视觉传感网络中身份特征自适应识别算法改进
计算机视觉技术在人脸识别中的应用方法
计算机视觉技术在人脸识别中的应用方法人脸识别是一种将人脸图像与数据库中的已知身份进行比对的技术。
随着计算机视觉技术的发展，人脸识别已经成为了现实生活中的一个重要应用领域。
它可以用于安全验证、智能门禁、社交媒体、人脸支付等多个领域。
本文将介绍一些常见的计算机视觉技术在人脸识别中的应用方法。
一、面部检测面部检测是人脸识别的基础，它可以通过计算机视觉技术来检测、定位和识别人脸。
其中，最常用的方法是基于Haar特征的级联分类器。
这种方法通过提取图像中的Haar特征，然后通过级联分类器进行分类，从而确定面部位置。
二、特征提取特征提取是人脸识别中的重要一步，它用于提取人脸图像中的独特特征。
其中，最常用的方法是使用局部二值模式(LBP)和主成分分析(PCA)。
LBP方法通过计算图像中像素点与其邻域像素点之间的差异来提取特征。
PCA方法则通过线性变换将原始图像转换为可以区分不同人脸的低维向量。
三、人脸匹配在人脸识别中，将待识别的人脸与数据库中的已知人脸进行匹配是至关重要的步骤。
最常见的匹配方法是使用支持向量机(SVM)或局部二值模式直方图(LBPH)。
SVM方法利用已知人脸图像建立一个分类器，然后将待识别图像与分类器进行比对。
LBPH方法则通过计算图像的直方图来提取特征，然后使用直方图之间的距离度量进行匹配。
四、姿态估计姿态估计是指通过计算机视觉技术来估计人脸图像的朝向和角度。
它可以用于纠正人脸图像的倾斜、旋转等变形，从而提高人脸识别的准确性。
最常用的方法是使用3D模型和特征点检测。
3D模型可以将2D图像转换为3D空间中的虚拟模型，然后以此来估计人脸的姿态。
特征点检测方法则通过检测人脸图像中的关键特征点，如眼睛、鼻子、嘴巴等来估计姿态。
五、活体检测活体检测是为了防止人脸识别系统被假人脸欺骗而引入的一种技术。
它可以通过计算机视觉技术来检测人脸图像中的活体特征，如面部表情、眨眼、眨动等。
最常见的方法是使用红外成像、双目摄像头或者3D传感器来捕捉人脸图像，然后通过分析图像中的纹理、形状、运动等特征来进行活体检测。
改进的Siamese自适应网络和多特征融合跟踪算法
改进的Siamese自适应网络和多特征融合跟踪算法
李睿;连继荣
【期刊名称】《计算机科学与探索》
【年(卷),期】2022(16)11
【摘要】针对当前目标跟踪领域中跟踪精确度和跟踪速度难以平衡的问题,例如基于相关滤波实现的跟踪器能够以很高的速度运行,但跟踪准确性极低;基于深度学习实现的跟踪器能够实现较高的跟踪准确性,但跟踪速度较低。
在此基础上,提出一种改进的Siamese自适应网络和多特征融合目标跟踪算法。
首先在Siamese网络每个分支上同时构建AlexNet网络和改进的ResNet网络,用于特征提取。
其次通过端到端的方式同时进行训练,将跟踪问题分解为分类每个位置标签和回归边界框子问题。
最后对浅层特征和深层特征进行自适应选择,并基于多特征融合进行目标识别和定位。
将提出的算法与现有的一些跟踪器在目标跟踪标准数据集上进行测试。
实验结果表明,提出的算法能够在确保跟踪速度的同时实现较高的跟踪精确度和成功率。
同时,在光照变化、形变、背景杂波等复杂情况下,算法具有较强的鲁棒性。
【总页数】9页(P2587-2595)
【作者】李睿;连继荣
【作者单位】兰州理工大学计算机与通信学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.动态特征和静态特征自适应融合的目标跟踪算法
2.融合SURF特征的改进自适应分块目标跟踪算法
3.基于颜色特征与SIFT特征自适应融合的粒子滤波跟踪算法
4.融合深度特征和FHOG特征的尺度自适应相关滤波跟踪算法
5.基于多层特征自适应融合孪生网络的目标跟踪算法
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的AdaBoost检测算法在身份识别中的应用
改进的AdaBoost 检测算法在身份识别中的应用黄志威（华南农业大学数学与信息学院，广州510642)摘要：传统的AdaBoost 人脸检测算法训练时间长对设备要求高，在复杂背景下存在漏检误检。
提出一种基于小波重构和特征提取的AdaBoost 人脸检测算法，并应用到身份验证中。
采用小波重构方法，实现对人脸信息有用特征的重构，进行去噪处理提高人脸识别的准确性。
采用人脸特征关联性方法将不同的人脸特征子集进行分类处理，采用特征提取算法实现对AdaBoost 算法的改进。
仿真结果表明，采用改进的人脸检测算法进行身份验证，能检测到一定范围内的非正脸图像特征，有效提取人脸的局部信息特征点，提高身份验证对象的检测精度和正确识别率。
