导读:本文包含了眉毛识别论文开题报告文献综述及选题提纲参考文献,主要关键词:眉毛识别,模板匹配,图像梯度,傅里叶频谱距离
眉毛识别论文文献综述
李厚君[1](2018)在《基于梯度模板匹配的眉毛识别方法》一文中研究指出针对基于快速傅里叶变换的眉毛识别方法 (FFTER)识别速度较慢的问题,设计了一种新的基于梯度模板匹配的眉毛识别方法 (GTMER).该方法识别速度更快,更能够适合于实时应用.首先,利用图像梯度特征,快速匹配出纯眉毛模板的最相似区域;然后,通过小范围内的精准调整,得到一个准确的匹配位置;最后,利用傅里叶频谱距离,将待处理眉毛图像识别出来.实验表明:GTMER的识别速度最高比FFTER提升约38%,同时在BJUTED眉毛数据库上的识别正确率也达到98.12%.(本文来源于《广西科技大学学报》期刊2018年03期)
李厚君,王日凤,李春贵[2](2016)在《正交Haar变换的眉毛识别方法》一文中研究指出【目的】提高现有眉毛识别方法的识别效率。【方法】采用快速正交Haar变换模板匹配算法(FOHT),设计一种基于正交Haar变换的眉毛识别方法;同时,使用最大标准子模板和自适应阈值解决了FOHT算法只能处理标准模板且需要手动设置阈值的缺陷。【结果】所构建的眉毛识别方法比原方法效率提高约32%。【结论】正交Haar变换的眉毛识别方法实时性强,具有一定的实用价值。(本文来源于《广西科学院学报》期刊2016年01期)
李厚君,王日凤,李春贵[3](2015)在《正交Haar变换的眉毛识别方法》一文中研究指出【目的】为了提高现有眉毛识别方法的识别效率。【方法】采用快速正交Haar变换模板匹配算法(FOHT),设计一种更加高效的眉毛识别方法,即正交Haar变换的眉毛识别方法。该方法使用最大标准子模板和自适应阈值设置方法解决了FOHT算法只能处理标准模板,以及需要手动设置阈值的缺陷,从而构建出自动化程度更高的眉毛识别方法,并提高了的识别效率。【结果】实验表明,所构建的眉毛识别方法比原方法效率提高了约32%。【结论】正交Haar变换的眉毛识别方法的实时性更强,对眉毛识别的推广应用具有一定的实用价值。(本文来源于《广西计算机学会2015年学术年会论文集》期刊2015-10-28)
李厚君[4](2015)在《快速模板匹配方法及其在眉毛识别中的应用》一文中研究指出模板匹配是机器视觉、图像和视频处理中一个基本的问题,即如何在给定图像里找出模板,其相关方法在生产质量控制、纹理合成、运动估计、物体检测、行为识别和图像降噪等各个方面,都有广泛地应用。然而,要设计出更好的快速模板匹配方法,仍是一项极富挑战性的工作。为此,本文对快速模板匹配方法进行了系统而深入的研究,并将它们应用到眉毛识别中。眉毛识别的基本思想是:人类眉毛可以作为一种独立的生物特征,以很高的概率确定出个人身份。它可以在虹膜采集困难时替代虹膜识别,或在人脸鼻子及以下部分被遮挡时替代人脸识别。但以往的眉毛识别方法均需要人为参与,且识别正确率低。将快速模板匹配方法应用到眉毛识别,可以实现识别方法的自动化,同时也利于提高识别的正确率。本文的主要创新研究成果有以下几个方面:(1)提出了一种快速正交Haar变换模板匹配算法虽然正交Haar变换模板匹配算法(OHT)使用图像的条形和获得了不错的表现,但它在计算每个Haar投影值时,仍需要3次运算。为此,通过建立正交Haar变换的严谨数学模型,本文借助方形和的概念,提出了一种快速正交Haar变换模板匹配算法(FOHT)。它使得每个Haar投影值的计算量由3次减法运算减少为1次,从而获得了更快的匹配速度。大量实验结果表明,在多数单模板匹配情况下,FOHT的匹配速度与OHT不相上下;而在多模板匹配时,FOHT的匹配速度总要快于OHT。(2)提出了一种拟Haar变换模板匹配算法由于OHT和FOHT要求被处理的模板必须是标准大小的,而实际应用中的模板多为任意尺寸,因此有必要将正交Haar变换发展成为拟Haar变换。同样建立了拟Haar变换的严谨数学模型,本文利用树分解的计算策略,使图像拟Haar投影值的计算量约减少为直接计算时的一半,并据此提出了一种拟Haar变换模板匹配算法(QHT)。大量实验表明,QHT能够以较高的效率直接处理任意大小的模板;并且某些情况下,它在处理标准模板时拥有比OHT更快的速度。(3)提出了一种新颖的匹配识别框架思想传统检测识别框架下的眉毛识别方法都需要人的参与,这给识别带来了不确定因素。