基于特征的弹性图匹配人脸识别算法改进

合集下载

人脸识别系统的原理与发展

人脸识别系统的原理与发展一、引言人脸识别系统以人脸识别技术为核心，是一项新兴的生物识别技术，是当今国际科技领域攻关的高精尖技术。

它广泛采用区域特征分析算法，融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，具有广阔的发展前景。

2012年4月，铁路部门宣布车站安检区域将安装用于身份识别的高科技安检系统人脸识别系统；可以对人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大；二、概述人脸识别系统概述广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等;而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。

生物特征识别技术所研究的生物特征包括脸、指纹、手掌纹、虹膜、视网膜、声音(语音)、体形、个人习惯(例如敲击键盘的力度和频率、签字)等，相应的识别技术就有人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、语音识别(用语音识别可以进行身份识别，也可以进行语音内容的识别，只有前者属于生物特征识别技术)、体形识别、键盘敲击识别、签字识别等。

人脸识别系统功能模块人脸捕获与跟踪功能：人脸捕获是指在一幅图像或视频流的一帧中检测出人像并将人像从背景中分离出来，并自动地将其保存。

人像跟踪是指利用人像捕获技术，当指定的人像在摄像头拍摄的范围内移动时自动地对其进行跟踪。

人脸识别比对：人脸识别分核实式和搜索式二种比对模式。

核实式是对指将捕获得到的人像或是指定的人像与数据库中已登记的某一对像作比对核实确定其是否为同一人。

搜索式的比对是指，从数据库中已登记的所有人像中搜索查找是否有指定的人像存在。

人脸的建模与检索：可以将登记入库的人像数据进行建模提取人脸的特征，并将其生成人脸模板(人脸特征文件)保存到数据库中。

在进行人脸搜索时(搜索式)，将指定的人像进行建模，再将其与数据库中的所有人的模板相比对识别，最终将根据所比对的相似值列出最相似的人员列表。

人脸识别中的特征提取与匹配算法研究

人脸识别中的特征提取与匹配算法研究人脸识别技术是一项近年来快速发展的前沿技术，广泛应用于安防、金融、人脸支付等领域。

而其中的特征提取与匹配算法则是人脸识别技术的核心。

本文将重点探讨人脸识别中的特征提取与匹配算法的研究，以及它们在实际应用中的挑战和前景。

一、特征提取算法特征提取算法是将人脸图像中的关键信息提取出来，形成可用于匹配的特征向量。

目前，最常用的特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）以及局部二值模式（LBP）等。

PCA算法是一种基于统计学原理的降维算法，通过将原始图像转化为低维度的特征向量，以实现人脸图像的分类与匹配。

然而，由于PCA算法只考虑了整体特征信息，对于光照、姿态等变化较大的情况下，其性能会大打折扣。

为了解决PCA算法的不足，LDA算法应运而生。

LDA算法通过最大化类别间散布矩阵和最小化类别内散布矩阵的方式，将人脸图像从投影空间中重新映射，使得同一类别的人脸距离更近，不同类别的人脸距离更远，从而提高了人脸识别的性能。

