小明知道的专栏

Abstract：本文将讲解如何利用自己的人脸数据在vgg-face上finetuing，主要包括数据的生成和文件的设置，以及最后的运行。1.代码和文件准备 代码caffe：http://caffe.berkeleyvision.org/，这个只要编译好就可以用了，配置编译不用讲，网上有大量的教程。 vgg-face模型：http://www.cppblog.com/guijie/archive

摘要：在过去的20年里，研究者提出很多人脸识别的方法。大多数研究者运用了整张人脸来做识别，基本技术路线都是提取人脸特征然后并对。然而在实际的场景中，人脸可能被障碍物遮挡，那么我们就必须识别人的部分脸，部分脸识别大多基于脸部关键点进行识别。本文意在总结基于人脸关键点的全脸和部分脸的识别方法。

Abstrcat—本文主要介绍LBPLBP特征和高维LBPLBP特征在人脸 识别领域的应用。目录目录LBP高维LBP1. LBP        LBPLBP算子是由OjalaOjala等人于1996年提出的，它是一种简单，有效的纹理分类的特征提取算法。       从纹理分析的角度来看，图像上某个像素点的纹理特征，大多数情况下是指这个点和周围像素点的关系，即这个点和它的邻域内点的关系。从哪个

Abstract—本文主要讲解Gabor特征在人脸识别中的使用。       在此不讲Gabor滤波器的原理，网上有很多博客已经介绍了大量关于Gabor滤波器。此文讲下提取出来后的Gabor滤波器的处理。       通常我们使用的Gabor滤波器有8个方向，5个尺度，这些参数都可以调节。Gabor滤波器分为实数部分和虚数部分，如图1所。图1a为实数部分，图1b为虚数部分。 图1a Gab

Abstract—本文主要讲解下排序测度在人脸识别中特征提取的过程。       下面来看一张图（图1）来描述排序测度特征. 图1 虹膜排序测度的提取，最后用了hamming距离来比对数据库的模板。这是提取虹膜特征的一个方法。      从图1可以看出，主流的提取特征的方法都是使用水平朝向的、中等尺度的、单峰形状为低通滤波器的算子来提取近邻图像区域之间的排序测度特征。但是这些方法忽略了虹膜图

Abstrcat—人脸图像预处理是为了去除光照对人脸影响。通常我们采用直方图均衡化对人脸图像进行处理。下面介绍一个方法对人脸进行预处理，由于没有找到相关文献的介绍，现在只能给出公式以及该方法与直方图均衡化后的结果。该方法最终得到识别率比直接采用直方图均衡化好。对于一幅尺寸为m∗nm*n人脸图像II. I1=I(∑mi=1∑nj=1|Iij|a/(m∗n))(1/a)I_{1}=\frac{I}{(

继上一篇人脸图像预处理，现在给出opencv的程序。由于涉及到滤波，我先给出Opencv滤波的函数。void filter2D(InputArray src, //要进行滤波的图像 OutputArray dst,//滤波后的图像 int ddepth, //原图像的深度 src.depth() Input

摘要：本文主要讲解如何利用caffe搭建自己的网络，本文主要讲利用caffe搭建一种Hierarchical Feature Representation的网络。网络如下图：数据库：CASIA-WebFace数据集，可以到我的网盘中下载:http://pan.baidu.com/s/1nuWsju5。在我的试验中我选用1000人的样本训练，在CASIA-WebFace数据中1000人包含图片最多，大

摘要：本文主要讲解如何得到CMC曲线。CMC曲线就是算一种top-k的击中概率，主要用闭集测试。比如有n个注册样本，现在想测试性能，测试样本依次和n个注册样本算取一个距离，然后排序，看类类样本位于前top-k，最后统计得到CMC曲线。计算CMC曲线的函数代码如下：function accuracy = calrank(distance,rankvalue,info)for k = 1:length

摘要：本文主要讲开集测试指标ROC曲线。开集测试更加符合实际的场景。一般要得到ROC曲线需要准备三个数据集，一个是gallery集，称为注册集，第二个是包含gallery集的ID的probe集，和不包含gallery集的ID的probe集，我们只需要计算类类比对分数和类间比对分数，这是一种1：n的比对方式。 代码如下：function [result,pre_FPR,pre_TPR]=drawROC

介绍基于深度学习和稀疏表达的人脸识别算法1 利用VGGFace提取人脸特征2 PCA对人脸特征进行降维3 稀疏表达的人脸匹配Code1 介绍本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。首先，利用深度学习框架(VGGFace)提取人脸特征；其次，利用PCA对提取的特征进行降维；最后，利用稀疏表达分类实现特征匹配。我采用CMC曲线评价在AR数据库上的识别性能。最后我还提供了整个过程的c