PCANet下的遮挡定位人脸识别算法

自然环境中的人脸图像大部分带有遮挡,这对于人脸识别一直是巨大的挑战,用于人脸识别的主流深度模型对于遮挡人脸图片并不具有特别好的识别性能。针对深度模型由于遮挡的存在以及遮挡位置不确定所导致的识别率下降的问题,提出一种结合深度学习和特征点遮挡检测的PCANet下的遮挡定位人脸识别算法。分类器用于关键点检测,使用PCANet深度学习模型进行特征提取,形成支持向量机(SVM)训练模型组。遮挡判别分类器定位遮挡,结合特征模型组完成有遮挡人脸识别任务,并且对于表情变化有很强的鲁棒性。实验结果表明,该算法对于常见遮挡类型取得了非常好的效果,对于大面积遮挡的极端类型也具有很高的识别率。     

基于SIFT算法的人脸描述与识别

将SIFT(Scale Invariant Feature Transform)[1]用于人脸识别,根据人脸图像的特点,给出了一种特征匹配算法。首先用DOG算子对人脸图像进行关键点检测,然后用欧氏距离对关键点进行特征匹配,最后对特征点进行错配消除。实验证明SIFT算法对旋转、尺度缩放、视角变化、光照变化等保持一定的不变性,对图像噪声等因素也保持较好的可匹配性。     

基于曲波变换和余弦测度的人脸识别方法

人脸识别是一种常用的生物特征识别技术,广泛应用于门禁考勤、公安司法等领域。光照、人脸表情与姿态、遮挡等采集条件的变化对 现有人脸识别方法 影响较大,限制了其应用。提出了一种基于曲波变换和余弦测度的人脸识别方法,以提高人脸识别对采集条件的鲁棒性。首先,对待识别人脸图像进行曲波变换,依据曲波系数检测人脸区域的关键点;然后,提取各关键点在不同尺度和方向上的曲波特征,构建人脸特征描述子;最后,依据余弦测度、累加和运算和极值运算求取人脸的最优匹配结果。仿真实验表明,所提方法对光照、姿态、表情和遮挡等变化的鲁棒性强,且识别性能好。     

均值漂移LDA优化FSIF的三维人脸识别

针对传统的三维人脸识别算法受光照、姿态、表情及场景变化影响导致耗时过多及成本过高的问题,提出了一种基于均值漂移线性判别分析优化尺度不变特征融合(FSIF)算法。使用均值漂移线性判别分析找到五个类似于查询人脸的最佳候选类;利用尺度不变特征融合提取出候选人脸及查询人脸的融合特征描述符,并进行特征匹配得到目标人脸;根据特征描述符的匹配关键点数目完成人脸的识别。在USCD/Honda、FRGC v2及自己搜集的人脸数据集上的实验结果表明,该算法解决了降低FSIF人脸识别的计算复杂度,并在不降低识别性能的前提下大大地节约了成本,相比几种较为先进的三维人脸识别算法,该算法取得了更好的识别效果。     

基于SIFT的图像匹配算法

直接用SIFT算法对较模糊图像进行关键点提取时,提取的关键点个数较少且进行下一步匹配时错误匹配较多。提出一种基于SIFT特征的匹配算法,首先利用拉普拉斯算子对图像进行锐化处理,使其边缘得到突出,然后利用SIFT算法进行关键点提取,最后利用双向匹配算法进行图像匹配。实验结果表明,利用本文算法进行匹配比直接用SIFT算法进行匹配时的匹配点数更多,匹配效果更好。     

