基于PCA和LBP的自适应加权融合人脸识别算法

人脸识别技术易受光照、姿态和表情等影响,为增强人脸识别算法的鲁棒性,提出了一种基于PCA和LBP的自适应加权融合识别算法。首先,采用PCA和LBP算法提取人脸图像的特征;然后,利用CRC-RLS算法分别计算不同特征对应的协同表示误差;最后,提出一种基于L2范数的CCI指标,自适应地计算融合权重,并采用分数层加权融合策略实现对人脸图像的识别。实验结果表明,相对于传统的基于PCA或LBP特征的人脸识别算法,本文算法不仅具有较好的鲁棒性,而且可以显著提高人脸图像的识别率。     

基于二维线性判别分析的彩色人脸识别

为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.     

融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。     

基于公共空间视频的人脸情绪识别

针对公共空间中人脸情绪识别准确率不高的问题,提出一种结合不同感受野和双流卷积神经网络的人脸情绪识别方法。首先建立基于公共空间视频的人脸表情数据集;然后设计一个双流卷积网络,以尺寸为224×224的单帧人脸图像输入卷积神经网络(convolution neural network,CNN),分析图像纹理静态特征;以尺寸为336×336视频序列输入CNN网络,再将提取的特征送入长短期记忆网络(long short term memory network,LSTM)分析局部、全局运动特征;最后通过Softmax分类器将两通道网络的描述子进行加权融合,得到分类结果。结果表明,本文方法能有效利用不同感受野的信息特征清晰识别公共空间的4种典型人脸情绪,识别准确率达88.89%。     

基于二维、三维信息融合的人脸识别

为解决光照、姿态等因素发生变化时二维人脸识别算法识别率骤然下降的问题,提出了基于二维、三维信息融合的人脸识别方法.与其他算法不同,该算法输入为一幅二维灰度图像,通过重建相应的三维模型提供三维信息.对于二维图像,选择局部二值模式(LBP)特征进行人脸表示.对于三维模型,定义了54个特征点,将鼻尖点与特征点之间的测地线距离作为三维特征.对2种特征识别结果采用加权融合的方式,权值的确定依据Fisher判别准则.通过CAS-PEAL-R1人脸库对提出的算法进行了测试,并与其他方法进行了比较.     

基于深度特征聚类的海量人脸图像检索

针对海量人脸图像数据库检索时长的问题,提出了一种基于深度特征聚类的海量人脸图像检索算法.该算法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸图像分类训练,在此基础上采用三元组损失方法对已训练好的人脸图像分类网络模型进行微调,使得网络能够更加有效地提取人脸图像的高层语义特征,构建更具有表征性的人脸图像深度特征.其次采用K-means聚类算法对提取的人脸图像深度特征进行聚类,使得同一个人的人脸图像能够划分到同一簇中,然后在相应的簇中进行人脸图像的深度特征相似度匹配执行人脸图像检索任务.为了进一步提高系统的检索性能,提出人脸图像深度特征融合的查询扩展方法,对待检索的人脸图像深度特征进行融合再次执行检索任务得到最终的检索结果.通过在两个人脸检索数据集(Celebrities Face Set和Labeled Faces in the Wild dataset)上进行详尽实验验证,结果表明,该算法能极大地缩小海量人脸图像数据库的检索范围,在保证一定准确率的前提下有效地提高了人脸图像检索的速度.     