关键词：人脸检测；身份验证；特征提取中图分类号：TP391文献标识码：A文章编号：1001-7119（2015）10-0190-03Improved AdaBoost Detection Algorithm and Application in Identity AuthenticationHuang Zhiwei（College of Mathematics and Informatics,South China Agricultural University,Guangzhou 510642,China ）Abstract:The traditional face detection algorithm needs much training time,and has high requirements for equipment,andthere are false detection in complex background.An AdaBoost face detection algorithm is proposed based on wavelet recon⁃struction and feature extraction,and it is applied in identity verification.By using the wavelet reconstruction method,the re⁃construction of useful face information features is obtained,denoising processing is used to improve the accuracy of face recognition.The facial feature relevance method is used,and the different features of face are classified in different sets.The feature extraction algorithm is used to improve the AdaBoost face detection algorithm.Simulation results show that,the new method can detect the non frontal face image features within a certain range,and the detection precision and accurate recognition rate are improved.Keywords:face detection;identification;feature extraction收稿日期：2014-10-25作者简介：黄志威（1989-），男，广东东莞人，硕士研究生，研究方向：人机交互，图像处理，计算机视觉。
人体姿态识别算法的改进与优化研究
人体姿态识别算法的改进与优化研究摘要：人体姿态识别在计算机视觉领域具有重要的应用价值，但传统的算法在姿态识别过程中存在一些问题。
本文对人体姿态识别算法进行了改进和优化研究，以提高姿态识别的准确性和稳定性。
主要通过改进骨架模型、引入深度学习方法和应用先进的优化算法来优化传统算法。
实验证明，经过改进和优化的算法在人体姿态识别任务中具有更好的性能和鲁棒性。
1.引言人体姿态识别是计算机视觉领域的一个研究热点，它在人体动作分析、人机交互、游戏控制等方面具有广泛的应用。
传统的姿态识别算法主要是基于人体骨骼模型的，然而，这些算法在复杂场景下的准确性和稳定性受到一定的限制。
2.改进骨架模型传统的人体姿态识别算法主要依赖于对骨架模型的建模和匹配。
然而，由于人体姿态的多样性和复杂性，传统的骨架模型在一些场景下无法准确地捕捉到人体的姿态信息。
因此，对骨架模型进行改进是优化人体姿态识别算法的重要方向之一。
针对这一问题，我们提出了一种改进的骨架模型，该模型在传统骨架模型的基础上引入了更多的关节点信息，并采用了更复杂的拓扑结构。
通过增加关节点的数量和优化骨架连接的方式，我们能够更好地捕捉到人体的细微姿态变化，并提高姿态识别的准确性。
3.引入深度学习方法传统的人体姿态识别算法通常依赖于手工设计的特征提取器，这种方法在复杂的场景下往往效果不佳。
为了解决这个问题，我们引入了深度学习方法来提取特征并进行姿态分类。
具体而言，我们采用了卷积神经网络（CNN）作为特征提取器，并利用反向传播算法对网络进行训练。
通过大量的标记数据，我们能够训练出一个深度学习模型，能够更好地捕捉人体姿态的特征，并提高姿态识别的精度和鲁棒性。
