基于Gabor多通道加权优化与稀疏表征的人脸识别方法

稀疏表征理论在模式识别中的应用引起广泛的关注。在用稀疏表征方法研究人脸识别问题中,为了使得表征系数矢量具有更为显著的稀疏性,该文提出一种Gabor稀疏表征分类(Gabor Sparse Representation Classification, GSRC)算法,该算法利用Gabor局部特征构造字典,增强算法对外界环境变化的鲁棒性。GSRC算法对所有的Gabor特征等同对待,通过进一步考虑不同Gabor特征对识别的不同贡献,该文提出了一种加权多通道Gabor稀疏表征分类(WMC-GSRC)算法,该算法通过引入Gabor多通道模型,提取不同通道的Gabor特征分别构造字典和稀疏表征分类器,在决策级执行分类器的加权融合得到识别结果。通过在ORL, AR和FERET人脸库上的实验结果验证了该文算法的有效性。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于SIFT算法的多表情人脸识别

目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低,多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用SIFT算法对多表情人脸进行识别,在多表情人脸库上进行了两类仿真实验:实验一中对比了同一个人的不同表情的识别效果,实验二中对比了两个不同的人的相同表情的识别效果,实验结果表明SIFT算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对Jaffe表情库进行仿真实验,取得了当阈值T=0.35时对多表情人脸图像的正确识别率95.69%,实验结果表明,将SIFT算法应用于多表情人脸识别有巨大的潜在科研价值。     

基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型（Lightweight New Residual Network, LNRN）. LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.     

词汇树融合SIFT的热成像和视觉图像人脸识别

针对热成像和视觉图像人脸识别问题,提出了一种基于词汇树融合尺度不变特征变换方法。首先,对视觉和热成像图像分别单独进行提取,利用Viola-Jones层叠检测器从自然图像中检测出人脸;然后,利用SIFT描述符从尺度空间提取稳定特征;最后,使用词汇树进行分类,利用评分融合和决策融合算法提高系统的精确性和安全性。在拍摄的41个人的脸部图像上的实验表明了该方法的有效性,识别率可接近100%,相比其他几种较为新颖的人脸识别方法,该方法取得了更高的识别精度,并且在一定程度上降低了计算耗时。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

基于多尺度训练库与多特征融合的人脸识别

针对光照差异、表情变化、遮挡等因素造成人脸识别率低的问题,提出一种基于多尺度训练库和加权特征的鲁棒性人脸识别算法。首先根据不同大小的图片具有不同信息量的特点定义并建立多尺度训练库,然后采用RPCA方法对人脸图像进行分解,之后进行HMLBP特征和Eigenface特征提取,最后引入一个权重因子将两种特征进行加权融合,并采用基于稀疏表达的方法对人脸图像进行识别。实验结果表明,相比其他人脸识别算法,本文提出的算法对标准人脸库保持较高识别率,最高可达99%,同时对遮挡人脸库也具有较好的识别效果,鲁棒性较高。     

改进的稀疏表示静止-视频人脸识别算法

静止-视频人脸识别是指训练集为高质量静止图像而测试集为低质量视频序列的一种身份识别技术。针对图像对齐困难和运动模糊问题,提出了一种改进的稀疏表示静止-视频人脸识别算法。根据梯度方差信息,实现了视频条件下人脸图像中几何特征的对齐。通过对图像进行多尺度滤波操作构造字典,解决了运动模糊问题。利用图像之间的互相关系数,提取了视频序列中的关键帧。实验结果表明,提出的算法较神经网络、支持向量机等方法有明显的性能改善。      

复杂场景下结合SIFT与核稀疏表示的交通目标分类识别

针对复杂场景下的交通目标分类识别难点,提出一种基于尺度不变特征转换(SIFT)与核稀疏表示的分类识别算法.该算法首先利用SIFT分别提取训练样本和待测目标局部特征信息,通过核方法将特征样本映射到核空间,构建过完备字典,最后通过待测目标在字典中的稀疏度与重构误差对交通目标类别进行判定.同时,分析了随机投影下的核稀疏表示分类与特征维数之间的关系.实验结果表明,与SVM、稀疏表示分类(SRC)相比,该方法增强了交通目标特征层的类判别能力,具有较好的识别率和鲁棒性.     

基于稀疏表示分类的路面裂缝检测和识别算法

针对传统检测算法普遍存在检测精度低、耗时长的问题,提出了一种基于稀疏表示分类的检测识别算法。该算法通过引入了稀疏表示分类器,选取有效的子块高阶矩特征对图像子块进行分类,避免了对图像进行预处理,简化了检测步骤;然后根据子块分类结果的映射编码识别裂缝类型。在实际采集的高速公路路面图像数据库上进行测试,实验结果表明该算法相比传统算法具有更高的识别精度和执行效率。     

PCA-based dictionary building for accurate facial expression recognition via sparse representation

Sparse representation is a new approach that has received significant attention for image classification and recognition. This paper presents a PCA-based dictionary building for sparse representation and classification of universal facial expressions. In our method, expressive facials images of each subject are subtracted from a neutral facial image of the same subject. Then the PCA is applied to these difference images to model the variations within each class of facial expressions. The learned principal components are used as the atoms of the dictionary. In the classification step, a given test image is sparsely represented as a linear combination of the principal components of six basic facial expressions. Our extensive experiments on several publicly available face datasets (CK+, MMI, and Bosphorus datasets) show that our framework outperforms the recognition rate of the state-of-the-art techniques by about 6%. This approach is promising and can further be applied to visual object recognition.     