基于特征融合的人脸表情识别算法研究

为了避免传统表情识别方法中复杂的特征手动提取过程,同时保证能够提取到更多的表情特征,文中提出一种融合卷积神经网络(Convolutional Neural Network,CNN)、方向梯度直方图(Histogram of Oriented Gradient,HOG)以及人脸关键点定位(facial landmark detection)的人脸表情识别方法.该方法首先通过在图像预处理中使用多任务卷积神经网络(Multi-task convolutional neural network,MTCNN)对不同尺度输入图像进行人脸检测并得到人脸的关键点位置信息(facial landmark).然后根据facial landmark的位置信息计算出人脸表情图像的几何结构特征,并且计算人脸表情图像局部区域的方向梯度直方图来构成HOG特征,采用特征融合的方式将facial landmark和HOG特征做进一步的融合形成新的特征向量LM_HOG.最后将融合后的特征与经过CNN提取的全局特征再次融合输入到支持向量机(Support Vector Machine,SVM)和Softmax中进行表情识别.在FER2013和Extended Cohn-Kanade(CK+)人脸表情库上的实验结果表明,将融合得到的LM_HOG特征作为局部特征,用以描述图像的局部性差异,CNN提取的特征作为全局特征,用以描述人脸表情图像的整体性差异,融合后的特征能更好的提取图像细节特征,平均识别率分别达到了75.14％和97.86％,具有优越的性能.     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

基于子模式的单样本人脸识别方法

针对在单样本人脸识别中每类个体的鉴别性特征难以提取的问题,提出一种基于子模式的单 样本人脸识别方法．所提方法考虑了人脸的不同部位对人脸识别精度有不同的贡献度,并引入外部 人脸数据集来训练学习得到每类个体的鉴别性特征．在进行人脸识别时,采用人脸校准算法提取人 脸的５个基准点,并以此为中心将人脸划分成５个固定大小的子模式．在每个子模式的特征提取 上,引入外部人脸数据集,并结合ＳＶＭ 算法训练得到属于每个子模式的分类器．最后,对每个子模 式的分类结果做加权融合,得到最佳识别对象．在３个公开的人脸数据集Ｅｘｔｅｎｄ－Ｙａｌｅ－Ｂ,ＯＲＬ,ＡＲ 上与现有方法进行实验比较,结果表明所提方法在识别精度上有较大提升．     

基于复杂背景的彩色图像肤色分割

在使用单个颜色空间进行肤色检测的基础上,提出利用YCbCr和YIQ两种颜色空间同时对单帧图像进行肤色提取的方法,然后对提取的图像进行像素融合和数学形态学处理.实验结果表明,这种方法在确定人脸区域时,简单快速,且减少了人脸的漏检率.     

复杂背景下的人脸检测方法研究

针对复杂背景环境下的人脸检测,提出了一种基于改进AdaBoost的新方法。首先对人脸进行Haar-like特征的提取,然后使用基于最大散度差的鉴别准则对人脸高维特征进行降维。通过预设最大误报率和最小通过率及与前向搜索相结合的方法选择最佳弱分类器。在级联结构后几层的强分类器中,使用PCA、LDA与AdaBoost相融合的方法,去除非人脸区域,有效地检测出人脸。实验仿真结果验证了该方法的有效性。     

基于帧间差分与静态特征相结合的人脸跟踪方法

简述了近年来主要的人脸跟踪方法,提出一种基于帧间差分与静态特征相结合的人脸跟踪算法。算法利用视频图像的运动信息做帧间差分确定人脸搜索的矩形区域,利用肤色模型提取肤色区域,通过积分投影确定人脸的椭圆范围,并对矩形范围内图像做边缘提取、膨胀等处理,通过水平积分投影获得人脸特征曲线,并通过特征曲线验证椭圆范围内是否存在人脸,实现人脸自动跟踪。     

一种加权的核Fisher鉴别分析在人脸识别中的应用

在非线性空间中采用加权的最大散度差鉴别准则函数,该方法不仅有效地抽取了人脸图像的非线性特征,而且在特征空间H中,使用权函数重新构造了类间散度矩阵和类内散度矩阵,从而优化了核的最大散度差准则函数。最后在ORL和Yale人脸数据库上的实验结果验证了本文方法的有效性。 更多还原     

基于二维PCA的人脸识别方法研究

该文提出了一种基于二维PCA的类内平均脸方法进行人脸的特征提取.首先利用类内平均脸对人脸训练样本进行规范化处理,根据规范化之后的人脸训练样本计算图像协方差矩阵,并求解一组最优特征向量,然后将人脸样本投影到这组最优特征向量上来提取人脸的特征,最后采用最近邻距离分类器来分类所提取的特征.此方法在NUST603人脸图像库上进行了实验,验证了该方法的有效性.     