4.应用先进的优化算法优化算法在人体姿态识别中起到了重要的作用。
传统的优化算法，如遗传算法、粒子群算法等，虽然在一定程度上能够优化姿态识别的性能，但仍存在一些问题，例如易陷入局部最优解、收敛速度慢等。
为了解决这些问题，我们引入了一种先进的优化算法，如强化学习算法。
一种改进感知哈希算法的2DPCANet人脸识别方法
一种改进感知哈希算法的2DPCANet 人脸识别方法摘要：感知哈希算法是一种常见的人脸识别方法，但是由于其较低的识别率和误识别率，需要进行改良。
本文提出了一种改进感知哈希算法的2DPCANet 人脸识别方法。
该方法在传统的感知哈希算法基础上引入了2DPCA 和连通性分析，并通过实验结果验证了其较高的识别率和较低的误识别率。
该方法具有简单高效的特点，可在实际应用中发挥重要作用。
关键词: 感知哈希算法，2DPCA，连通性分析，人脸识别Introduction:人脸识别技术在生物识别领域得到了广泛应用，并取得了良好的效果。
然而，如何准确、高效地实现人脸识别仍然是一个挑战。
感知哈希算法是一种常见的人脸识别算法，其基本思想是将大尺度的图像压缩成小尺度并将其表示为二进制编码，以减少计算量和存储空间。
然而，传统的感知哈希算法在实际应用中存在一些问题，例如识别率较低、误识别率较高等，需要进行改进。
在2DPCA（二维主成分分析）方法中，图像被视为一个二维矩阵，并可以将其分解为多个序列，然后通过对每个序列的主成分进行计算来提取图像的特征。
连通性分析则是一种常见的形态学分析方法，它可以用来识别流数据中的结构性元素。
本文提出了一种改进感知哈希算法的2DPCANet 人脸识别方法，该方法在传统感知哈希算法基础上加入了2DPCA 和连通性分析，并且通过实验验证了该方法的有效性。
The proposed method:改进感知哈希算法的2DPCANet 人脸识别方法主要包括以下四个步骤：1.使用2DPCA 提取人脸图像的特征向量。
2.根据提取的特征向量将人脸图像进行二值化处理。
3.运用感知哈希算法将二值化的人脸图像压缩成小尺度的2DPCANet。
4.利用连通性分析方法对每个2DPCANet 进行特征提取和识别过程。
2DPCA 技术可以将人脸图像进行有效的编码，从而提高了人脸识别的准确率。
在本文中，使用相同的样本集在原始PCA 和2DPCA 上进行了比较，结果表明，2DPCA 能够更有效地提取人脸特征，因为它不仅考虑了像素之间的相关性，而且考虑了不同像素之间的关联信息。
基于生物特征的人脸识别技术研究
基于生物特征的人脸识别技术研究I. 介绍人脸识别技术是一种通过图像处理技术和模式识别算法，将人脸图像进行比对和匹配，以达到身份验证或者识别的技术。
传统人脸识别技术主要基于面向对象和特征提取的方法，而这种基于生物特征的人脸识别技术则更加注重人脸的生物特征。
II. 生物特征生物特征是指人体各个部分在生物上都不同于其他人，并且不具有可改变性的一种特征。
人脸生物特征主要包括三方面，即面部外形特征、纹理特征和热特征。
面部外形特征：是指人脸的轮廓、眼睛、鼻子、嘴巴等部位的位置、大小、形状等，这些特征随着个体的年龄和生长发生变化。
纹理特征：是指人脸表面的纹理、斑点和皮肤毛孔等细节特征，这种特征随着自然光源、表情和状态的变化而变化。
热特征：是指人脸的体温分布和热量辐射等特征，在黑暗中也可以利用红外热成像来识别人脸。
III. 生物特征的应用生物特征可以在识别过程中满足人们对隐私和安全的需求，尤其在身份验证和控制权限等领域有广泛的应用。
1. 身份验证在金融、医疗、银行等领域，人脸识别技术可以应用于身份验证，取代传统的密码和智能卡等认证方式，提高身份验证的准确性和安全性。
2. 安保领域在监控系统、边境检查、机场安检和楼宇出入口等领域，人脸识别技术可以对人员进行实时识别，较好的避免犯罪和违法行为发生，提高安全性。
3. 表情分析人脸识别技术可以对表情进行分析，尤其在医学和心理学领域有重要的意义，在帮助人们了解和诊断情感障碍及相关疾病。
IV. 生物特征的识别方式基于生物特征的人脸识别技术主要有三种识别方式：特征码匹配、基于模式匹配和深度学习。
1. 特征码匹配特征码匹配法在识别人脸时，先从人脸图像中提取特征码，然后将其与数据库中的特征码进行比对，以实现识别。
特征码提取方式多样，包括LBP、HOG等。
2. 基于模式匹配基于模式匹配法主要是通过人脸图像的灰度值来提取特征，然后采用支持向量机、神经网络、卷积神经网络等算法进行分类和识别。
传感器网络分布式鲁棒自适应估计算法
第31卷第4期 传感技术学报 Vol. 31 No. 42018 $ 4 % CHINESE JOURNAL OF SENSORS AND ACTUATORS Apr. 2018
