从人脸图像特征提取和分类器构 建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同 时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.

为了消除光照变化对人脸识别的影响,提出了一种新的基于小波的光照归一化算法。首先对人脸图像进行三级小波分解,获取低频和高频系数;接着对低频成分直方图均衡化,减弱光照的影响,同时对高频成分阈值去噪,再放大高频以增强图像边缘;最后进行逆小波变换,得到归一化后的人脸图像。在Yale B人脸库上的实验结果表明:本文方法可有效减弱光照变化对人脸识别的影响,显著地提高了人脸识别系统的识别率。

Ubuntu Qt 人脸识别源码，附带编译运行库，虹软 人脸识别 SDK

开发环境: Windows 64位操作系统 开发工具：Myeclipse+Jdk+Maven+Tomcat+MySQL数据 库

人脸识别喀拉拉邦 该存储库的过程包括face detection ， affine transformation ， extract face features ， find a threshold to spilt faces 。 然后在数据集上评估结果。 要求： dlib（19.10.0） keras（2.1.6） tensorflow（1.7.0） opencv-python的（3.4.0.12） 待办事项清单 InceptionV3后端 MobileNet后端 VGG16后端 ResNet50后端 Xception后端 DenseNet后端 人脸检测和仿射变换 我将Dlib和opencv用于此预处理过程 。 Dlib进行快速人脸检测，而opencv进行裁剪和仿射变换。 深度学习功能提取 我使用几种基本的深度学习模型从预处理的图像中提取128个特征。 损失就是tr

使用harr分类器做的一个人脸视频定位，默认寻找视频中最大的人脸，采用了ROI来提速

有关于人脸识别的实验，有具体的实验说明和代码的实现

人脸识别系统(已经建立人脸库) 人脸识别步骤： 1. 从摄像头抓取一帧图片。 2. 转换彩色图片帧为灰度图片帧。 3. 检测灰度图片帧的人脸。 4. 处理图片以显示人脸区域（使用 cvSetImageROI() 和 cvCopyImage()）。 5. 预处理脸部图片。 6. 识别图片中的人

LDP 算法是将与Kirsch 算子运算后得到的一些负值的邻域灰度值作为中心灰度值的编码因子，这将会导致中心灰度值不能很好的反映邻域局部特征信息，从而降低识别率。针对于此，本文提出了一种改进的局部定向模式(CLDP)算法。该算法在LDP 的基础上，去掉邻域灰度值为负值的因子，对中心灰度值进行重新编码，由于该编码值是将与Kirsch 算子运算后的正值值作为图像边缘输出，使中心灰度值能很好反映邻域的局部特征信息，从而提高人脸的识别率。本文还将提出的CLDP 算法用在YALE，ORL，JAFFE 等人脸数据库中进行人脸识别。从实验的结果表明，该方法识别性能较LDP算法，LDN 算法以及ELDP 算法

针对双空间局部方向模式（DSLDP）人脸识别算法只是单一采用作差运算提取特征的问题, 提出一种双运算局部方向模式（DOLDP）的人脸识别方法。首先, 将图像3 pixel×3 pixel邻域像素灰度值与8个Kirsch模板算子卷积, 得到8个方向的边缘响应值; 然后, 将近邻边缘响应值按照逆时针方向分别作差和作和, 得到两组8个方向的边缘响应差值和和值, 将两组边缘响应值取绝对值, 取各自最大值的方向编码成一个二位八进制数, 构成DOLDP码。在YALE、ORL、AR和CAS-PEAL人脸库上的实验结果表明：该方法将和值空间和差值空间人脸特征信息结合, 取得了更好的识别效果; 和值空间人脸特征信息较强度空间起到了平滑作用, 对光照、表情、遮挡等情况表现出更强的稳健性。