及两种特征类型的组合也进行了评估。该算法进行了测试,40和1196主题的人脸数据库(ORL和FERET,分别)。在训练和测试数据集中每个受试者有5张图像的情况下,对于FBT、DFT和组合分类器,ORL数据库上的出错率分别为3.8%、1.25%和0.2%,而之前最好的算法所达到的错误率为2.6%。信息量最大的极频率特征集中在低至中等角频率和低径向频率。在FERET数据库上,应用仿射归一化预处理,FBT算法在等级识别测试中仅优于PCA。然而,当通过验证测试进行评价时,其性能与最先进的方法相当。这些结果表明,人脸图像的极性频率内容的识别和验证任务的高信息价值,笛卡尔频率内容可以补充有关受试者身份的信息,但可能只有当图像没有预先规范化。人脸识别的可能影响进行了讨论。
2005-09-27 cs.CV
Next Level of Data Fusion for Human Face Recognition
Tripura University(特里普拉大学);Jadavpur University(贾达普大学)
本文演示了两种不同的融合技术在两个不同层次的人脸识别过程。第一个是在较低层次上的数据融合,第二个是在识别过程结束时的决策融合。首先对可见光图像和相应的热图像进行数据融合,生成融合图像。通过Daubechies小波系数(db2)分解后的图像在小波域中实现数据融合。在数据融合过程中,将近似系数的最大值与其他三个细节系数合并在一起。然后对融合后的系数进行主成分分析(PCA),最后分别采用多层感知器(MLP)和径向基函数(RBF)两种不同的人工神经网络对图像进行分类。在此之后,决策融合的决策,从两个分类器结合在一起,使用贝叶斯公式。对于实验,IRIS热/可见人脸数据库已被使用。实验结果表明,多分类器系统与决策融合的性能优于单分类器系统。
2011-06-17 cs.CV
Weighted Attribute Fusion Model for Face Recognition
Sona college of Technology(索纳理工学院);St.Peter’s Engineering College(圣彼得工程学院);Olivetti Research Laboratory(奥利维蒂研究实验室)
基于其属性识别人脸是人类执行的一项简单任务,因为它是一个认知过程。近年来,人脸识别是利用各种人脸特征单独或组合使用来实现的。目前,特征融合方法和并行方法是通过在不同层次上集成多个特征集来使用和执行的面部特征。然而,这种集成和组合方法并不能保证更好的结果。因此,为了达到更好的效果,选择了多个加权的面部属性集的特征融合模型。对于该特征模型,从Olivetti研究实验室(ORL)获取来自预定义数据集的人脸图像,并应用于不同的方法,如基于主成分分析(PCA)的特征特征提取技术、基于离散余弦变换(DCT)的特征提取技术、基于直方图的特征提取技术和基于简单强度的特征。从这些方法中提取的特征集进行了比较和测试的准确性。在这项工作中,我们开发了一个模型,它将使用上述一套特征提取技术与不同级别的权重,以达到更好的准确性。结果表明,选择最佳的权重为特定的功能将导致识别率的提高。
2010-09-28 cs.CV
Human Face Recognition from Part of a Facial Image based on Image Stitching
College of Science and Arts in Qurayyat, Jouf University(焦夫大学古拉亚特文理学院);Jouf University(焦夫大学)
目前的人脸识别技术大多需要待识别人的完整面部存在,而这种情况在实际中很难实现,所需的人可能会出现他的面部的一部分,这需要预测没有出现的部分。目前的大多数预测过程都是通过所谓的图像插值来完成的,这并不能给出可靠的结果,特别是如果丢失的部分很大的话。在这项工作中,我们采用了通过翻转图片中显示的部分来完成缺失部分的拼接过程,这取决于人脸在大多数情况下具有对称性的事实。为了创建一个完整的模型,使用了两种人脸识别方法来证明算法的效率。这里应用的所选人脸识别算法是特征脸和几何方法。图像拼接是将不同的摄影图像组合成完整场景或高分辨率图像的过程。多幅图像被整合以形成广角全景图像。通过计算拼接图像和原始图像之间的相似性以及通过拼接图像中接缝线的存在来确定图像拼接的质量。特征脸方法利用PCA计算来减少特征向量的维数。它为发现低维空间提供了一种有效的途径。此外,为了使所提出的算法能够识别人脸,它还确保了一种快速有效的人脸分类方法。特征提取阶段之后是分类器阶段。
2022-03-10 cs.CV
Inverting Black-Box Face Recognition Systems via Zero-Order Optimization in Eigenface Space