为此本文提出一种新颖的匹配识别框架思想,它首先匹配出模板的最相似区域,然后通过判别距离的计算得出最终识别结果。大量实验表明,该框架能实现自动化程度较高的眉毛识别系统,同时实验也展现了眉毛识别替代人脸识别的可行性。此外,该匹配识别框架是一种通用的自动图像识别框架,它只需要替换眉毛模板,便能被用于其他基于图像的生物特征识别中。(4)提出了四种基于快速模板匹配的眉毛识别方法为了进一步提高眉毛识别的正确率和效率,本文将OHT、FOHT、QHT,以及梯度模板匹配算法(GTM)应用到眉毛识别中,分别得到四种新的眉毛识别方法。实验表明,这些眉毛识别方法的识别效率都很高,而且使用GTM的眉毛识别方法,在公开的BJUTED眉毛数据库上取得了98.12%的识别正确率,这是目前为止在该数据库上所取得的最高识别正确率。(本文来源于《北京工业大学》期刊2015-06-26)
李颜瑞[5](2014)在《基于小波变换的眉毛识别方法》一文中研究指出提出了一种基于小波变换的眉毛识别方法.该方法利用小波变换进行眉毛特征提取,选取奇偶行叁层小波变换的高频、水平分量、垂直分量和整体二层小波变换的低频部分作为特征,利用最近邻法则进行识别.实验结果对比表明,该方法简单且识别率较高.(本文来源于《云南民族大学学报(自然科学版)》期刊2014年04期)
李颜瑞,杨毅[6](2014)在《基于分块PCA的眉毛识别方法研究》一文中研究指出通过前人的研究,眉毛已经可以作为一种独立的生物特征进行身份识别.本文提出了一种基于分块PCA的眉毛识别方法.在109人的眉毛库上进行实验,实验分析了阈值和分块数量对识别率的影响,并且识别率最高可以达到92.66%.(本文来源于《佳木斯大学学报(自然科学版)》期刊2014年03期)
李颜瑞,杨毅[7](2013)在《基于灰度共生矩阵的眉毛识别方法》一文中研究指出文章提出了一种基于灰度共生矩阵的眉毛识别方法.采用灰度共生矩阵提取眉毛特征,利用最近邻法则进行识别.通过实验结果表明,在一个109人的眉毛信息库上,该方法具有较高的识别率,最高识别率可达91.7%.(本文来源于《太原师范学院学报(自然科学版)》期刊2013年04期)
苏萍萍[8](2013)在《稀疏表示模型的求解方法及在眉毛识别中的应用》一文中研究指出生物特征识别技术一直是国内外相关研究领域的热点之一,也是各国争相发展的重点战略技术之一。与卡片、钥匙、账号、密码等传统的身份鉴别方法相比,生物特征识别技术具有更好的便捷性。目前,常用的生物特征识别技术有:指纹、人脸、虹膜、掌纹、步态、耳朵、声音、笔迹等。理论上,无论是生理特征还是行为特征,只要具有普遍性、差异性、稳定性和可采集性,都可以被用于个体的身份鉴别。人脸识别算法和相关技术的研究一直是计算机视觉和模式识别领域研究的热点。在漫长的研究历程中,人脸识别已经得到很充分的发展,但是在理论研究和实验中,光照、腐蚀、遮挡条件对人脸的识别算法有很大的影响。虽然眉毛在人脸识别中起着重要的作用,且基本具有可被用于身份鉴别的特征,但是目前却很少被作为独立的生物特征用于识别研究。本文在现有基础上进一步研究眉毛图像的识别算法,主要研究工作包括以下几个方面:1)稀疏表示模型的研究。稀疏表示方法中求解稀疏系数的时候需要求解范数的最小化。将传统的求范数的非连续型不可导的函数改为连续型可导的函数,不仅可以用求导的方法进行求解还可以逼近范数。主要研究内容包括两方面,一是如何定义具有可导性的范数函数,二是如何推导范数最小化的求解过程。在定义出函数的基础上,进而对有约束条件的目标函数求最小值。最后针对求解复杂非线性方程组的情况,并结合最优化方法的理论进行求解过程的研究。2)稀疏表示方法应用于眉毛识别的研究。该过程主要包括用主成分分析的方法提取眉毛特征,并用稀疏表示的方法对眉毛分类,进而完成识别。在公开的北京工业大学眉毛数据库(BJUTED)上进行的眉毛识别实验显示,该方法的识别率最高能达到98.53%左右。FERET人脸库上的实验表明:在相同的识别方法下,眉毛的识别率甚至要高于人脸的识别率(100样本时,眉毛的识别率能达到98.8%,而人脸的识别率只有96%)。这不仅验证了眉毛识别的可行性,同时也有力地说明了在某些情况下眉毛识别能替代人脸识别。3)稀疏表示方法与最近邻法、最近子空间法以及支持向量机法的对比。在相同条件下,把稀疏表示法、最近邻法、最近子空间法以及支持向量机法应用于眉毛识别中,从而得出稀疏表示的方法具有更好的识别率及鲁棒性。(本文来源于《北京工业大学》期刊2013-05-01)
