AMSR与SVM相结合的人脸识别方法

为解决在复杂光照条件下的人脸识别问题,提出一种自适应多尺度Retinex(AMSR)和支持向量机(SVM)相结合的人脸识别算法;首先,针对多尺度Retinex(MSR)只能处理光照均匀图像的缺点,提出了AMSR算法,该算法在MSR基础上增加了全局非线性对比度增强方法,使图像的灰度能够根据人脸图像的明暗度进行全局自适应调整,实现了各种光照条件下的人脸图像预处理;然后利用SVM多分类算法对人脸图像进行分类;在人脸库的实验结果证明了AMSR+SVM人脸识别算法的有效性。     

改进的单尺度Retinex及其在人脸识别中的应用*

为了提高在光照条件变化下的人脸识别率,提出一种改进的单尺度Retinex算法并用于人脸识别的光照预处理中.该算法通过非线性全局对比度增强对原图像增强,并利用Mean-Shift平滑滤波代替传统单尺度Retinex中的高斯滤波对光照估计,能够明显地消除单尺度Retinex算法中不能解决的光晕现象.在人脸库的实验表明,该算法不仅比直方图均衡化、Gamma校正、单尺度Retinex、多尺度Retinex算法具有更好的光照预处理效果,而且能够有效提高人脸识别率.     

改进单尺度Retinex的光照人脸识别

经典Retinex算法假设场景中光照是平缓变化的,当光照变化比较强烈时,易产生“光晕”现象,为了提高光照条件变化下的人脸识别率,提出一种改进单尺度Retinex的光照人脸识别方法。采用双曲正切函数代替Retinex的对数函数对人脸图像进行亮度和对比度非线性增强;利用双边滤波代替Retinex的高斯滤波消除“光晕”,采用Retinex消除光照不利影响,采用K近邻算法建立人脸分类器。结果表明,改进Retinex降低了时间复杂度,图像增强效果优于同类算法,提高了人脸识别率,很好地解决了“光晕”问题,具有光照鲁棒性,可适用于光照变化较强条件下的人脸识别。     

改进的单尺度Retinex和LBP结合的人脸识别

为了提高复杂光照条件下人脸识别准确率,提出一种基于改进单尺度Retinex并结合局部二值模式（LBP）的人脸识别算法。首先,利用双边滤波代替Retinex的高斯滤波处理人脸图像,同时使用高斯-拉普拉斯（LoG）及归一化处理提取人脸图像的边缘细节特征,采用标准差的加权方法将两幅处理后的图像进行特征融合,然后使用LBP对融合后的图像进行特征提取,最后通过稀疏表示（SRC）算法对数据样本进行判别归类。在AR和Yale B+人脸库上的实验测试表明,提高了复杂光照下人脸识别的光照鲁棒性,在训练样本较少、光照复杂环境下能取得较好的识别效果。     

一种新的基于MSRCR光照补偿算法

对质量较差的人脸图像进行光照补偿,多尺度Retinex算法是传统的算法中比较有效的一种,但是Retinex算法处理的人脸图像会产生"泛白、颜色失真、对比度低"现象,为了提高人脸识别率,为此提出了一种新的带色彩恢复的多尺度Retinex算法(MSRCR)对彩色图像进行光照补偿.在对MSRCR理论进行研究的基础上,对原有算法进行改进,使用了快速傅里叶变换,运行速度快于已有传统方法.经过实验证明,改进算法使图像的对比度,亮度,隐藏的细节等方面都有很大的增强.论述了该算法的原理和实现方法,同时通过实验将其与直方图均衡,Gamma变换等方法进行比较.实验结果表明:该算法对彩色图像光照补偿有很好的效果.     

光照变化条件下的人脸识别技术研究

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸光照图像时易产生“光晕”难题,提出了一种基于Mean-Shift滤波的Retinex算法,并应用于人脸识别中的光照预处理。对人脸图像进行非线性增强;利用Mean-Shift滤波代替高斯滤波对光照估计,解决传统Retinex算法中存在的“光晕”难题。采用Yale B人脸库对算法性能进行测试,结果表明,该算法能够很好地抑制“光晕”现象的发生,具有光照鲁棒性,提高了人脸的识别率。     

复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。     

复杂光照条件下的人脸预处理算法

为了提高光照条件下的人脸识别正确率,提出一种复杂光照条件下的人脸预处理算法。对人脸图像进行局部增强处理,用双边滤波对图像亮度进行估计,采用Gamma校正补偿图像亮度估计产生的损失,将反射分量与亮度估计结果融合获得效果更优的人脸图像,并用K近邻算法建立分类器对人脸进行识别。在Yale、PIE和AR人脸库仿真结果表明,该算法提高了光照条件下的人脸识别正确率,其性能优于当前典型人脸识别算法。     

基于支持向量机的人脸识别技术研究

研究人脸识别优化问题,不同程度光照对人脸图像的采集具有不利影响,使图像中包含一些噪声信息,而当前人脸识别算法没有考虑不同程度光照对人脸图像的影响,仅在光照变化不大时,识别正确率高.为了解决光照条件对人脸识别不利影响,提高脸识别正确率,提出一种多尺度Retinex( MSR)和支持向量机(SVM)相结合的人脸识别算法(MSR - SVM).MSR - SVM首先采用MSR对人脸图像进行预处理,消除光照变化的不利影响,然后采用PCA提取人脸图像特征,消除一些噪声信息,最后利用SVM分类算法对人脸图像进行分类.采用Yale人脸库对MSR - SVM算法进行仿真测试,仿真结果表明,改进方法可以消除光照变化对人脸识别不利影响,加快了人脸识别速度,提高了人脸识别正确率.     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。