LBP算法则是基于纹理分析的特征提取方法，在不依赖于光照和姿态的情况下，提取图像的纹理特征。

LBP算法通过对局部像素进行二值编码，统计不同编码模式的出现次数，形成特征向量。

LBP算法具有计算简单、具有很强的鲁棒性等优势，被广泛应用于人脸识别的实际场景中。

二、匹配算法特征提取之后，需要将特征向量用于人脸图像的匹配。

常用的匹配算法包括欧氏距离、余弦相似度、支持向量机（SVM）等。

欧氏距离是一种简单直观的匹配算法，通过计算两个特征向量之间的距离来表示它们的相似程度。

然而，欧氏距离对特征维度和尺度的敏感性较高，容易受到光照、姿态等因素的影响，导致识别性能下降。

余弦相似度采用特征向量的夹角来表示相似度，对特征维度和尺度不敏感。

它能更好地适应光照和姿态变化等情况，提高了人脸识别的准确度。

SVM是一种基于机器学习的分类器，可以通过训练样本来建立分类模型。

它能够处理非线性的分类问题，并具有很强的泛化能力。

人脸识别中的特征提取与匹配算法研究

人脸识别中的特征提取与匹配算法研究人脸识别技术在当今社会得到了广泛的应用，涉及到安全、人机交互、智能监控等诸多领域。

其中，人脸识别的关键技术之一是特征提取与匹配算法。

本文将对人脸识别中的特征提取与匹配算法进行研究。

人脸识别技术的目标是根据输入的图像或视频帧中的人脸图像，进行身份识别或验证。

为了实现这一目标，首先需要对人脸进行特征提取，即将人脸图像中的信息转化为能够区分不同人脸的特征向量。

特征提取是人脸识别算法的核心步骤之一。

人脸特征提取算法可以分为两大类：基于图像的特征提取和基于模型的特征提取。

基于图像的特征提取方法利用图像中的像素信息来描述人脸，常见的方法有灰度直方图、局部二值模式（LBP）、Gabor滤波器等。

这些方法可以准确地捕捉到图像中的纹理和形状信息，但对于光照变化、姿态变化等因素的影响较为敏感。

基于模型的特征提取方法则通过构建模型，从而抽象出表示人脸的高级特征，常见的方法有主成分分析（PCA）、线性判别分析（LDA）、局部特征分析（LFA）等。

这些方法对光照变化和姿态变化具有较好的鲁棒性，但会损失一部分细节信息。

在特征提取之后，人脸识别需要进行特征匹配，即将输入的人脸特征与数据库中已有的人脸特征进行比对，以确定其身份。

特征匹配算法的选择对于人脸识别的准确率和速度具有重要影响。

常见的特征匹配算法包括欧式距离、余弦相似度、马氏距离等。

欧式距离是最简单的匹配方法，计算两个特征向量之间的欧氏距离，但对于维度较高的特征向量，欧式距离容易受到维度差异的影响。

余弦相似度则通过计算两个特征向量的夹角来度量其相似度，具有较好的鲁棒性。

马氏距离则对特征向量进行归一化，以解决维度差异的问题。

此外，还有一些基于深度学习的匹配方法，如基于卷积神经网络（CNN）的匹配方法，在近年来取得了不错的成果。

值得注意的是，特征提取和匹配算法的设计需要兼顾准确性和效率。

较复杂的算法可能会取得更好的识别准确率，但也会增加计算负担，使得实时应用变得困难。

基于改进ORB特征的多姿态人脸识别

基于改进ORB特征的多姿态人脸识别周凯汀;郑力新【期刊名称】《计算机辅助设计与图形学学报》【年(卷),期】2015(000)002【摘要】为了克服通过全局特征以及每位个体单个模板样本进行多姿态人脸识别的不足，提出基于改进的ORB局部特征以及每位个体多个模板样本的多姿态人脸识别方法。

首先改进ORB算子的采样模式提高算子对人脸视角变化的鲁棒性，并采用每位个体的多个训练样本建立模板库，然后提取并匹配测试样本与模板样本的改进 ORB 特征。

在特征提取阶段，为避免关键点数目变化的干扰，对全部样本提取一致数目的关键点；在特征匹配阶段，采用基于模型和基于方向的双重策略剔除误匹配点对，使用匹配点对数目与平均距离评价测试样本与每个模板样本的吻合程度。

对 CAS-PEAL-R1和 XJTU数据库的实验结果表明，改进的 ORB特征具有更好的识别性能；与采用多个训练样本构建个体单个模板样本的方法相比，在训练样本数目相同的条件下，该方法能较好地避免姿态的干扰，具有更好的识别效果。