基于MPEG-4的融合多元素的三维人脸动画合成方法

为了实时合成真实感的可视语音,提出了一种融合口型、表情等多种运动元素的三维人脸动画合成方法.以MPEG-4人脸动画标准为基础,建立了汉语音节口型库和人脸基本表情库,通过在人脸动画参数上对共同影响面部运动的多种元素进行加权融合,合成出最终的动画序列.实验结果表明,该方法有效融合了面部运动的多种元素,同时具有真实感和实时性的优点.     

Kappa加权的子空间融合表情识别方法

为提高面部表情识别效果,提出基于Kappa计算面部表情图像子区域对表情的贡献程度,并线性加权子空间预测结果.将标准化后的人脸表情图像上下平均分割成2个子区域,确定上半脸和下半脸及全脸3个表情子空间,采用Gabor小波特征,分别利用SMO、MLP和KNN三种分类器,统计并计算基于Kappa的子空间表情信息.在Cohn-Kanade和JAFFE两个表情图像库进行测试,实验结果表明:基于Kappa加权融合的表情识别方法识别率更高.     

基于改进加权算法的实时图像数据融合研究

在三维重建、多维数据融合和信息可视化分析等领域中,针对实时视频图像数据拼接融合的过程中常出现的拼接缝隙问题,提出了一种改进的加权融合实时图像拼接方法.该方法将视频拼接问题转化为视频对应帧图像的融合问题,通过利用SURF算法对特征数据点进行提取与匹配,对图像使用RANSAC算法和LM算法求其几何变换矩阵,再根据变换矩阵进行图像插值拼接,对拼接线区域图像内容进行加权处理完成视频图像融合.在进行图像融合处理时,提出了基于拼接线一侧加权融合和基于原图内容的加权融合算法.实验结果表明:该方法实现的拼接融合速度快、效果较好,适用于对速度和拼接效果均有要求的场景视频拼接和实时数据呈现.     

基于加权PCA的人眼定位算法

利用机器学习的思想,提出了一种加权PCA算法应用于人眼定位。首先用PCA方法从人眼图像中提取特征向量,然后用机器学习的思想筛选出正确率高的特征向量,并用正确率对其加权,最后由加权后的特征向量构成强分类器,并使用CAS—PEAL人脸库对该算法验证。实验结果表明,与传统PCA算法相比,加权PCA算法得到更好的人眼检测结果。     

一种改进的人眼特征检测方法

眨眼是人眼的重要特征。尝试了一种将双眼作为整体,利用Haar小波变换确定位置,然后利用人脸 模型,分割出两个单眼,最后使用PCA方法判断出眨眼的检测方法。这种方法将双眼作为整体检测克服了人眼单眼 定位的误差,并在双眼整体检测结果上运用PCA方法提取数据,检测眨眼,实验结果表明,此方法是可行和有效的。     

基于LGRP和多特征融合的人脸表情识别

针对复杂的Gabor滤波器直接抽取人脸特征数据存在一些冗余信息以及提取的表情特征较为单一的缺点,提出了基于LGRP和多特征融合人脸表情的识别方法。首先,提取人脸表情图像的Gabor多方向和多尺度特征,进一步编码得到局部Gabor排序模式(LGRP),以增强鲁棒性以及区分能力;其次,引入Haar小波和Otsu阈值分割法分别提取表情特征,通过级联融合3种不同的特征,可以全面地表达图像的局部特征和全局特征;最后,采用支持向量机(SVM)对人脸表情进行多分类。在CK+表情库上进行仿真实验,平均识别率达到94. 36%。与其他方法的比较结果表明,该方法取得了很好的识别率和鲁棒性。