AIRI;Skoltech(斯克尔切技术学院);MSU(莫斯科大学);Elea AI
针对仅能获取相似度得分的高难度黑盒人脸识别模型反转场景,提出在PCA特征脸空间内做零阶优化的DarkerBB方法,在多个基准上实现了该设置下最优的验证准确率且查询效率具竞争力,凸显了相关隐私风险。
2025-06-11 cs.AI cs.CV
Face Prediction Model for an Automatic Age-invariant Face Recognition System
London e-Science Centre(伦敦电子科学中心);Imperial College London(帝国理工学院)
自动人脸识别和识别软件正在成为我们日常生活的一部分;它不仅在Facebook的自动照片标记,Apple的iPhoto,Google的Picasa,Microsoft的Kinect中找到了自己的住所,而且在国土安全部的专用生物识别人脸检测系统中也找到了自己的住所。这些自动人脸识别系统中的大多数都在衰老的影响下失败了。人脸预测是计算机人脸识别系统的一个重要组成部分,但关于人脸预测的文献很少。近年来,基于人脸各个部位(如眼睛、鼻子、嘴巴)特征的匹配算法相继出现,但这些方法的效率仍然不高。因此,在这项工作中,我们描述了一个人脸预测模型(FPM),预测人脸老化或生长相关的图像变化,使用主成分分析(PCA)和人工神经网络(ANN)学习技术。FPM捕捉面部变化,这发生在人类衰老和预测的面部图像与几年的差距与可接受的准确度从76%到86%的面部匹配。
2015-04-16 cs.CV cs.NE
A Comparative Study of Human thermal face recognition based on Haar wavelet transform (HWT) and Local Binary Pattern (LBP)
Jadavpur University(贾达普大学)
热红外(IR)图像关注面部肌肉和血管上的温度分布变化。这些温度变化可以看作是图像的纹理特征。本文对热谱人脸识别方法进行了比较研究。本文分析了基于Haar小波变换和局部二值模式(LBP)的两种局部匹配方法。小波变换是一种分析纹理多尺度、多方向变化的好工具。局部二值模式(LBP)是用于计算机视觉中的分类的一种类型的特征。首先对红外热像人脸图像进行预处理,从整幅图像中裁剪出人脸区域;其次,使用两种不同的方法从裁剪的人脸区域中提取特征。在第一种方法中,对训练图像和测试图像进行Haar小波变换,并为每个人脸图像创建LL频带和LH/HL/HH频带子图像的平均值。然后,通过取LL带和平均带的对应像素值的加权和,为每个人脸图像形成总置信矩阵。对于LBP特征提取,将训练和测试数据集中的每个面部图像划分为161个子图像,每个子图像的大小为8 × 8像素。对于每个这样的子图像,提取LBP特征,其以逐行方式连接。PCA是单独执行的个人特征集的维度再教育。最后用两种不同的分类器对人脸图像进行分类。一种这样的分类器是多层前馈神经网络,另一种分类器是最小距离分类器。实验已经在我们自己的实验室和Terravic面部IR数据库中创建的数据库上进行。
2013-09-04 cs.CV
Polar Fusion Technique Analysis for Evaluating the Performances of Image Fusion of Thermal and Visual Images for Human Face Recognition
Tripura University(特里普拉大学);Jadavpur University(贾达普大学);Université Pierre et Marie Curie, Paris-6(皮埃尔和玛丽·居里大学(巴黎第六大学));Université Denis Diderot, Paris-7(丹尼斯·狄德罗大学(巴黎第七大学))
本文提出了两种不同的方法,这是基于视觉和热图像的融合和极坐标变换的比较研究。在这里,调查是为了应对人脸识别的挑战,其中包括姿态变化,面部表情的变化,部分遮挡,照明变化,通过不同的角度旋转,规模的变化等,为了克服这些障碍,我们已经实施并通过严格的实验彻底检查了两种不同的融合技术。在第一种方法中,对数极坐标变换应用于视觉和热图像融合后获得的融合图像,而在第二种方法中,融合应用于对数极坐标变换的个体视觉和热图像。在以一种形式或另一种形式获得的该步骤之后,应用主成分分析(PCA)来降低融合图像的维度。对数极坐标变换图像能够处理由缩放和旋转引入的复杂性。采用融合的主要目的是产生一个融合的图像,提供更详细和可靠的信息,这是能够克服存在于个人的视觉和热人脸图像的缺点。最后,使用多层感知器神经网络对这些简化的融合图像进行分类。用于这里进行的实验的数据库是对象跟踪和分类超可见光谱(OTCBVS)数据库基准热和视觉人脸图像。第二种方法表现出更好的性能,这是95.71%(最高),平均93.81%的正确识别率。
