-
公开(公告)号：CN107273818A
公开(公告)日：2017-10-20
申请号：CN201710380562.7
申请日：2017-05-25
Applicant: 北京工业大学
Abstract: 本发明公开了遗传算法融合差分进化的选择性集成人脸识别方法，首先提取人脸图像的HOG特征，之后应用PCA算法对人脸图像进行降维，以此来减少计算复杂度，最后，用降维后的数据，应用GADESEN算法进行分类识别。该方法以支持向量机作为基分类器，从原始的训练集有放回抽取N个样本，按照此方法迭代T次，使用每次产生的样本集训练基分类器模型，对产生的N个基分类器进行实数编码，生成初始种群，在变异操作中采取差分向量来指导变异进而产生优质的个体，交叉操作使用父代个体及变异个体共同产生交叉个体，增加了个体的多样性，采用最优保留策略进行遗传进化。
-
公开(公告)号：CN107016377A
公开(公告)日：2017-08-04
申请号：CN201710246607.1
申请日：2017-04-16
Applicant: 北京工业大学
CPC classification number: G06K9/00268 , G06K9/00288 , G06K9/6247 , G06K9/6267 , G06K9/6292 , G06K2009/6295 , G06N3/126
Abstract: 本发明公开了基于SGASEN算法的人脸识别优化方法，首先对人脸图像进行特征提取，然后使用SGASEN算法进行识别分类。对于SGASEN算法对中存在种群大量无效交叉操作问题，本方法以回归树作为基分类器，在交叉操作之前使用计算简单的杰卡德相似性检测，对相似个体减少交叉操作，使种群更加多样性。又针对SGASEN算法存在基分类器的数目未作限制的问题，在适应度函数中考虑泛化误差和基分类器数目，采用最优保留策略进行遗传进化。最终获得了泛化能力强和基分类器数目少的强分类器，有效地提高了人脸识别的准确率。
-
公开(公告)号：CN104820825B
公开(公告)日：2017-12-22
申请号：CN201510203079.2
申请日：2015-04-27
Applicant: 北京工业大学
Abstract: 基于Adaboost算法的人脸识别优化方法，首先对人脸图像进行特征提取和降维，用降维后的矩阵数据，使用SAMME.R算法进行识别分类；在训练弱分类器时，判断该弱分类器的结果，在所有同属一类的样本的分类中，正确分类的样本的权值和，是否比分到其他任意一类的权值和大；如果满足该条件则继续进行权值调整和下一次迭代；如果不满足，由于训练出的弱分类器不够好，达不到要求，所以在权值不变的情况下重新训练弱分类器，然后再次判断新的弱分类器是否满足上边所述的条件，如果满足进入下一次调整，不满足继续重新训练弱分类器，不断优化弱分类器的质量，从而逼近最优强分类器；得到最终的强分类器有效提高了人脸识别的准确率。
-
公开(公告)号：CN107273818B
公开(公告)日：2020-10-16
申请号：CN201710380562.7
申请日：2017-05-25
Applicant: 北京工业大学
Abstract: 本发明公开了遗传算法融合差分进化的选择性集成人脸识别方法，首先提取人脸图像的HOG特征，之后应用PCA算法对人脸图像进行降维，以此来减少计算复杂度，最后，用降维后的数据，应用GADESEN算法进行分类识别。该方法以支持向量机作为基分类器，从原始的训练集有放回抽取N个样本，按照此方法迭代T次，使用每次产生的样本集训练基分类器模型，对产生的N个基分类器进行实数编码，生成初始种群，在变异操作中采取差分向量来指导变异进而产生优质的个体，交叉操作使用父代个体及变异个体共同产生交叉个体，增加了个体的多样性，采用最优保留策略进行遗传进化。
-
公开(公告)号：CN105975902B
公开(公告)日：2019-07-26
申请号：CN201610219331.3
申请日：2016-04-09
Applicant: 北京工业大学
Abstract: 基于SAMME.RCW算法的人脸识别优化方法，首先对人脸图像进行特征提取，用图像特征向量，使用SAMME.RCW算法进行识别分类。针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，其也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果。SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求。通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果。得到最终的强分类器有效提高了人脸识别的准确率。
-
Patent Agency Ranking
公开(公告)号：CN105975902A
公开(公告)日：2016-09-28
申请号：CN201610219331.3
申请日：2016-04-09
Applicant: 北京工业大学
