基于特征融合的人臉識(shí)別.pdf_第1頁
已閱讀1頁,還剩70頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、人臉識(shí)別引起了研究者的廣泛興趣和關(guān)注,在公共生活和安全領(lǐng)域具有廣闊的市場前景。當(dāng)前,優(yōu)秀的人臉識(shí)別算法在理想條件下能達(dá)到滿意的識(shí)別效果。但是,在非理想條件下(光照變化、姿態(tài)不同、面部表情差異、有無遮擋等),人臉的識(shí)別性能還有待提高。要建立魯棒性好、實(shí)用的人臉識(shí)別系統(tǒng)還需要解決很多問題。
  本文通過對人臉全局特征和局部特征的特點(diǎn)進(jìn)行分析,基于互補(bǔ)的思想,利用神經(jīng)網(wǎng)絡(luò)對全局和局部特征進(jìn)行融合,設(shè)計(jì)分類器,從而提高人臉識(shí)別的正確率。本

2、文研究的內(nèi)容主要有:
  1、運(yùn)用全局特征對人臉進(jìn)行識(shí)別,確定人臉全局特征提取方法。分別采用主成份分析法(Principal Component Analysis, PC和A)2D-PCA提取全局特征并進(jìn)行人臉識(shí)別,對兩種方法進(jìn)行比較,確定采用PCA方法獲得人臉全局特征。
  2、運(yùn)用Gabor變換提取人臉局部特征,采用多分類器融合策略對人臉進(jìn)行識(shí)別。Gabor變換提取人臉局部特征,對局部變化(比如表情和遮擋等)具有很好的魯

3、棒性能。Gabor變換得到的人臉局部特征向量維數(shù)太大,為了解決此問題,利用基于人臉關(guān)鍵部位的Gabor特征分組及其融合的人臉表示和識(shí)別方法。通過賦予不同部位不同的權(quán)值,把多個(gè)特征進(jìn)行融合,從而將高維的Gabor特征“化繁為簡”。
  3、運(yùn)用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)將人臉的全局特征和局部特征進(jìn)行并行融合,在此基礎(chǔ)上設(shè)計(jì)分類器,進(jìn)行人臉識(shí)別。神經(jīng)科學(xué)的研究表明,人的視野神經(jīng)系統(tǒng)結(jié)合人臉的全局特征和局部特征來進(jìn)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論