QR二维码水印加密及解密算法研究

目前QR二维码采用隐形印刷等材料防伪加密比较复杂,只能在证件上使用,现有的数字水印加密技术在用于二维码加密时,没有很好的结合QR二维码自身的编码规则,负载的加密信息较见根据QR二维码的信息存放位置特点和QR二维码图像特征,将水印位置和链码相结合,设计了一种新的二维码水印加密和其解密算法。另外可以结合人体的多重生物特征对QR二维码进行加密,水印位置有限时采用模拟退火算法解决各项特征之间的位置竞争问题。理论和实验表明,该算法具有速度快,准确率高,加密不影响二维码基本信息的识别,加密后的二维码图片能够被主流的QR码识别工具识别。     

基于深度学习的人脸图像扭正算法

人脸识别作为目前最方便的生物特征识别技术,被应用到了很多重要的领域。但是,由于光照以及姿态等因素的影响,使得人脸识别的精度降低,造成人脸识别技术在实际应用中的局限性。针对姿态以及光照因素对人脸的影响,提出一种基于深度学习的人脸扭正算法。该算法将对齐后的人脸图像首先用深度卷积网络自动地提取人脸特征,然后根据提取到的特征得到非正面人脸与正面人脸的映射关系,最后将非正面姿态的人脸扭成正面姿态且处于中性光照下的人脸图像,算法引入了欧式距离与余弦距离两个损失函数来对网络进行优化,进一提高了网络的精度。实验结果表明,该算方法可以有效地实现正面人脸的重构,减少姿态与光照对人脸特征的影响,使人脸识别精度提得到提高。     

基于深度卷积网络的3D人脸重构算法

基于单张人脸图片的3D人脸模型重构,无论是在计算机图形领域还是可见光成像领域都是一个极具挑战性的研究方向,对于人脸识别、人脸成像、人脸动画等实际应用更是具有重要意义。针对目前算法复杂度较高、运算量较大且存在局部最优解和初始化不良等问题,本文提出了一种基于深度卷积神经网络的单张图片向3D人脸自动重构算法。该算法首先基于3D转换模型来提取2D人脸图像的密集信息,然后构建深度卷积神经网络架构、设计总体损失函数,直接学习2D人脸图像从像素到3D坐标的映射,从而实现了3D人脸模型的自动构建。算法对比与仿真实验表明,该算法在3D人脸重建上的归一化平均误差更低,且仅需一张2D人脸图像便可自动重构生成3D人脸模型。所生成的3D人脸模型鲁棒性好,重构准确,完整保留表情细节,并且对不同姿态的人脸也具有较好的重建效果,能够在三维空间中无死角自由呈现,将满足更多实际应用需求。     

改进的二维主成分分析的人脸识别新算法

传统二维主成分分析(2DPCA)中的变换只提取人脸图像数据的行内特征,特征提取的方向相对比较单一,没有考虑到其他方向上的特征提取。为了多角度提取图像的特征,识别提供更丰富的信息,文中提出一种改进的2DPCA人脸识别算法。该算法先将人脸图像进行倾斜角度自矫正,同时提取图片的低频信息,再利用改进的感知哈希技术得到图像的"指纹",然后将自矫正后的人脸图片进行多角度旋转,并分别提取特征,得到多角度旋转后的图像特征信息。最后将新算法在ORL     

基于QR分解与2DLDA的单样本人脸识别

提出了一种新的基于矩阵的QR分解与2DLDA的单样本人脸识别算法(QR decomposition+2DLDA).利用矩阵的QR分解,将单样本人脸图像进行QR分解后提取有效的部分信息构成虚拟图像,结合原训练图像生成新的训练样本集,应用2DLDA进行特征提取和识别.在ORL人脸数据库上对算法进行了实验,实验结果表明此算法的识别效果不仅优于PCA、SPCA、(PC)2 A、E(PC)2 A算法,而且对于光照、表情等因素具有良好的鲁棒性.     

色度马氏距离图与灰度图特征自适应融合的彩色人脸识别

色彩提供了比灰度更为丰富的信息,鉴于彩色人脸图像所包含的鉴别信息远多于灰度人脸图像,将色度马氏距离图引入彩色人脸识别中.基于YCbCr颜色空间,分离彩色人脸图像的色度与亮度信息,构建出基于色度信息的马氏距离图,同时分离出基于亮度信息的灰度图.提出一种色度马氏距离图与灰度图特征自适应融合的人脸识别算法.分别构造出色度马氏距离图与灰度图的基于小波包结点能量的归一化特征向量,采用多种融合策略进行特征融合,并根据融合效果自适应地选取特征融合参数,构造出最佳的鉴别特征向量,实现色度与亮度特征的互补.使用基于方差相似度的分类器获得人脸识别结果.实验表明:该算法识别率高、鲁棒性好.     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

基于神经网络的有遮挡图像分割方法

人脸作为人类最主要形象特征,具有许多特征的唯一性,而人脸识别的关键在于进行的人脸分割计算。传统的人脸分割算法在有遮挡情况下无法完整的提取人脸信息,导致信息缺失,使得图像检测无法进行。文中算法采用基于神经网络与自适应技术的人脸图像分割计算,对于有遮挡部分的人脸也可进行较好的分割计算,通过多种图片进行实验仿真计算后,有遮挡的图片都可得到有效的分割,实现了对人脸分割85%的分割完成率,远高于传统人脸图像分割算法的78%的分割完成率。因此本算法,在图像识别领域具有对较好的推广意义。     

基于PCA算法的人脸识别研究

介绍了PCA算法及其在人脸识别中的应用。PCA算法是一种基于统计的算法,其优点是识别率高,速度快。基于PCA算法的特征脸方法首先根据人脸数据库训练出一系列的特征脸,然后把人脸数据库中的每个人脸图片进行映射,得出每个人的特征系数,这组系数可以表示该张图片。最后计算出待识别样本的特征系数,并与人脸数据库中的特征系数一一进行比较,以距离相近的作为识别结果。