2011-06-17 cs.CV
PCA-SRGAN: Incremental Orthogonal Projection Discrimination for Face Super-resolution
Nanjing University of Science and Technology(南京理工大学);Beijing Union University(北京联合大学);Beijing University of Posts and Telecommunications(北京邮电大学)
生成对抗网络(GAN)已用于人脸超分辨率,但它们很容易带来扭曲的面部细节,并且在恢复真实纹理方面仍然存在弱点。为了进一步提高基于GAN的模型在超分辨率人脸图像上的性能,本文提出了PCA-SR GAN,它关注人脸数据的PCA投影矩阵所构成的正交投影空间中的累积鉴别能力。通过将从结构到细节的主成分投影输入到小波变换器中,可以大大降低识别难度,增强生成器的性能,重建出更清晰的轮廓和更精细的纹理,最终实现高感知、低失真。这种增量式正交投影判别法保证了从粗到细的精确优化过程,避免了对感知正则化的依赖。我们在CelebA和FFHQ人脸数据集上进行了实验。定性的视觉效果和定量的评价表明,我们的模型的性能优于相关的作品。
2020-08-28 cs.CV
Quantifying the Extent to Which Race and Gender Features Determine Identity in Commercial Face Recognition Algorithms
The U.S. Department of Homeland Security, The Maryland Test Facility Science and Technology Directorate(美国国土安全部、马里兰州测试设施科技总监办公室)
人脸特征可用于确定个人身份以及性别和种族等人口统计信息。然而,尽管政府和行业的部署越来越多,但人们对黑匣子商业人脸识别算法(CFRA)使用性别和种族特征来确定身份的程度知之甚少。在这项研究中,我们量化了性别和种族特征影响不同人之间的人脸识别相似性得分的程度,即非交配得分。我们使用五种不同的CFRA和333个不同的测试对象进行了这项研究。作为对照,我们将这些非配对分布的行为与商业虹膜识别算法(CIRA)进行了比较。与之前的工作相同,所有CFRA对相同性别和种族的人产生了更高的相似性分数,这种效应被称为“广泛同质性”。CIRA没有观察到这种影响。接下来,我们将主成分分析(PCA)应用于相似性得分矩阵。我们发现,CFRA的一些主成分(PC)按性别和种族聚类的人,但大多数没有。PC中的人口统计学聚集仅占CFRA评分总方差的10%。CIRA未观察到聚类。这表明,虽然CFRA使用一些性别和种族特征来建立身份,但当前CFRA使用的大多数特征与性别和种族无关,类似于CIRA使用的虹膜纹理模式。最后,重建的相似性得分矩阵,只使用PC,没有人口统计学聚类减少了广泛的同质性效应,但也减少了交配和非交配得分之间的分离。这表明CFRA有可能对与性别和种族无关的特征进行操作,尽管识别准确率稍低,但这不是当前的商业实践。
2020-10-15 cs.CV
Rotation Invariant Face Detection Using Wavelet, PCA and Radial Basis Function Networks
University of Rajshahi(拉杰沙希大学);International Islamic University Chittagong(吉大港国际伊斯兰大学)
提出了一种基于小波变换、主成分分析和径向基网络的人脸方向检测方法。对输入图像进行二维小波和二维平稳小波分析。共同的目标关注的是图像清除和简化,这是去噪或压缩的一部分。我们采用了一种有效的方法来减少使用PCA的输入向量的维数。然后使用径向基函数(RBF)神经网络作为函数逼近网络来检测输入图像是否包含人脸,如果存在人脸,则告知其方向。我们将展示RBF如何比反向传播算法表现得更好,并给出一些更好的RBF(GRNN)网络正则化的解决方案。与传统的RBF网络相比,该网络具有更好的逼近底层函数的能力、更快的学习速度、更小的网络规模以及对异常值的鲁棒性。
2010-09-25 cs.CV