一种混合特征的人脸识别算法仿真研究

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

在Boosting算法中，我们将分类任务划分成多个子分类器，每个子分类器专注于一些难分类的样本，然后组合这些子分类器形成一个强的分类器。

为了提高人脸识别的准确率,提出了一种基于K近邻(KNN)和粒子群优化(PSO)的人脸识别方法。运用局部二值模式(LBP)提取特征,研究了遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)等元启

本论文聚焦于基于2DPCA的人脸识别技术，通过仿真设计实现对其性能的评估。2DPCA是一种有效的人脸特征提取方法，其在降维过程中保留了更多的信息，有利于提高识别准确率。本研究采用仿真技术，模拟不同场景

人脸识别

特征融合

提出了一种快速有效的人脸识别系统．针对特征脸方法只能识别标准正面人脸的局限性，设计了前端处理模块，首先计算待识别图像中人脸的倾斜角度，进行相应角度的旋转，然后剪切m人脸图像，进行尺寸调整，经过此处理后

特征融合

使用密集SIFT特征对齐的人脸识别

一种改进的PCA+LDA人脸识别算法.pdf