Distrilbuted Robust Adaptive Estimation Algoritlim over Sensor NetworksKANG Kaikai $LIU Zhaoting!"School of Communication Engi'ering ,Hangzhou Dianzi University,Hangzhou 310000, China)
Abstract! As an important task $ sensor networks acquire an estimate of some parameter from their measurements
corrupted by noises $ so as to determine the interdependency and interrelationship of different physical quantities. However $ the network environment may suffer from impulse interferences $ resulting in some outliers mixed in the measurements. Consequently，many existing algorithms fail to yield effective estimation results. In order to solve this problem，we propose a distributed robust adaptive estimation algorithm in this paper. This algoritlim introduces an31-norm in cost function based on the sparisty of outliers，arming at detect and then reject these outliers，and
改进的SIFT特征人脸识别方法ADSIFT
影 响该 方法 的适 用性 ．
文献［ １ ８ ］ 也是从人脸图像 中分割出若干子区域 ，但不是根据五官所在位置进行 自然 划分 ，而是 通过 Ｋ — ｍｅ ａ ｎ ｓ 方法 将 人 脸 图像 所有 Ｓ Ｉ Ｆ Ｔ特 征 向量 进行 聚类 ，据 此 将 人脸 图 像分 割为 若干 子 区域 ，而不再 受 到五 官位置 的约 束 ，具有 更好 的灵 活性 ．但 由于 这 种子 区域划 分 方法 是 以 Ｓ Ｉ Ｔ 特 征 向量 这种 局 部特 征 为依 据 ，因而 对表 情 、光 照 的变 化非 常 Ｆ 敏感 ， 使子区域的划分结果有很大不确定性 ，容易造成不同脸部子 区域的误匹配． 每 个 人 的脸 部 图像 都有 一 些 与众 不 同 的特征 ，借助 于 Ｓ Ｉ Ｆ Ｔ特 征 的 尺度 不 变 性 和旋 转 不 变性 ，从脸 部 图像 提 取得 到 的 Ｓ Ｉ Ｔ 特 征 向量 可 以在 尺度 、角度 甚 至 表情 有 变 化 的 Ｆ 情 况 下仍 保 持一 定 稳 定 ．但实 际 上从 同一个 人 的不 同脸部 图像 提 取 得 到 的 Ｓ Ｉ Ｔ 特征 向 Ｆ 量 集 合 却 有 很 大 差 异 ，这 是 因 为光 照 、噪 声 、夸 张 表 情 等 因素 可 能 破 坏 某 些 重 要 的
５ １ ５ ０ ７ ８ ；２ ． 汕头大学工学 院电子工程 系，广东 汕头 ５ １ ５ ０ ６ ３ ）
摘
要 ：针 对 光 照 、表 情 、噪 声 等 因素 容 易 造 成 误 识 别 的 问 题 ，提 出一 种 改 进 的 Ｓ Ｉ Ｖ Ｉ ＂ 特 征
人脸识 别方法 ．对每个训 练 图像 ，先提取 得到 Ｓ Ｉ Ｆ Ｔ特征 向量集合 ，利用 每个 ｓ Ｉ Ｖ ｒ 特 征 向 量 ，并选择 阈值构造一个 弱分类器．利用一种 基于 Ａ ｄ ａ ｂ ｏ ｏ ｓ ｔ 的算法从 每个训 练图像 的弱分 类器集合 中选 出一部分 ，确定 其对应 的阈值 和权重 ，然后构 造出该训 练图像的相似度 函数 ．
使用计算机视觉技术进行人脸识别的步骤与方法
使用计算机视觉技术进行人脸识别的步骤与方法人脸识别是一项基于计算机视觉技术的重要应用。
通过对人脸图像进行分析和比对，人脸识别技术可以用于身份验证、安全监控、人脸检索等多个领域。
本文将介绍使用计算机视觉技术进行人脸识别的步骤与方法。
首先，进行人脸识别的第一步是采集人脸图像。
这可以通过摄像头捕捉实时图像，或者使用已有的人脸图像数据库。
在采集图像时，应考虑光照条件、角度、面部表情等因素，并保证图像清晰度和质量。
第二步是进行人脸检测。
人脸检测是人脸识别的基础，其目的是在给定图像中准确定位和提取出人脸区域。
