摘要：针对Adaboost人脸检测算法在分类器训练过程中耗时较多的问题,对Adaboost算法进行了详细分析,提出了加快寻找每一轮最佳弱分类器的四点均值法。该方法对每个特征,计算所有训练样本对应的特征值,并将其从小到大排序,求相邻的4个特征值的平均值,该平均值作为阈值,计算错误率,找出最佳弱分类器。减少特征量,修改弱分类器权重,加快收敛速度,使用不同遮挡部位的人脸样本训练分类器,实现了局部遮挡人脸的检测。实验结果表明,该方法明显提高了训练速度,缩短训练时间,并能较准确地检测局部遮挡人脸。

摘要：局部遮挡人脸识别有利于摆脱当前人脸识别的既定条件限制,适应更多的生物识别场景,针对现有研究成果在遮挡人脸识别时表现出的盲目性与非确定性,提出了结合低秩稀疏与网络学习的人脸识别算法。算法结合了低秩稀疏与鲁棒计算,通过构建人脸学习库,为遮挡部分图像的特征分析提供依据,低秩稀疏处理能够尽可能全面的搜索图像分类,网络学习处理能够尽可能优化人脸特征学习库。算法首先引入核范数与误差矩阵构建低秩矩阵模型,同时引入稀疏误差矩阵,以获得更多的分类信息;然后利用拉格朗日对低秩稀疏模型进行寻优计算,根据最优低秩映射矩阵得到低秩学习图像与稀疏误差图像;再根据全局与局部处理要求,分别采取平滑度描述与边缘检测;最后针对低秩稀疏处理过程设计了隐层网络学习,隐层神经元能够对网络输入进行自由度较高的操作,并根据不同类型的隐层节点,对输出函数采取不同的处理方式。仿真结果表明,结合低秩稀疏与网络学习的人脸识别算法有效降低了遮挡噪声的敏感性,提高了算法处理的鲁棒性,对于局部遮挡人脸的识别具有更好的可靠性与实时性。