Face Recognition Using Dense SIFT Feature Alignment

This paper addresses face recognition problem in a more challenging scenario where the training and test samples are both subject to the visual variations of poses,expressions and misalignments.We employ dense Scale-invariant feature transform (SIFT) feature matching as a generic transformation to roughly align training sampies;and then identify input facial images via an improved sparse representation model based on the aligned training samples.Compared with previous methods,the extensive experimental results demonstrate the effectiveness of our method for the task of face recognition on three benchmark datasets.     

Multi-pose 3D face recognition based on 2D sparse representation

The increasing availability of 3D facial data offers the potential to overcome the difficulties inherent with 2D face recognition, including the sensitivity to illumination conditions and head pose variations. In spite of their rapid development, many 3D face recognition algorithms in the literature still suffer from the intrinsic complexity in representing and processing 3D facial data. In this paper, we propose the intrinsic 3D facial sparse representation (I3DFSR) algorithm for multi-pose 3D face recognition. In this algorithm, each 3D facial surface is first mapped homeomorphically onto a 2D lattice, where the value at each site is the depth of the corresponding vertex on the 3D surface. Each 2D lattice is then interpolated and converted into a 2D facial attribute image. Next, the sparse representation is applied to those attribute images. Finally, the identity of each query face can be obtained by using the corresponding sparse coefficients. The innovation of our approach lies in the strategy of converting irregular 3D facial surfaces into regular 2D attribute images such that 3D face recognition problem can be solved by using the sparse representation of those attribute images. We compare the proposed algorithm to three widely used 3D face recognition algorithms in the GavabDB database, to six state-of-the-art algorithms in the FRGC2.0 database, and to three baseline algorithms in the NPU3D database. Our results show that the proposed I3DFSR algorithm can substantially improve the accuracy and efficiency of multi-pose 3D face recognition.     

基于斯皮尔曼等级相关的单演谱成分选择及其在SAR目标识别中的应用

特征提取是合成孔径雷达（synthetic aperture radar，SAR）目标识别中的关键因素之一.文中提出联合多层次单演谱特征的SAR目标识别方法，采用单演信号对原始SAR图像进行分解，获得不同层次的单演谱成分.基于斯皮尔曼等级相关分析分解的谱成分与原始SAR图像的相关性，设置相似度门限来选取若干具有较强鉴别力的谱成分.采用联合稀疏表示（joint sparse representation，JSR）对筛选得到的谱成分进行表征和分类，并基于MSTAR公开数据集在标准操作条件（standard operating conditions，SOC）和若干扩展操作条件下对多类地面车辆目标进行分类测试.实验结果表明:本文方法在SOC下对10类目标的平均识别率达到98.52%；对30°和45°俯仰角下的10类目标平均识别率分别为98.15%和72.06%；在噪声干扰条件下也可以保持良好的稳健性.综合对比，提出的方法相比现有几类SAR目标识别方法具有一定的性能优势.     

基于低秩表示的鲁棒判别特征子空间学习模型

特征子空间学习是图像识别及分类任务的关键技术之一,传统的特征子空间学习模型面临两个主要的问题。一方面是如何使样本在投影到特征空间后有效地保持其局部结构和判别性。另一方面是当样本含噪时传统学习模型所发生的失效问题。针对上述两个问题,该文提出一种基于低秩表示(LRR)的判别特征子空间学习模型,该模型的主要贡献包括:通过低秩表示探究样本的局部结构,并利用表示系数作为样本在投影空间的相似性约束,使投影子空间能够更好地保持样本的局部近邻关系;为提高模型的抗噪能力,构造了一种利用低秩重构样本的判别特征学习约束项,同时增强模型的判别性和鲁棒性;设计了一种基于交替优化技术的迭代数值求解方案来保证算法的收敛性。该文在多个视觉数据集上进行分类任务的对比实验,实验结果表明所提算法在分类准确度和鲁棒性方面均优于传统特征学习方法。     

基于深度信息的人体运动识别方法

近年来,可见光视频序列的人体运动识别研究已经取得了一定的进展。由于这些数据源容易受到目标颜色、光照强度和背景杂波的影响,因此将深度信息应用于人体运动识别。本文首先采用了基于时空兴趣点的人体运动的局部表征方法,分别实现了Harris时空兴趣点与基于Gabor滤波器的时空兴趣点(STIPs)检测方法在深度信息上的应用。然后对相应结果进行立方体描述并提取了深度立方体相似特征(DCSF)。最后利用基于时空码本的支持向量机(SVM)动作分类器完成对动作的分类。实验表明,基于Gabor滤波器的检测方法在深度数据集上取得了更好的识别效果。     

