监控摄像头人脸识别的百分比

    提出了一种基于监控干扰器混合学习算法（HLA）的径向基函数（RBF）神经网络的二维数字图像人脸识别方法。所提出的特征提取方法包括使用距离度量作为人脸候选阈值（FCT）和伪Zernike不变矩（PZMI）以及新定义的参数正确信息比（CIR）从形状信息中提取人脸定位用于忽略人脸图像的无关信息的图像。本文研究了这些参数在忽略无关信息提高识别率中的作用。

    此外，我们还评估了PZMI阶数对所提出技术的识别率和学习速度的影响。在Olivetti研究实验室（ORL）人脸数据库上的仿真结果表明，高阶PZMI结合衍生的人脸定位技术提取特征数据，识别率达到99.3%。本文提出了一种高效的自配置脉动结构，用于人脸识别系统的大规模集成实现。该摄像头屏蔽器系统采用具有广义Hebbian学习的主成分神经网络（PCNN）从人脸数据库中提取特征人脸。

    在包含不同照明和表情图像的基准Yale和FRGC数据库上进行评估时，它的识别性能超过85%。与现有的人脸识别系统不同，该方法不仅使用计算出的特征脸识别人脸，而且摄像头干扰器在人脸数据库发生变化时自动更新特征脸。然而，挑战在于基于PCNN的人脸识别系统的硬件实现。在存在各种性质的计算密集型步骤的情况下，将整个计算映射到单个脉动结构并不容易。从体系结构的角度来看，本文的主要贡献是通过适当合并与不同SFG的不同节点相关的计算，将算法每个单独步骤的细粒度系统化信号流图（SFG）优化映射到单个自配置线性脉动阵列。