结合径向线的局部遮挡下的3维人脸识别

目的 3维人脸点云的局部遮挡是影响3维人脸识别精度的一个重要因素。为克服局部遮挡对3维人脸识别的影响,提出一种基于径向线和局部特征的3维人脸识别方法。方法 首先为了充分利用径向线的邻域信息,提出用一组局部特征来表示径向线;其次对于点云稀疏引起的采样点不均匀,提出将部分相邻局部区域合并以减小采样不均匀的影响;然后,利用径向线的邻域信息构造代价函数,进而构造相应径向线间的相似向量。最后,利用相似向量来进行径向线匹配,从而完成3维人脸识别。结果 在FRGC v2.0数据库上进行不同局部特征识别率的测试实验,选取的局部特征Rank-1识别率达到了95.2%,高于其他局部特征的识别率;在Bosphorus数据库上进行不同算法局部遮挡下的人脸识别实验,Rank-1识别率达到了最高的92.0%;进一步在Bosphorus数据库上进行不同算法的时间复杂度对比实验,耗费时间最短,为8.17 s。该算法在准确率和耗时方面均取得了最好的效果。结论 基于径向线和局部特征的3维人脸方法能有效提取径向线周围的局部信息;局部特征的代价函数生成的相似向量有效减小了局部遮挡带来的影响。实验结果表明本文算法具有较高的精度和较短的耗时,同时对人脸的局部遮挡具有一定的鲁棒性。该算法适用于局部遮挡下的3维人脸识别,但是对于鼻尖部分被遮挡的人脸,无法进行识别。     

基于循环生成对抗网络的含遮挡人脸识别

人脸图像的遮挡会严重影响人脸识别准确率,当前处理带遮挡人脸识别的方法主要有丢弃法和修复法两种。丢弃法因忽略或丢弃大量遮挡区域的有效特征易造成识别准确率不高,而当前大多数修复法需要原图的相关信息,限制了其应用。针对现有含遮挡人脸识别方法存在的问题,提出一种基于循环生成对抗网络的人脸识别算法,通过利用2对生成器和判别器进行循环训练,实现遮挡人脸图像的盲修复,此过程不需要除遮挡区域外的原图信息。在此基础上,采用ResNet-50网络对修复后人脸进行识别,该网络通过跳跃连接消除深层卷积神经网络中的网络退化问题,能够降低网络训练的难度,且不会增加额外的参数和计算量。针对盲修复后人脸特征存在类内差异大和类间差异小的特性,引入一种能够量化类间距离的分类损失函数RegularFace作为识别网络损失函数。实验结果表明,与DCGAN+CNN算法相比,所提算法对不同遮挡类型和遮挡区域的人脸图像识别准确率均有所提高,当线性遮挡面积为40%时,所提算法的识别准确率提高了14.4个百分点。     

相对边缘方向幅值模式耦合SIFT的人脸识别算法

人脸识别易受到光照变化、遮挡等影响,降低了识别准确率,为此提出一种基于相对边缘方向幅值模式(relative patterns of oriented edge magnitudes,RPOEM)与尺度不变特征变换(scale-invariant feature transform,SIFT)的人脸识别算法.检测脸部的关键点,利用k-均值对这些特征点进行聚类;为消除光照变化的干扰,计算图像的相对梯度幅值,对其进行离散化分解与Gaussian滤波处理;采用局部二值模式编码生成RPOEM特征;引入加权因子,对RPOEM与SIFT特征进行加权组合;通过定义非一致度量来完成对人脸识别的共形预测.实验结果表明,与已有的人脸识别技术对比,所提算法具有更高的识别准确率,对多种复杂背景具有更强的鲁棒性.     

小样本条件下基于随机森林和Haar特征的多姿态人脸识别

针对小样本环境下存在人脸姿态、表情变化等干扰时的人脸识别问题,提出利用基于Haar特征的随机森林分类器完成对注册样本和待识别人脸图像的关键点自适应定位,再以SURF(Speed-Up Robust Features)特征的欧氏距离决策得出初匹配和再匹配关键点,完成人脸识别,解决在小样本环境下识别多姿态人脸图像的问题。实验结果证明,该方法在表情、姿态变化等干扰情况下能有效提高小样本人脸识别的识别率。     

基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法。首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。