常用的人脸检测算法有Haar特征、自适应增强的积分图像（AdaBoost）和卷积神经网络（CNN）等。
这些算法可以自动识别图像中的人脸，并生成人脸区域的包围框。
第三步是进行关键点标定。
关键点标定是指定位人脸图像中的一些特殊区域，例如眼睛、鼻子和嘴巴等。
通过这些关键点，可以准确描述人脸的形状和结构信息。
常用的关键点标定算法有形状模型和深度回归等。
这些算法可以利用已知的关键点位置来进一步检测和标定人脸。
第四步是进行人脸特征提取。
人脸特征提取是人脸识别的关键步骤，其目的是将人脸图像转化为能够表征人脸特征的向量或矩阵。
常用的人脸特征提取方法有主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）和人工神经网络等。
通过这些方法，可以将人脸图像进行降维和特征提取，获得更具代表性和可区分性的人脸特征。
第五步是进行人脸比对与识别。
人脸比对与识别是根据人脸特征进行判断和匹配的过程。
常用的人脸比对与识别算法有特征脸匹配、局部特征匹配和深度学习方法等。
这些算法可以通过计算不同人脸特征之间的相似度或距离来判断是否为同一个人，并输出相应的识别结果。
最后，对于大规模人脸识别系统，还需要考虑如何高效地存储和管理人脸图像、如何进行人脸数据库的索引和查找等问题。
此外，为了提高人脸识别的准确性和鲁棒性，还可以考虑联合使用多种人脸识别算法和技术，如结合特征融合、多尺度匹配和时空关联等方法。
人工智能在人脸识别技术中的应用与改进
人工智能在人脸识别技术中的应用与改进随着科技的不断发展，人工智能（Artificial Intelligence，AI）作为一项重要的技术领域，正逐渐走入人们的生活。
其中，人工智能在人脸识别技术方面的应用与改进，引起了广泛的关注。
本文将探讨人工智能在人脸识别中的应用，并提出一些可能的改进方向。
一、人工智能在人脸识别技术中的应用1. 人脸识别技术的基本原理人脸识别技术是通过摄像头获取图像或视频，利用人工智能算法对人脸进行提取、分析和比对，从而实现个体的身份辨认。
该技术主要包括人脸检测、人脸特征提取和人脸匹配三个步骤。
2. 安防领域中的应用人脸识别技术在安防领域的应用广泛存在。
通过与监控摄像头相结合，系统可以自动识别出特定人员，如犯罪嫌疑人、失踪人员等，增强了监控系统的安全性和实用性。
此外，该技术还可用于人员进出管理，如公司门禁系统、机场安检等场所。
3. 金融领域中的应用人脸识别技术在金融领域中也得到了广泛的应用。
通过与银行系统相结合，用户可以使用面部识别进行身份验证，取代传统的密码或指纹识别。
这提高了用户的安全性和便利性，并有效防止了身份盗窃等问题。
4. 社交娱乐领域中的应用人脸识别技术在社交娱乐领域中也有着重要的应用。
例如，各种滤镜应用和社交平台使用人工智能算法对用户的面部特征进行分析，并加以美化和变形，以创造新的娱乐方式。
二、人工智能在人脸识别技术中的改进1. 提高识别准确性当前人脸识别技术在实际应用中还存在一些准确性方面的问题。
为了提高识别的准确性，可以结合更多的特征信息，如三维信息和红外信息，以增加分析的维度和深度。
此外，在算法层面上，可以继续优化深度学习模型或采用更先进的算法，以提高人脸识别的准确度。
2. 加强数据的采集和管理人脸识别技术需要大量的训练数据才能达到较好的效果。
因此，为了提高人脸识别的准确性和稳定性，需要加强对各类人脸图像数据的采集和管理。
同时，要注重数据的多样性，以覆盖更广泛的人种、年龄和外貌特征，避免数据集的偏差性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
视觉传感网络中身份特征自适应识别算法改进李娜，张晓宁，朱芳娥(石家庄铁道大学四方学院计算机系，河北石家庄050011)
摘要：在对视觉传感网络中身份特征进行识别时，容易受到人脸表情、光照条件及遮挡等干扰，降低了身份 特征识别精度。提出了一种基于改进最小灰度差树的身份特征自适应识别算法。对待识别图像进行灰度处理 后，利用最小灰度差数增强待识别图像的质量;定义基于灰度的代价函数，获取待识别人脸图像和指定人脸图 像对应的各灰度对的匹配代价，建立最小灰度差树模型，计算两幅图像相似度后，直接采用最近邻匹配算法获 取和视觉传感网络注册图库中最小匹配代价对应的图像身份，将其看作待识别身份，实现视觉传感网络中身 份特征自适应识别。仿真实验结果表明，所提算法具有很髙的身份识别精度。关键词：视觉传感网络；身份特征；自适应识别中图分类号:TP391 文献标识码:Adoi: 10.11959/j.issn.lOOO-0801.2016171
