附录1：人脸特征提取主要代码，附录2：BP神经网络人脸识别主要代码，附录3：GUI编程主要代码

在开集协议下设计了一种基于角度距离损失函数和密集连接卷积神经网络的人脸识别算法, 以实现深度人脸识别。所设计的网络结构使用基于角度距离的损失函数, 让人脸特征的区分度更高, 符合特征的理想分类标准。同时, 所提出的神经网络结构采用先进的密集连接模块, 在很大程度上减少了传统网络结构的参数冗余。经过大量的分析和实验, 该算法在LFW数据集上的人脸识别准确率达到了99.45%, 在MegaFace数据集上的人脸确认任务和人脸验证任务中的人脸识别准确率分别为72.534%和85.348%, 因此所提算法在人脸识别任务中具有较高的优越性。

深度学习与人脸识别算法研究.pdf

针对人脸识别中存在遮挡、光照、表情变化等问题，提出了一种基于改进的鲁棒主成分分析的人脸识别算法，它利用人脸的稀疏误差成分准确判断出人脸图像之间的差异。该算法首先对人脸进行低秩恢复，得到表示人脸普通特征的低秩分量和描述人脸差分信息的稀疏误差分量，然后定义稀疏度和平滑度两种描述符来表示稀疏误差分量的特征，最后联合上述两种描述符对人脸图像进行分类判别。实验结果表明，在光照条件和遮挡区域随机的情况下，提出的采用误差图像进行分类判别的算法在处理遮挡、光照、表情变化等人脸识别问题上均具有优越的识别性能。

何为后人脸识别 人脸识别的市场机会 商业场景的探讨 人工智能对精准识别算法的影响 人工智能给人脸识别蜕变创造条件

pca人脸识别算法matlab代码图像分类任务 该存储库是Giancarlo Antonucci和Thomas Babb的项目的一部分，该项目作为CDT的一部分提交给牛津大学工业重点数学模型。 该代码使用耶鲁人脸数据库（YaleB_32x32.mat）测试混合面部识别算法的有效性。 函数imag_class.m从用户处获取输入，并为这些输入输出算法的成功率百分比。 要使用它，请下载.m和.mat文件，然后在Matlab中运行它们。 选择训练集 耶鲁数据库中有3814人的2414张照片（例如图像）。 用户可以通过以下两种方式之一选择哪些人在测试集中： imag_class（'NumOfPeople'，N）从38个可用人中选出N个随机人员，并从这些人员中构建测试集。 imag_class（'People'，V）根据在V中建立索引的人员构建测试集。例如，如果V = [1 3 6]，则测试集将包含来自人员1，人员3和人员6的图像。 无论哪种情况，该功能都会为每个人选择10张随机图像。 所有其他图像都放在训练集中。 实施PCA算法 PCA是一种标准技术，用于使用低维特征向量来近似原始数据。 我们

基于matlab的人脸识别算法，可以识别单个几多个人脸，希望对大家有用哈

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题这3个难点,围绕 人脸特征提取和人脸识别2个方面展开研究。在特征提取中,采用基于主成分分析和 Fisher线 性鉴别来克服在人脸识别中的小样本问题,同时也将人脸图像从高维空间映射到低维空间,从 而解决了高维问题;在分类识别方面,采用具有很强非线性映射功能的 RBF神经网络进行模式 分类,解决人脸识别中的非线性问题。利用 Matlab分析了 RBF网络的聚类性能和分类性能。 在 ORL人脸数据库上的仿真实验中,人脸识别率达到97.5%,取得比较满意的结

基于PCA和ICA的人脸识别算法，分类器采用贝叶斯分类器，效果明显

为了增强人脸识别对光照变化的鲁棒性，提出了一种融合多方法的人脸图像光照预处理算法。该算法首先根据改进的自适应平滑算法(IAS)估计出原图像的亮度分量L，再用Retinex算法求得反射分量R，同时对原图像进行局部对比度增强(LCE)处理来增强图像细节；然后采用基于标准差(SD)的加权方法将多种方法有效融合起来；最后采用基于稀疏表示的分类(SRC)算法进行判别归类。在Yale B人脸库上的实验表明，构造的算法识别率高于使用单一预处理算法，而且在训练样本单一、光照环境较差情况下也能取得很好的识别效果，对光照变化有较好的鲁棒性。