与SIFT算子相比， ORB算子在特征提取与特征匹配2个阶段都具有明显的速度优势。

%To overcome the weakness of multi-pose face recognition by global feature or by single template sam-ple for each subject, a novel multi-pose face recognition method based on improved oriented FAST and rotated BRIEF (ORB) local feature and multiple template samples for each subject is proposed in this paper. The sam-pling pattern of ORB operator is first improved to enhance the robustness of the operator to the variation of viewpoint towards face, and template database is built with multipletraining samples of each subject, the im-proved ORB features of the test sample are next extracted and matched with those of template samples. At the stage of feature extraction, consistent number of keypoints are extracted for all samples to avoid the disturbance of the variation of the number of keypoints. At the stage of feature matching, double strategies based on the model and orientation of matching-point pairs are adopted to eliminate outliers. The consistent degree of test sample and each template sample is evaluated by the number and average distance of the inliers. Experimental results on the CAS-PEAL-R1 and XJTU databases show that, the improved ORB operator has better recognition performance;compared with the methods of constructing single template sample from multiple training samples for each sub-ject, the proposed method could better avoid the disturbance of pose variation, and obtain better recognition re-sults under the condition of using the same number of training samples. Compared with scale invariant feature transform (SIFT) operator, the ORB operator has obvious advantages in speed at both stages of feature extraction and feature matching.【总页数】9页(P287-295)【作者】周凯汀;郑力新【作者单位】华侨大学信息科学与工程学院厦门 361021;华侨大学工学院泉州362021【正文语种】中文【中图分类】TP391【相关文献】1.基于改进的局部卷积网络的多姿态人脸识别 [J], 莫建文;匡勇建;张顺岚2.基于FSIF改进均值漂移LDA的多姿态变化人脸识别 [J], 张浩;吕真;连卫民;王硕3.小样本条件下基于随机森林和Haar特征的多姿态人脸识别 [J], 周致富;吴怀宇;张志芬;陈洋4.基于多姿态人脸识别方法的改进 [J], 周洪成;严筱永5.基于改进的卷积神经网络多姿态人脸识别研究 [J], HAN Dong;WANG Xuejun 因版权原因，仅展示原文概要，查看原文内容请购买。