Improvement of identity adaptive recognition algorithm in visual sensor network
LI Na, ZHANG Xiaoning, ZHU Fang?eDepartment of Computer Science, Shijiazhuang Tiedao University Sifang College, Shijiazhuang 050011, China
Abstract： When recognizing the identity in visual sensor network, it ^ s easily to be interfered with facial expression,
illumination condition and shelter, so as to reduce the recognition accuracy. An identity adaptive recognition algorithm based on the improved minimum gray difference tree in visual sensor network was put forward. After gray processing, the minimum gray difference was used to enhance the quality of the image; cost function based on gray level was defined, the match price of each corresponding pair of gray of the image to be recognized and the specified face image were achieved, minimum gray difference tree model was set up, after two image similarity were calculated, the nearest neighbor matching algorithm was directly applied to obtain the image identity corresponding to minimum matching cost in the visual sensor network registration gallery, it was viewed as the identity to be recognized, the adaptive identity recognition was achieved in visual sensor network. Simulation results show that the proposed algorithm has high identification accuracy.Key words： visual sensor network, identity, adaptive identification
1引言随着信息技术的快速发展，视觉传感网络技术已逄被
广泛应用到金融、电子商务等多个领域，视觉传感网络的
信息量快速增加，传感网络信息的安全成为了该领域存在 的重点问题[1'如何有效地增加视觉传感网络的安全性能
收稿日期：2.016-04-27;修回日期：2016-06-01• 111 •电信科学2016年第6期成为了亟待解决的问题，而身份特征识别是保证视觉传感 网络安全的必要前提，如何有效地对用户的身份进行识 别、保护视觉传感网络信息的安全，已经受到相关领域专 家学者的广泛重视，同时也出现了一些较好的身份特征自 适应识别算法其中，参考文献[6]提出了基于空间频率特征模式相融 合的视觉传感网络身份识别算法，通过坐标系和傅里叶变 换对空间特征和频率特征进行提取和融合，通过支持向暈 机对融合特征进行学习和分类，实现视觉传感网络中的身 份识别，但该方法识别精度差;参考文献m提出了基于掌 纹和人脸特征的视觉传感网络身份识别算法，对掌纹和人 脸图像进行融合，通过小波变换对融合后的图像进行加 强，采用最小距离分类器对身份信息进行分类，完成身份 识别，但该方法实现过程复杂;参考文献[8]提出了基于遗 传算法和BP神经网络的视觉传感网络身份识别方法，通