谢欢曦[9](2012)在《基于模板匹配和投影降维分析的自动眉毛识别方法研究》一文中研究指出生物特征识别技术因为其安全性、稳定性和便捷性等特点,被广泛地应用于身份鉴别领域。常用于识别的生物特征包括指纹、人脸、虹膜、视网膜、掌形、签名、掌纹等。由于人类的眉毛能够满足广泛性、唯一性、可采集性、可接受性、稳定性以及安全性等要求,因此也可以被用于身份鉴别的研究。对眉毛识别的研究在生物特征识别领域中有巨大的理论和实际意义。本文提出了一种基于模板匹配和投影降维分析的自动眉毛识别方法,主要研究工作如下:1.利用基于拟Haar变换的模板匹配方法进行纯眉毛图像提取本文研究了基于正交Haar变换的模板匹配方法,并在其基础上提出了针对非标准模板的基于拟Haar变换模板匹配算法,利用拟Haar变换模板匹配进行纯眉毛图像提取。该算法通过树形分解计算得到原始图像中各候选窗口以及模板的类Haar特征,然后利用特征之间的距离作为筛选条件来定位原始图像中与眉毛模板相匹配的最佳区域,自动分割出人脸中的眉毛部分。2.纯眉毛图像的投影降维方法分析本文研究了PCA,2DPCA,LPP和2DLPP四种投影降维方法,分别利用这些方法对纯眉毛图像进行投影降维。通过在眉毛数据库上的实验,比较了其在识别率,时间以及维数上的差别。3.自动眉毛识别方法研究本文研究了自动眉毛识别方法,其任务是对于给定的原始眉毛图像和纯眉毛数据库,识别出原始眉毛所属的类别。其处理过程是:先根据纯眉毛数据库中的眉毛模板来对给定的原始眉毛图像进行匹配,将得到多个匹配结果;然后将匹配结果作为测试集,将纯眉毛数据库作为训练集,对测试集和训练集的眉毛图像进行投影降维,最后根据投影特征之间的距离,利用最近邻法判别法得出纯眉毛的类别(即原始眉毛的类别)。在整个实验过程中,纯眉毛数据库由人工选定,整个识别过程是自动的,从而减少了人工干扰。(本文来源于《北京工业大学》期刊2012-05-01)
李玉鉴,谢欢曦,周艺华[10](2011)在《基于2DPCA的眉毛识别方法研究》一文中研究指出分析了人类的眉毛作为一种独立生物特征进行身份鉴别的可能性,提出了一种基于2DPCA的眉毛识别方法,比较了2DPCA和PCA对眉毛识别的结果.通过对109人的眉毛数据库的分析,分别研究了2DPCA和PCA方法在眉毛识别中识别率和信息阈值之间,识别率与特征个数之间,识别率与图像尺寸之间的关系,以及它们对时间和空间的需求.实验结果表明,利用2DPCA方法进行眉毛识别在训练时间和识别率上明显优于PCA方法,识别率最高可达97.62%.(本文来源于《武汉大学学报(理学版)》期刊2011年06期)
眉毛识别论文开题报告
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
【目的】提高现有眉毛识别方法的识别效率。【方法】采用快速正交Haar变换模板匹配算法(FOHT),设计一种基于正交Haar变换的眉毛识别方法;同时,使用最大标准子模板和自适应阈值解决了FOHT算法只能处理标准模板且需要手动设置阈值的缺陷。【结果】所构建的眉毛识别方法比原方法效率提高约32%。【结论】正交Haar变换的眉毛识别方法实时性强,具有一定的实用价值。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
眉毛识别论文参考文献
[1].李厚君.基于梯度模板匹配的眉毛识别方法[J].广西科技大学学报.2018
[2].李厚君,王日凤,李春贵.正交Haar变换的眉毛识别方法[J].广西科学院学报.2016
[3].李厚君,王日凤,李春贵.正交Haar变换的眉毛识别方法[C].广西计算机学会2015年学术年会论文集.2015
[4].李厚君.快速模板匹配方法及其在眉毛识别中的应用[D].北京工业大学.2015
[5].李颜瑞.基于小波变换的眉毛识别方法[J].云南民族大学学报(自然科学版).2014
[6].李颜瑞,杨毅.基于分块PCA的眉毛识别方法研究[J].佳木斯大学学报(自然科学版).2014
[7].李颜瑞,杨毅.基于灰度共生矩阵的眉毛识别方法[J].太原师范学院学报(自然科学版).2013
[8].苏萍萍.稀疏表示模型的求解方法及在眉毛识别中的应用[D].北京工业大学.2013
[9].谢欢曦.基于模板匹配和投影降维分析的自动眉毛识别方法研究[D].北京工业大学.2012
[10].李玉鉴,谢欢曦,周艺华.基于2DPCA的眉毛识别方法研究[J].武汉大学学报(理学版).2011