基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

基于HOG金字塔人脸识别方法

为了提取人脸的全局和局部特征,以实现复杂环境下的人脸特征有效表达,提出一种基于梯度方向直方图(HOG)金字塔人脸识别方法.该方法通过多尺度分析、HOG特征谱提取来构建人脸图像的HOG金字塔,对HOG金字塔各层特征谱划分为非重叠小块来构建统计直方图,并将各层的统计直方图连接起形成特征向量来实现整个人脸的特征表达,计算不同序列特征的相似度并采用最近邻分类器来进行人脸识别.在光照和时间环境等复杂变化的人脸识别技术(FERET)库中进行人脸识别实验,结果表明:该方法具有较强的人脸特征鉴别能力,方法的鲁棒性也较好.     

结合对比度信息与LBP的分块人脸识别

基于局部二值模式(local binary pattern,LBP)的特征提取方法忽略了图像灰度值变化的强度。针对这一问题,提出了一种结合对比度信息和LBP进行人脸识别的方法。首先采用LBP算子、VAR方差(variance,VAR)算子分别提取分块人脸灰度图像的LBP直方图序列(local binary pattern histogram sequence,LBPHS)和VAR直方图序列(variance histogram sequence,VARHS),然后将LBPHS和VARHS串联成LBP／VARHS,最后根据最近邻原则进行人脸识别。该算法能够提取有效的人脸纹理信息,而且能够大幅度地降低训练数据量,并且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验表明,该方法应用于人脸识别中,具有较高的识别率。     

基于LPQ和Fisherfaces的模糊人脸识别

针对现有人脸识别系统对模糊人脸图像的识别无法达到理想的效果,提出一种基于局部相位量化(Local Phase Quantization,LPQ)和Fisherfaces进行模糊人脸识别方法。首先采用LPQ算子提取分块模糊人脸灰度图像的LPQ直方图序列(LPQHS),然后对采样后的特征运用Fisherfaces方法进行特征子空间选择,最后通过最近邻分类准则进行人脸识别。该算法增强了提取模糊人脸纹理信息的有效性,使训练数据量大幅度降低,并且图像特征向量的维数与原始图像大小无关。在Yale和AR形成的模糊人脸数据库上的实验表明,该方法具有较高的识别率。     

结合小波分析和LBP算子的人脸描述与识别

为提高人脸识别的准确性和实用性,提出了一种结合小波分析和LBP算子的人脸描述与识别算法.先利用小波分析对原始人脸图像进行降维,再分块求取小波系数的2类LBP直方图,最后将所有区域的2类LBP直方图连接起来得到整幅图像的小波直方图序列特征(HSWLBP),并将其作为人脸的鉴别特征用于分类识别.所提出的算法在ORL人脸数据库上取得高达0.99的人脸识别率.实验分析表明,HSWLBP具有较强的特征表示能力和可鉴别性,且对光照、人脸表情和位置的变化具有较高的鲁棒性.     

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.     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

基于局部Gabor三值模式的人脸识别

针对人脸识别中的鲁棒性问题,提出一种基于局部Gabor三值模式的人脸描述与识别方法。首先,对归一化的人脸图像进行多方向、多分辨率的Gabor滤波,提取对应的Gabor幅值域图谱(GMMs),然后在每个幅值域图谱上采用局部三值模式(LTP)抽取局部邻域关系模式,并由这些模式的区域直方图形成序列来描述人脸。最后通过加权的卡方距离对训练图像和测试图像的直方图进行匹配。Gabor变换、LTP、空间区域直方图的采用使得该方法对光照变化、表情变化等具有良好的鲁棒性。在ORL、Yale、GT人脸库上实验,结果表明该方法具有更高的识别率。     

基于Gabor小波特征的人脸识别算法研究

二维Gabor小波变换对图像边缘敏感,具有良好的方向选择性和尺度选择性,而对光照变化不敏感.本文提出了一种新型的Gabor特征人脸识别方法.该方法通过Gabor小波变换进行精确的人脸眼睛坐标定位,选取有利的人脸识别特征区域,通过构造新的Gabor小波特征,采用最近邻分类器对该特征进行分类.本文将该方法在YALE人脸库上进行了人脸识别实验,结果表明了该方法的有效性.     

