基于面部特征激光光点定位的人脸识别方法研究

发布时间：2020-12-30 22:22

　　人脸识别作为重要的身份鉴别技术,需要具有较好的识别时效性和准确性,为此提出一种基于面部特征激光光点定位的人脸识别方法。通过积分投影技术选择面部结构中的脸角点、嘴角点和鼻尖作为特征点。为减少面部表情变化对识别效果的影响,避开受影响最大的嘴部区域,对各特征点进行等距测地轮廓线采样,利用Procrustes分析采样点提取面部轮廓线,并选用加权平均法在二值化图像中区域化分割面部轮廓,完成激光光点定位人脸识别的全过程。实验结果表明,所提方法识别率较高、准确性更优,最高识别率为96.3%,具有较好的应用前景。 

【文章来源】：激光杂志. 2020年10期 北大核心

【文章页数】：5 页

【部分图文】：

人脸基本结构图

将所提方法分别与多样本扩充结合逆线性回归人脸识别法和多区域融合人脸识别法进行比较。图2、图3、图4分别为3种面部识别算法在相同条件下训练集和测试集的识别率曲线。由于数据库中每一种类的人脸图像的表情和姿态没有产生较大的变化，所以这三种方法的训练集和测试集的识别率曲线都比较相似。由图2中可以看出，多样本扩充结合逆线性回归识别方法的识别率相对较低，其主要原因是主分量分析中提取的面部特征向量，只能够使图像奇异值向量的均方差变小，导致提取的特征向量只能较好地描述特征，但不能很好地分类特征。

由图2中可以看出，多样本扩充结合逆线性回归识别方法的识别率相对较低，其主要原因是主分量分析中提取的面部特征向量，只能够使图像奇异值向量的均方差变小，导致提取的特征向量只能较好地描述特征，但不能很好地分类特征。由图3可得，多区域融合识别方法的识别率相比多样本扩充结合逆线性回归方法高，在训练集中前两个特征时，识别率为88.2%，用5个以上特征进行识别时效果最好，识别率能够稳定地保持在88.4%。当识别前两个测试集时，识别率为86.3%，选用5个以上特征点识别后可以获得最佳的识别效果，识别率保持在88.4%。

【参考文献】：
期刊论文
[1]基于生成对抗网络的短波红外-可见光人脸图像翻译[J]. 胡麟苗,张湧.  光学学报. 2020(05)
[2]基于指数正则化鉴别稀疏局部保持投影的人脸识别[J]. 吴迪,李婷.  光电子·激光. 2019(11)
[3]激光白光光源及其光学系统解析[J]. 康健,张乐,单迎双,陈浩.  应用光学. 2019(05)
[4]基于Lucas-Kanade算法的最大Gabor相似度大姿态人脸识别[J]. 程超,达飞鹏,王辰星,姜昌金.  光学学报. 2019(07)
[5]多模深度卷积神经网络应用于视频表情识别[J]. 潘仙张,张石清,郭文平.  光学精密工程. 2019(04)
[6]基于角点检测的可降解支架轮廓分割算法[J]. 姚林林,金琴花,荆晶,陈韵岱,曹一挥,李嘉男,朱锐.  光学学报. 2019(07)
[7]基于人脸关键点与增量聚类的多姿态人脸识别[J]. 吴晓萍,管业鹏.  激光与光电子学进展. 2019(14)
[8]基于多元频域变换与几何校正的彩色图像水印算法[J]. 吴庆涛,施进发,曹再辉.  光学技术. 2018(04)
[9]一种抗姿态与表情变化的三维人脸识别方法[J]. 蔡川丽,张建平,张彦博.  应用光学. 2018(04)
[10]基于改进SURF算法的人脸点云配准[J]. 郭昱,佘二永,王清华,李振华.  光学技术. 2018(03)



本文编号：2948397