人脸识别中的特征提取与匹配算法研究

人脸识别中的特征提取与匹配算法研究近年来，随着科技的发展和应用场景的不断拓展，人工智能技术受到了越来越广泛的关注和研究。

人脸识别作为其中的一种技术应用，已经被广泛应用于安防、金融、医疗等领域。

而作为人脸识别技术中的核心环节，人脸特征提取和匹配算法的研究显得尤为重要。

一、人脸识别中的特征提取算法人脸识别中的特征提取算法是指通过对人脸图像进行分析和处理，提取出有代表性的特征数据，从而为后续的人脸匹配和识别打下良好的基础。

目前，常用的人脸特征提取算法主要有以下几种。

1. 基于几何特征的算法基于几何特征的算法是最早被广泛应用的一种人脸特征提取方法。

该算法主要通过对人脸的形状、轮廓线、面部比例等几何特征进行分析，提取出具有代表性的几何参数，例如人脸的宽度、高度、鼻子的长度等。

这种方法相对简单，且对数据质量的要求不高，但对光线、角度等因素的影响较大，存在一定的局限性。

2. 基于统计的算法基于统计的算法主要是通过对大量的人脸图像进行分析和统计，提取出具有代表性的人脸特征。

这种算法的优点在于具有较高的准确性和可靠性，但需要大量的数据进行训练，计算复杂度较高。

3. 基于人工神经网络的算法基于人工神经网络的人脸特征提取算法是近年来比较流行的一种方法。

该算法主要通过构建多层神经网络，对输入的人脸图像进行深度分析和处理，提取出具有代表性的人脸特征。

这种方法具有较高的准确性和可靠性，但需要大量的训练时间和计算资源。

二、人脸识别中的匹配算法在完成特征提取之后，下一步就是对提取出的特征进行匹配和识别。

人脸识别中的匹配算法主要有以下几种。

1. 欧式距离法欧式距离法是最常用的一种人脸匹配算法。

该算法主要是通过计算待匹配人脸特征向量与已知人脸的特征向量的欧式距离，来判断两者是否匹配。

该方法计算速度快，但对数据的准确性要求较高。

2. 余弦相似度法余弦相似度法是另一种常用的人脸匹配算法。

该方法主要是通过计算待匹配人脸特征向量与已知人脸的特征向量的余弦相似度，来判断两者是否匹配。

人脸识别技术中的特征提取与匹配算法研究

人脸识别技术中的特征提取与匹配算法研究一、引言随着人工智能领域的不断发展，人脸识别技术已经成为当前智能化发展的重要领域之一。

人脸识别技术主要由两个部分组成，即特征提取和匹配算法。

本文将针对人脸识别技术中的特征提取和匹配算法进行深入探讨，以期更好地了解人脸识别技术的发展现状和研究方向。

二、特征提取算法特征提取算法的作用是将人脸图像中的特征提取出来，以便于后续的匹配和识别。

常用的特征提取算法有以下几种：1. 非参数学习算法非参数学习算法是使用最广泛的特征提取算法之一。

该算法的主要思想是通过在图像中找到一些重要的点，然后在这些点周围提取的邻域范围内计算特征。

其主要特点是不需要预定义特征向量，适用于各种不同的人脸。

2. 主成分分析（PCA）算法PCA算法是一种统计学方法，主要用于数据降维。

在人脸识别中，PCA算法可以将大量的特征数据压缩成一小组主成分，这些主成分包含了原始数据的大部分信息，可用于精确地描述人脸的主要特征。

PCA算法具有处理速度较快、重复性好等优点，但同时对于人脸角度的变化敏感。

3. 独立成分分析（ICA）算法ICA算法是一种基于统计学的方法，与PCA算法类似，主要用于数据降维。

ICA算法可以将数据中的每个特征进行独立分离，并指定每个特征所占的权重。

该方法相对于PCA算法而言更耗时，但具有更好的分类效果。

4. 线性判别分析（LDA）算法LDA算法是一种基于映射的方法，该算法通过将原空间中的数据映射到另一个空间中，在新空间中寻找最优特征向量，以获得最佳的区分度。

LDA算法与PCA算法相比，更适用于小样本问题，但适用于人脸角度的变化却较为敏感。

三、匹配算法匹配算法是指在特征提取之后，将提取出的特征与已有的人脸信息进行匹配，进而实现人脸识别。

目前，最常用的人脸匹配算法分别是基于距离的算法和基于神经网络的算法。

1. 基于距离的算法该方法主要采用欧氏距离，计算待匹配的人脸特征与已知人脸的欧氏距离，从而判断该特征是否与已知人脸相匹配。

人脸识别中的特征提取及匹配算法研究

人脸识别中的特征提取及匹配算法研究人脸识别技术在近年来得到广泛的应用，比如刷脸支付、人脸解锁等等。

其中最重要的技术就是人脸识别中的特征提取和匹配算法。

本文就简要介绍一下这方面的研究进展。

人脸的特征提取是将人脸图像中有用的特征提取出来并进行编码，方便后续处理。

传统的方法是使用SIFT、SURF等特征提取算法，但是这些算法并不适用于人脸图像中的特征提取，因为人脸图像中的特征具有多样性和复杂性。

为了解决这个问题，研究者们提出了许多新的算法。

其中最流行的算法是基于深度学习的人脸识别技术。

这些算法通常使用卷积神经网络（CNN）来提取人脸图像中的特征，提高了人脸识别的准确性。

以FaceNet为例子，这个算法使用了一个卷积神经网络，将每个人脸图像映射成一个544维的向量，在向量空间中计算余弦相似度来比较不同的人脸图像，从而进行人脸识别。

除了基于深度学习的人脸识别技术，还有其他技术也在不断发展。

比如基于LBP（Local binary pattern）的人脸识别技术和基于SIFT（Scale-Invariant Feature Transform）的人脸识别技术。

这些算法虽然没有深度学习算法那么准确，但也能够在一定程度上解决人脸识别问题。

在人脸识别中，特征的匹配是很重要的环节。

这里一般使用的是欧氏距离或余弦相似度来衡量不同特征之间的相似度，以判断是否为同一人的图片。

但是这种方法存在一些问题，比如容易受到光线、角度等外在因素的影响，从而导致匹配错误。

因此，研究者们开始探索新的匹配算法。

近年来，有些学者提出了基于生成对抗网络（GAN）的人脸匹配算法。

生成对抗网络是一种由对抗训练方式来训练生成模型的机器学习技术。

基于这种技术，人们可以通过对抗生成器和判别器实现将一个图像转换成另一个图像的效果。

在人脸匹配中，生成对抗网络可以将不同角度和光照下的人脸图像图像进行匹配。

总之，无论是特征提取还是匹配算法，人脸识别技术都在不断进步和发展。

基于Haar特征和改进的AdaBoost算法的人脸图像识别

基于Haar特征和改进的AdaBoost算法的人脸图像识别贺瑜飞【期刊名称】《《榆林学院学报》》【年(卷),期】2019(029)006【总页数】3页(P69-70,75)【关键词】Haar特征; 特征模板; AdaBoost算法【作者】贺瑜飞【作者单位】榆林学院数学与统计学院陕西榆林719000【正文语种】中文【中图分类】TM71近年来，人脸识别已经成为热点问题之一，主要的原因有两个：第一，人脸识别在各行各业都有广泛的用处，第二，人脸识别应用的背景广阔。