基于多尺度双通道网络的人脸活体检测

人脸活体检测在人脸识别系统的安全保护中发挥着重要作用。现有基于频率域处理人脸活体检测问题的方法是从高频信息中提取边缘和纹理信息,进而获取伪造痕迹特征,但是频域方法对光照环境和传感器采集设备变化的适应性差,鲁棒性较差。针对该问题,提出了基于多尺度双通道神经网络的人脸活体检测方法,构建了频率域通道和空间域通道,分别从频率域图像和RGB图像中提取多尺度频率域特征和多尺度空间域特征,并采用注意力机制进行双通道的特征融合,增强了网络的特征提取能力。与同类方法相比,本文方法在Oulu-NPU和Siw数据集上的检测错误率最低,并且在Idiap Replay Attack数据集上的准确率可达99%以上,验证了本文所提出的多尺度双通道网络的有效性和鲁棒性。     

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。     

一种边缘二进制码的表情识别方法

针对如何从图像中提取有效的表情特征来提高表情识别率的问题,提出了一种基于边缘二进制码的表情特征提取方法,用于表情识别.该方法首先对图像进行边缘检测,然后对边缘的局部结构进行二进制码描述作为表情特征,最后利用支持向量机进行表情分类.在JAFFE人脸表情数据库上,分别用该方法和传统的方法进行试验,结果表明,该方法可显著提高表情识别率.     

结合小波与递归神经网络的低分辨率人脸识别

针对低分辨率人脸图像缺少有效信息而导致识别率较低的问题,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。首先,通过深层网络直接预测小波系数,经过小波逆变换得到高分辨率人脸图像,可以有效地重建高频信息;其次,在卷积神经网络中加入递归模块,在增加网络深度的同时减少参数冗余,提升模型的映射能力;最后,提出一种优化的重建与感知损失融合方法,将小波系数重建损失与感知损失进行加权融合,用以生成有利于识别的人脸图像。基于公开数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低的分辨率条件下(8×8,16×16),仍然能够重建出更加锐利的人脸图像。在此基础上,其识别能力优于目前领先的超分辨率重建算法。     

基于小波变换的人脸检测

提出了一种基于二维离散小波变换的人脸检测算法。该算法采用Haar小波计算小波脸,导出了提取人脸特征向量的相应公式,利用感知准则训练线性分类器进行分类判决。在4个不同的人脸数据集上与特征脸方法进行了比较。结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

基于二维Fisher线性判别的人脸耳组合识别

针对人脸易受到年龄、表情等影响,提出了脸和耳相结合的组合识别方法。利用二维Fisher线性判别(2DFLD)方法分别进行了脸、耳图像层和特征层的组合识别。在北京科技大学人耳库和ORL人脸库上进行实验,结果表明,图像层组合和特征层组合的识别率分别为97.5%、95.0%,分别比人脸识别提高了12.5%和10.0%,比人耳识别提高了5.0%和2.5%;与同样应用于组合识别的主成分分析(PCA)、二维PCA(2DPCA)比较,也取得了较好识别效果。这说明,多生物特征组合识别是一种有效的识别方法。     

基于肤色增强和分块PCA的人脸表情识别方法

人脸的表情识别在智能人机交互应用中具有重要意义. 本文提出了一种基于肤色增强和分块PCA的人脸检测及表情识别方法. 首先,使用同态滤波增强肤色图像的亮度范围及对比度,利用YCbCr色彩空间分量分离肤色背景区域,再通过轮廓分析确定人脸目标,最后对分割出的人脸进行均衡化处理,并引入分块主成分分析(PCA)算法进行表情识别. 结果表明,该方法在光线较弱以及背景较复杂的情况下均能有效地进行人脸检测与表情识别,相对于传统的LBP方法可提高识别率约为2.3%.     

人脸识别中去光照算法

光照变化问题是人脸检测和识别中的一个非常重要而又难于解决的问题。提出一种人脸光照无关图算法,从单一图像中获得人脸光照的无关灰度图。算法在色度比空间中计算出信息熵最小的灰度图,所获得的灰度图像去除了光照影响,并且保留了图像信息和人脸特征。     

基于形变模型的人脸建模及其应用综述

形变模型(morphable model)是近几年提出的人脸建模新方法。基于若干原型人脸的知识,该方法实现了真实感三维人脸的自动建模,并在图像分析、人脸识别、表情动画等方面的应用中取得了良好效果。回顾了基于形变模型的人脸建模的研究概况、基本原理及应用情况,并对形变模型的进一步应用和发展进行了展望。     

基于Log-Gabor和ULBP改进算法的人脸识别

为进一步提升人脸识别系统的识别率,加强其对光照、表情、姿态变化的鲁棒性,针对人脸识别中的特征提取问题,提出一种基于Log-Gabor与均匀局部二值模式（Uniform Local Binary Pattern,ULBP）改进算法的人脸识别方法。该算法采用多尺度、多方向Log-Gabor滤波器对图像进行滤波来提取Log-Gabor特征,再通过旋转不变均匀模式的LBP进行运算编码,并利用局部空间直方图来描述人脸,最后通过加权的卡方距离对直方图匹配完成人脸识别。在Yale、GT人脸数据库上的测试结果表明,该方法具有更好识别性能,且对环境鲁棒性较好。