基于多貝葉斯分類器融合的人臉識(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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、人臉識(shí)別是圖像處理、計(jì)算機(jī)模式識(shí)別、生物特征識(shí)別等領(lǐng)域的研究的熱點(diǎn),因其巨大的學(xué)術(shù)和實(shí)際應(yīng)用價(jià)值而越來越受到廣泛的關(guān)注。近幾十年來在眾多科研工作者們的努力下人臉識(shí)別技術(shù)雖然取得了極大的進(jìn)展,但在用戶不配合、非理想采樣、海量人臉圖像等條件下,人臉識(shí)別仍然存在著很大的困難。對(duì)于海量圖像庫中的人臉匹配識(shí)別,適合于分布式并行處理機(jī)制的模式分類器的訓(xùn)練、設(shè)計(jì)與實(shí)現(xiàn)是需要解決的關(guān)鍵問題。
  本文針對(duì)復(fù)雜人臉圖像樣本的高性能身份識(shí)別以及分布式

2、并行處理需求,結(jié)合近幾年來人臉識(shí)別技術(shù)領(lǐng)域中分類器發(fā)展的趨勢(shì),研究和提出了一種通過對(duì)基于局部特征的Joint Bayesian分類器進(jìn)行融合的人臉匹配識(shí)別方法。該方法首先使用訓(xùn)練好的約束局部模型(Constrain Local Model,CLM)模型在人臉上提取27個(gè)關(guān)鍵點(diǎn),并提取以這些特征點(diǎn)為中心的人臉塊,將它們進(jìn)一步劃分互不重疊的若干個(gè)單元格;然后利用局部二值模式(Local Binary Pattern,LBP)描述子對(duì)人臉塊的

3、特征進(jìn)行表征,并將這些局部LBP特征通過Joint Bayesian統(tǒng)計(jì)訓(xùn)練得到多個(gè)局部分類器;最后使用邏輯回歸模型將這些局部分類器進(jìn)行融合,用于人臉的驗(yàn)證。具體的研究工作包括:
  (1)提出了CLM與LBP相結(jié)合的人臉特征抽取方法,與傳統(tǒng)的全局LBP紋理特征提取、基于特征點(diǎn)的低維結(jié)構(gòu)特征提取等人臉特征抽取方法相比,本文提出的方法可以同時(shí)提取目標(biāo)的結(jié)構(gòu)特征與紋理特征,在特征提取的精度和效率上實(shí)現(xiàn)合理折中。
  (2)提出了

4、融合多個(gè)基于局部特征的joint Bayesian分類器的人臉識(shí)別方法,在該方法中,各個(gè)局部分類器可以獨(dú)立訓(xùn)練與測(cè)試,多個(gè)局部分類器可以分布式并行訓(xùn)練與測(cè)試,與傳統(tǒng)的全局貝葉斯分類方法相比,提高了分類器的訓(xùn)練與實(shí)時(shí)識(shí)別(測(cè)試)效率。由于訓(xùn)練和測(cè)試效率的提高,本文的局部分類器可以使用高維的LBP特征,使得全局的有效特征維數(shù)增加,提高了匹配識(shí)別性能。
  (3)研究和提出了利用邏輯回歸模型對(duì)多個(gè)基于局部特征的Joint Bayesia

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(qǐng)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(qǐng)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(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論