现在，人脸识别的方法有很多种，主要的就是以下五个方面：第一种是模板匹配，第二种是示例学习，第三种是神经网络方法，第四种是统计方法，第五种是线段Hausdorff的人脸识别。

人脸识别在实际情况中有一定的难度，第一个原因是因为人脸是活动的，所以实际所识别的区域是不是固定不变的；第二个原因是环境不同，光照强度也是不一样的。

基于此，本文采用了基于类Haar特征和优化的AdaBoost算法相结合的方法进行人脸识别。

目前，Pail Viola等人在人脸识别中解决了速度慢的问题，且有很好的定位效果[1]，但是由于AdaBoost算法原理是采用14个基础矩形进行分类，速度比较慢。

所以本文提出了基于Haar特征和改进的AdaBoost算法来进行对人脸识别。

1 Haar特征和特征值计算扩展的Haar特征分为三类，第一类是边缘特征，第二类是线性特征，最后一类中心特征，这就是特征模板。

图1 Haar特征模板特征模板包含两种矩形，白色和黑色，模板特征值是白色矩形像素的和减去黑色像素的和。

其表达，是指第j种Haar块的特征值，是第j个Haar块的权值，指第j 个Haar块中黑色矩形的权值。

同样的，是第j个Haar块中所有像素值的和，指第j个Haar块中所有黑色矩形像素值的和。

以下是Haar特征小块原型的特征值的权值比。

接下来就是计算RectSum(ri)的问题，积分图与原图像的大小是一样的，任一点(x，y)的灰度定义为原图对应左上方点的像素值的和，表达式为[2]：其中，ii(x，y)是积分图上点(x，y)的像素值，i(x′，y′)是原来图像的像素值。

基于SIFT特征的人脸识别方法

第３６卷第１３期
１Ｌ７３６ｏ
・
计
算
机
工
程
２１年７月００
Ｊｕｌ２０ｙ０１
Ｎｏ１．３
ＣｏｐｕｔｒＥｎｎｅｉｇｍｅｇｉｅｒｎ
人工智能及识别技术・
文章编号：１０Ｉ２（１） —ｏ７＿文献标识码：ｏ０３８００３＿３ｏ — ４２１１— ２Ａ
ｔｅｌｃｌａｄｇｏａｉｉｒｙｔａｃａｅｔａｃｉｇｆｒｆｃｍａｅ，ａｄｍａｅｓｆｔｅｓｕｒｆｓｍｉｒｔｎｈｉｈｓｉｎｎｈｏａｎｌｂｌｓｍｌｉｏｃｌｕｌｔｈｅｍｔｈｎａｅｉｇｓｎｋｓｕｅｏｈｑａｅｏｉｌｉａｄｔｅｗｅｇｔａｓｇｍｅｔａｔｏａｙｓｌｔｏａｅｎｐｏａｉｉｔｔｓｉｓｔｍｐｏｅａｃｒｃｎｌｃｌｅｔｒｔｈｎ．ｐｒｍｅｔｌｒｓｌｓｓｏｔｅｒｂｓｎｓｎｆｅｔｖｎｓｆｏｕｉｎｂｓｄｏｒｂｂｌｙｓａｉｔｃｏｉｒｖｃｕａｙｉｏａａｕｅｍａｃｉｇＥｘｅｉｎａｅｕｔｈｗｈｏｕｔｅｓａｄｅｃｉｅｅｓｏｔｆ
匹配策略，采用局部相似性和全局相似性的计算方法对人脸图像进行相似度匹配，并在匹配过程中使用基于概率统计的权值赋予方案和相似度的平方来提高识另的准确性。实验结果证明，该方法具备鲁棒性和有效性。ＩＪ关健诃：人脸识别；ＳＦＩＴ特征；Ｋｍｅｎ聚类；相似性 — ａｓ