CPC classification number: G06K9/00288 , G06K9/6259
Abstract: 基于SAMME.RCW算法的人脸识别优化方法，首先对人脸图像进行特征提取，用图像特征向量，使用SAMME.RCW算法进行识别分类。针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，其也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果。SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求。通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果。得到最终的强分类器有效提高了人脸识别的准确率。
-
公开(公告)号：CN105787443A
公开(公告)日：2016-07-20
申请号：CN201610094964.6
申请日：2016-02-20
Applicant: 北京工业大学
IPC: G06K9/00
CPC classification number: G06K9/00228 , G06K9/00275 , G06K9/00288
Abstract: 本发明属于模式识别技术领域，具体涉及一种基于嵌入式平台的人脸识别方法。其特征在于，步骤如下：步骤一、图像预处理；步骤二、并行完成PCA特征提取、LDA特征提取、LBP特征提取；步骤三：集成分类识别，并行完成PCA特征识别、LDA特征识别、LBP特征识别；(4)综合投票输出结果；识别结果为m(pca)，m(lda)，m(pca)，若m(pca)，m(lda)，m(pca)相同，则直接输出结果；若两项结果相同，一项结果不同则以两项的结果作为输出结果；若三项结果均不同，则输出拒绝。通过此方法，可综合人脸图像的整体特征与局部特征，大大降低了人脸识别方法的误识率。同时，由于嵌入式平台已向多核心发展，由于算法的可并行化，加快了算法的运行速度，平均了各个cpu的负载。
-
公开(公告)号：CN105809125B
公开(公告)日：2020-03-13
申请号：CN201610126125.8
申请日：2016-03-06
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明公开的技术方案为基于多核心ARM平台的人脸识别系统，首先搭建硬件平台，选择嵌入式开发板及相应配件，在此基础上进行人脸识别系统设计。人脸识别系统中首先通过摄像头进行图像采集，对采集好的图像进行图像预处理工作，降低环境因素对后续工作的影响。之后进行人脸检测工作，截取人脸图像。对人脸图像进行特征提取以降低计算复杂度。最后，利用提取的特征进行分类识别。为方便用户在系统中进行人脸数据库修改，在系统中开发了数据库管理功能。本发明使用带有光线传感器的近红外摄像头，保证在不同光线条件下获取清晰的人脸图像；利用多核心ARM芯片性能特点保证嵌入式人脸识别系统速度，同时提高人脸识别正确率。
-
公开(公告)号：CN105809125A
公开(公告)日：2016-07-27
申请号：CN201610126125.8
申请日：2016-03-06
Applicant: 北京工业大学
IPC: G06K9/00
Abstract: 本发明公开的技术方案为基于多核心ARM平台的人脸识别系统，首先搭建硬件平台，选择嵌入式开发板及相应配件，在此基础上进行人脸识别系统设计。人脸识别系统中首先通过摄像头进行图像采集，对采集好的图像进行图像预处理工作，降低环境因素对后续工作的影响。之后进行人脸检测工作，截取人脸图像。对人脸图像进行特征提取以降低计算复杂度。最后，利用提取的特征进行分类识别。为方便用户在系统中进行人脸数据库修改，在系统中开发了数据库管理功能。本发明使用带有光线传感器的近红外摄像头，保证在不同光线条件下获取清晰的人脸图像；利用多核心ARM芯片性能特点保证嵌入式人脸识别系统速度，同时提高人脸识别正确率。
-
公开(公告)号：CN104820825A
公开(公告)日：2015-08-05
申请号：CN201510203079.2
申请日：2015-04-27
Applicant: 北京工业大学
Abstract: 基于Adaboost算法的人脸识别优化方法，首先对人脸图像进行特征提取和降维，用降维后的矩阵数据，使用SAMME.R算法进行识别分类；在训练弱分类器时，判断该弱分类器的结果，在所有同属一类的样本的分类中，正确分类的样本的权值和，是否比分到其他任意一类的权值和大；如果满足该条件则继续进行权值调整和下一次迭代；如果不满足，由于训练出的弱分类器不够好，达不到要求，所以在权值不变的情况下重新训练弱分类器，然后再次判断新的弱分类器是否满足上边所述的条件，如果满足进入下一次调整，不满足继续重新训练弱分类器，不断优化弱分类器的质量，从而逼近最优强分类器；得到最终的强分类器有效提高了人脸识别的准确率。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