过小波技术对噪声进行过滤;然后选择含有个体身份信息 的幅值、间期特征作为BP神经网络的输人向量，利用遗传 算法对BP网络的权值和阈值进行优化，达到身份识别的 目的，但该方法易陷人局部最优;参考文献[9]提出了基于 小波变换和支持向量机的ECG身份识别算法，采用小波 处理对ECG信号中的噪声进行过滤;对ECG特征进行降 维处理，删除冗余特征，并输人支持向董机实现训练，完成 身份识别，该算法实现过程非常复杂、运行效率低，不适合 大范围使用;参考文献[10]提出了基于人脸辨别技术的视 觉传感网络身份识别算法，在人脸辨别技术的基础上，通 过二阶双向二维主成份分析法对人脸特征进行提取，并利 用人脸匹配技术实现身份识别，该方法易受到外界环境的 影响，识别准确度低。针对传统算法存在的弊端，提出了基于改进最小灰度 差树的视觉传感网络中身份特征自适应识别算法，并和参 考文献[7]中提出的基于掌纹和人脸特征的视觉传感网 络身份识别算法进行比较，通过相关实验对其性能进行 了验证6
2基于改进最小灰度差树的视觉传感网络 身份特征自适应识别算法
2.1 mean shift特征向量提取通过对人脸中可识别特征的数目与深度的分析，从而 能够确定人脸之间的关联水平《本文使用像素统计迭代 法，利用式(1)获取人脸里能辨别的mean shift向量t
Sk(x)=^
~^-------x (1)
剔〒)制
其中，£ j为mean shift向量的核函数，办)为 mean shift向量的横坐标。
假设初始点为％，核函数的误差为A，mean shift向量 函数为丹⑷。将式(1)中mean shift算法反复实行预处理， 直到产生II/)办)-dl(1) 运行外㈨;(2) 将外⑷赋给％;(3) 若ll/^)-dl由于人脸特征间隔和夹角可以代表人脸的重要特征，通过特征像素统计迭代法可以计算人脸特征间隔和夹角， 得到mean shift的特征向量，能够解释和特定人脸之间的 关联，人脸的mean shift特征向量如图1所7KS
采用上述方法对人脸特征、特征夹角及特征间隔进行 计算，根据对应的计算结果对人脸进行有效切割，为后续 解析关联水平提供理论依据。2.2人脸图像灰度处理在完成人脸的mean shift特征向量提取后，为了进一 步增强视觉传感网络中识别身份的效果，需对得到的图片 进行灰度处理，将其应用于身份特征自适应识别中，具体 步骤如下所示。假设人脸图像像素的灰度值用/)=/(^7)进行描述，经 处理后的图像像素灰度值可用"=冰^)进行表示，再利用 式(2)的灰度变换函数对图像像素灰度进行增强处理e办介顺以]或/)'=r(/)) (2)其中，/)和“需要在图像的灰度范围区间内a 假设原待识别图像灰度直方图分布用PM进行描述， 可将式(2)带人Pb)中，利用式(3)对原图像灰度进行转换：
y=g{x,y)=— f P(x)dx (3)
2016171-2分析式(3)可知，经处理后的灰度分布函数为原 图像灰度分布的积分。所以，针对任意待识别身份，在 经直方图均衡化处理后，图像的灰度分布也呈现均一化s 假设对原图像灰度进行转换后的灰度级为L，分辨率 为Mx/V，利用式(4)计算灰度级的常数c为：
fcili研究与开发______________________________________________
MxNC=i^r⑷
将式(4)代人式(3)，利用式(5)获取直方图均衡化函数， 可以对图像的灰度分布进行均一化，实现直方图均衡化处理。
(5)其中，用于描述取整，^£作)用于描述灰度值%
在^到％之间的像素点个数Q2.3视觉传感网络中身份特征自适应识别算法改进完成对图像的灰度处理后，引人最小强度差数法实现 视觉传感网络中身份特征的自适应识别，具体过程如下& 2.3.1基于灰度的匹配代价计算在身份特征识别过程中，图像灰度强度差项和灰度梯度 差项是灰度匹配代价函数中的重要参数，现将这两个参数 表征为灰度匹配代价。以上述的图像灰度均一化处理为基 础，定义一个基于灰度的代价函数，求出待识别人脸图像和 指定人脸图像对应的各灰度及相应的匹配代价，过程如下。首先，针对两幅图像对应的各灰度对，定义一种代价 函数，描述位置为y的灰度和同一位置的灰度的匹配程 度，利用式(6)对该函数进行描述：^(7)=(1 -a) • min(4t(j),Ti)+o: • min(4a(j),T2) (6)其中，a用于描述调节强度差项4^(7)和梯度差项 ‘办)的权值，^和为不同时期的阈值。将式(6)的计算结果带人，利用式(7)、式(8)计算灰度 强度差项4办)和灰度梯度差项^int (y) =X r (I(y+^) - ~i(y)) - (I\y+S)~ T(y))]2 x (j)^ Sen1'____________________________________________
""Y(I(y + S)-l(y))2 ^(I\y + 8)-J\y)f
Sea s^n
(7)dM=\\vr(j)-vimcPiy)
(8)
其中/用于描述缩放调节强度差值的一个常量;用于 描述一个Mx/V尺寸的窗口，窗口把灰度位置y作为中心;S