一种基于局部特征分析的人脸识别方法

图 1 自动人脸识别系统框图
对于人脸图像，系统先根据模板匹配和特征子脸相结合的方法检测出人脸, 然后利用人脸的先验结构和灰度分布信息，粗略定位特征点。为了精确定位特征点，我们用引入一种称为人脸弹性图的数据结构来调整特征点。特征点被精确定位后，我们计算特征点处的 Gabor 变换系数向量集合, 并以此来表示整个人脸。最后计算测试样本和训练样本的 Gabor 变换系数向量集合距离，得到并输出结果。人脸检测是人脸识别的前期工作，本文继承了文献[6],的工作，采用了一种模板匹配和特征子脸相结合的两级检测模型，该模型在各种图像条件下可以很好地工作。由于人脸检测不是本文的重点，而且由于篇幅限制，本文不做详细描述，感兴趣者可查阅相关文献。以下各章将详细介绍系统以后每个步骤。
ϕ j (x ) = k 2 j exp −
r
2 k2 j x 2σ 2

r exp i k j
σ2 r exp − x − 2

(12)
为了平滑地在频域中采样，我们取 5 个频率,对应 v=0,1,2,3,4； 8 个相位，对应 u=0,…,7
得到极小点集合为：
(9)
S = {i | h ′( i + 1) h ′(i + 1) <= 0 & & h ′′( i ) >= 0}
从而可以得到中唇点：
(10)
m = arg min { f ( i ), ∀ i ∈ S }
i
灰度均值位置坐标
(11)
图2
图3
图 2-3 嘴部积分投影及定位结果 2 积分区域及结果 3 积分投影曲线
PLeftIris = arg( Max S p )