一种用于细粒度人脸识别的眼镜去除方法

为解决眼镜遮挡会降低人脸识别性能的难点,借鉴深度卷积神经网络在超分辨率方面的成功应用,该文提出一种用于细粒度人脸识别的眼镜自动去除方法ERCNN.用卷积层、池化层、MFM特征选取模块和反卷积层设计ERCNN网络模型,自动学习戴眼镜和未戴眼镜人脸图像对之间的映射关系,实现端到端的眼镜去除.然后,收集大量监控场景下的人脸图像,以及互联网上公开的人脸图像作为训练集;同时构建SLLFW数据集,作为眼镜去除和人脸识别的测试集.最后,通过与传统的眼镜去除方法进行对比试验,该文算法的各项评价指标优于传统方法,能有效的去除真实人脸图像中眼镜;同时在SLLFW人脸数据集上形成的全框眼镜、半框眼镜和无框眼镜人脸数据集上对多种人脸识别算法进行对比试验.试验表明,在FAR为1%的情况下,利用该文方法对F-SLLFW, H-SLLFW和R-SLLFW数据集的人脸图像进行眼镜去除后,SphereFace算法的TAR分别达到90.05%, 91.14%和92.33%,比未去除眼镜的识别率分别提高了3.92%, 3.08%和1.26%;同样,在FAR为0.1%的情况下,比SphereFace算法的TAR分别提高了10.06%, 4.29%和2.13%,说明该文方法有助于提升细粒度人脸识别的识别精度.     

一种用于细粒度人脸识别的眼镜去除方法

为解决眼镜遮挡会降低人脸识别性能的难点,借鉴深度卷积神经网络在超分辨率方面的成功应用,该文提出一种用于细粒度人脸识别的眼镜自动去除方法ERCNN。用卷积层、池化层、MFM特征选取模块和反卷积层设计ERCNN网络模型,自动学习戴眼镜和未戴眼镜人脸图像对之间的映射关系,实现端到端的眼镜去除。然后,收集大量监控场景下的人脸图像,以及互联网上公开的人脸图像作为训练集;同时构建SLLFW数据集,作为眼镜去除和人脸识别的测试集。最后,通过与传统的眼镜去除方法进行对比试验,该文算法的各项评价指标优于传统方法,能有效的去除真实人脸图像中眼镜;同时在SLLFW人脸数据集上形成的全框眼镜、半框眼镜和无框眼镜人脸数据集上对多种人脸识别算法进行对比试验。试验表明,在FAR为1%的情况下,利用该文方法对F-SLLFW, H-SLLFW和R-SLLFW数据集的人脸图像进行眼镜去除后,SphereFace算法的TAR分别达到90.05%, 91.14%和92.33%,比未去除眼镜的识别率分别提高了3.92%, 3.08%和1.26%;同样,在FAR为0.1%的情况下,比SphereFace算法的TAR分别提高了10.06%, 4.29%和2.13%,说明该文方法有助于提升细粒度人脸识别的识别精度。     

多尺度分块协同表示的选择性集成人脸识别算法

为了进一步改善人脸识别系统在小样本条件下的识别性能,本文在图像分块协同表示分类算法的基础上,提出了一种新的基于多尺度分块协同表示选择性集成的人脸识别算法。该算法首先通过对各个尺度下的图像子块进行总变差加权,突出具有鉴别能力的局部关键特征子块的判别作用;其次通过多尺度分块协同表示的选择性集成,显著地提高了分类器的泛化能力和稳健性。对于三种不同采集条件下涵盖各种光照、表情和姿态变化的标准人脸数据库进行数值实验,实验结果表明新算法比现有的稀疏表示分类算法具有显著的识别性能和鲁棒性。      

Illumination robust face recognition using random projection and sparse representation

Under uneven illumination, the performances degrade significantly for some existing face recognition methods. It is a challenge for face recognition methods to work effectively under different illumination conditions. In this paper, an illumination robust face recognition method, based on random projection and sparse representation, is proposed. In the proposed method, face images are preliminary illumination normalized by gamma correction and difference of Gaussian filtering, and then several projection spaces are obtained by iterative random projection, followed by constructing an initial sample space using Fisher discrimination analysis. This scheme enriches the discrimination abilities of sample features and achieves the security and completeness for biometric template. Test samples are sparsely decomposed into each subspace, and based on statistical average residual, a modified sparse representation method is proposed to realize face recognition with higher stability and illumination robustness. Experimental results indicate that the proposed method provides competitive performance with acceptable computational efficiency. Specifically, for the five subsets of Yale B database, our approach achieves 99.74% average recognition rate, which performs higher accuracy than that of comparative methods.