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)。

Ｃｏｏｅｔａｙｉ（ＣＡ）ａｄＦｍｐｎｎＡｎｌｓｓＰｎＬＤｌｏｉｍｅｕｅｉｎｉｎｌｙｏａｅｅｒｐｃｏｎｃａｇｒｔｒｄｃｓｄｍｅｓｏａｉｆｌｂｌｄｇａｈｖｅｔｒＩｏｍｐｒｓｎｗｉｈｔｅｃｖｎｉｎｌｍｅｈｓｔｅｈｔａｉｏｔｈｏｎｅｔａｔｏｄ，ｈｏ
以及隐马尔科夫模型。
需要对人脸做矫正处理，且只考虑裸脸。（）２在大型人脸库与
复杂的识别场景中识别率较低，识别时间开销较大。因此，有效的特征脸识别方法需要做大量的预处理以减少干扰。
２弹性图匹配方法
弹性图匹配方法是一种基于动态链接结构（ｙａｃＤｎｍｉＬｎｒｈｔｔｒ，Ａ的方法。它将人脸用格状的稀疏图表ｉｋＡｃｉｃｕｅＤＬ）ｅ
特征脸方法是从主成分分析（ｒｃａＣｍｐｎｎＡｎｌ— Ｐｉｉｌｏｏｅｔａｎｐｙｓ，ＰＡ）出的一种人脸识别和描述方法。ＰＡ的基础是ｉＣ导ｓＣＫ— Ｌ变换。ＫＬ变换的原理是将输入信号展开成正交基函数 — 的线性组合（即正交变换），使信号相对于基函数的各个分量不会相互干扰。ＰＡ着重于如何变换原始变量使之成为一些Ｃ
（ｎｔｕｅｏＥｅｔｃｌｎｆｒｔｎＥｇｎｅｉ，ｉｎｓｎｖｒｉ，ｈｎｉｎ１０３ＣｉａＩｓｔｔｆｌｒａａｄＩｏｍａｉｎｉｅｒｇＪａｇｕＵｉｅｓｙＺｅｊｇ２２１，ｈｎ）ｉｃｉｎｏｎｔａ
［ｓｒｃ］ＴｉｐｐｒｒｓｎｓｅｔｏｏｐｉｚｔｎｏｌｓｉＧａｈＭａｈｎ（ＧＭ）ａｏｉｍｃｅｏｎｔｎＡｅａｅｉｇＡｂｔａｔｈｓａｅｅｅｔａｎｗｍｅｈｄｆｒｔａｉｆａｔｒｐｔｉｇＥｐｏｍｉｏＥｃｃｌｒｈｉｆｅｒｃｇｉｏ．ｆｒｃｅｇｔｎａｉｔｆｍａ
第３７卷第５期
Ｖ０＿７１３
・
计
Байду номын сангаас
算
机
工
程
２１年３月０１
Ｍａｃ２０１ｒｈｌ
ＮＯ．５
ＣｏｐｔｒＥｎｎｅｉｇｍｕｅｇｉｅｒｎ
人工智能及识别技术・
文章编号：Ｉ０＿２（ｌ０＿ｌ＿文献标识码：Ａ１０—３８０１５ｏ６０｝４２）— ２ — ３
ｐｏｏｅｐｒａｈｃｎｏｔｉａｉｆｃｏｙｒｓｌｎｔｅｓｅｔｖｓｆｒｃｇｉｏａｅｎｐｅｓｒｐｓｄａｐｏｃａｂａｎｓｔｓａｔｒｅｕｔｉｓｈｅｐｒｐｃｉｅｅｏｎｔｎｒｔｓａｄｓｅｄ．ｏｉ
［ｙｗｏｄ］ｆｃｃｇｉｏ；ｌｓｃｇａｈｍａｃｉｇｆａｕｅｅｔｃｉｎＰｉｃｐｌｏｏｅｔａｙｉＰＫｅｒｓａｅｒｏｎｔｎｅｔｒｐｔｈｎ；ｅｔｒｘｒｔ；ｒｉａＣｍｐｎｎｌｓ（ＣＡ）ＦｓｅｉｅｒｓｍｉａｔＬｅｉａｉａｏｎＡｎｓ；ｉｒｎａｃｉｎｎｒＤ１ｈＬＤｉｒＦ
小波预处理后，结合主成分分析（Ｃ和Ｆｓｅ线性判别方法（Ｌ对生成的特征矢量进行处理，降低维数，减少计算量，同时在不降低识ＰＡ）ｉｒｈＦＤ）别率的前提下，提高识别速度。与传统的ＰＡ算法、ＦＤ算法、ＥＣＬＧＭ算法进行仿真比较，证明该改进算法识别率高、实时性好。关键词：人脸识别；弹性图匹配；特征提取；主成分分析；Ｆｓｅ线性判别ｉｒｈ
Ｉｐｒｖｍｅｔ０ａｕｒ — ｓｄＦａｅＲｅｏｎｉｉｎｌｏｉｈｍｍｏｅｎｆＦｅｔｅｂａｅｃｃｇｔｏＡｇｒｔ
ｂｙＥｌｓｉａａｃｎｇａｔｃＧｒｐｈＭｔｈｉ
ＹＵｎ，ＬＩＺｈｅＹａｎｇ－ｉｍｎｇ
Ｄ：０３６／ｉｎ１０ —４８２Ｉ．５０３ＯＩ１．９９ｊｓ．００３２．０．７ｓ０Ｉ
ｌ概述
人脸识别是近年来模式识别、图像处理、机器视觉以及人工智能等领域研究的热点课题之一，泛应用于身份识别、广接入控制、视频检索中，研究者提出了多种人脸识别理论 …。较为著名的有：征脸（ｉｅｆｃ）法，弹性图匹配法｝特Ｅｇｎａｅ方ｌ，
ｇａｈｉｃｍｐｓｄｏｅｔｒｅｔｒｅｔａｔｄｆｏ２ＧａｏｖｌｔｌｂｌｄｇａｈｖｃｏｂａｎｄＴｈｒｐｓｄａｇｒｔｍｄｐｓｔｅＰｒｃｐｌｒｐｓｏｏｅｆｆａｕｅｖｃｏｘｒｃｅｒｍＤｂｒｗａｅｅ，ａｅｅｒｐｅｔｒｉｏｔｉｅ．ｅｐｏｏｅｌｏｉｓｈａｏｔｈｉｉａｎ
中图分类号：Ｔ３１Ｐ９．４
基于特征的弹性图匹配人脸识别算法改进
俞燕，李正明
（江苏大学电气信息工程学院，江苏镇江２２１）１０３摘要：针对传统人腧识别弹性图匹配算法空间复杂度高、实时性较差的问题，出一种弹性图匹配改进算法，提将人脸图片特征点经Ｇａｏｂｒ