小波变换和LBP对数域特征提取的人脸识别算法北大核心CSCD

为了改善复杂光照条件下人脸识别的性能,提出结合小波变换和LBP(Local Binary Pattern,LBP)提取复杂光照下人脸图像的对数域特征来进行人脸识别。本文首先将人脸图像由空域变换到对数域,再做两级离散小波分解,并利用高频分量重构原图,也即对人脸图像进行高通滤波,滤除低频光照成分,以达到复杂光照补偿的目的,最后利用分块LBP提取光照补偿后图像的局部纹理特征,并将这些特征应用于人脸识别。基于Yale-B和CMU-PIE人脸库上的实验结果显示本文算法对复杂光照具有较强鲁棒性,具备提取复杂光照条件下人脸图像有效特征的能力。     

面向人脸识别的复杂光照下图像细节增强算法

为了提高在光照过度、不足或不均等复杂光照条件下的人脸识别率,提出一种复杂光照条件的人脸图像细节强化算法。首先采用对数和非线性变换对人脸图像动态范围进行压缩;然后利用反锐化掩模滤波算法消除图像模糊,增强人脸图像细节信息;最后采用Adaboost算法建立人脸分类器,并采用Yale B人脸图像数据进行仿真测试。仿真结果表明,该算法解决了复杂光照条件对人脸图像的不利影响,并进一步提高了人脸识别率。     

基于离散余弦变换和主成分分析的光照条件人脸识别

在光照变化条件下,人脸识别的正确率急剧下降,为了解决该难题,提出了一种离散余弦变换和主成分分析相融合的光照变化条件人脸识别方法.首先对人脸图像进行分块,并采用离散余弦变换对每一个子块提取DCT系数,然后采用主成分分析提取人脸特征,并采用深度学习算法建立人脸识别的分类器,最后采用ORL和Yale B人脸库进行仿真实验,测试其有效性和优越性.实验结果表明,相比其它光照人脸识别方法,本文方法提高了光照人脸图像的识别率,消除了光照变化的不利影响,具有较强的鲁棒性.     

复杂光照下的视频人脸检测与识别的研究

为了解决复杂光照下的视频人脸检测与识别率受影响的问题,提出了一种光照不变的人脸检测与识别方法.该方法基于Retinex理论,提取光照不变分量,然后用于训练AdaBoost分类器;对输入的视频序列也进行相同的光照预处理,然后用训练的AdaBoost分类器进行人脸检测;把检测到的光照不变人脸图像采用分块加权LBP进行特征提取,采用欧氏距离与最近邻分类器进行分类.实验结果表明:该方法能有效提高视频人脸检测率与人脸识别率,而且对于人脸检测与识别只需要一次光照处理,具有更高的效率.     

基于Retinex算法的光照变化条件下人脸识别研究

光照变化会对人脸识别结果产生干扰,导致当前光照变化人脸识别结果不理想,为了降低光照变化对人脸识别结果的不利影响,以提高光照变化人脸识别效果,设计了基于Retinex算法的光照变化条件下人脸识别方法。采用激光传感器采集光照变化下的人脸图像,并对人脸进行格式转换,然后采用Retinex算法对转换后的人脸图像进行增强操作,消除光照变化对人脸图像干扰,改善人脸图像质量,最后采用模式识别技术设计人脸图像识别的分类器,并与其他人脸图像识别方法进行了对比测试。实验结果表明,本方法消除了不同光照变化的干扰,提高了人脸图像亮度、对比度和熵值,相对于对比方法,本方法的人脸识别精度更高,精度平均值达到了96%,而且加快了人脸识别速度,具有比较明显的优越性。     

一种基于人脸核心特征的PCA人脸识别算法及应用

传统的PCA人脸识别算法是直接从图像中提取人脸进行识别,由于人脸的大小、角度,光照等原因导致识别率低。本文提出的基于人脸核心特征的人脸识别算法是通过人脸核心特征,包括左眼、右眼、鼻子、嘴巴进行人脸识别。这种算法能有效克服人脸识别中的大小、角度、光照等不利因素,显著提高了人脸识别率,并成功应用于智能相片搜索系统。     

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。      

一种稳健的人脸检测算法

人脸检测是人脸识别系统的重要组成部分,对于安全级别较高或特殊场合的门禁系统而言,高准确率的人脸识别技术尤为重要。为提高门禁系统的安全性,采用了多种特征相结合的人脸识别算法,融合了背景分离、肤色检测、人脸五官特征检测、运动物体轮廓分析、人体运动跟踪等多种技术进行人脸检测测试,有效地解决了单一特征的人脸检测方法对人脸进行漏检和误检的问题。实验结果表明,该算法在复杂背景和光照条件不足以及有遮蔽物的情况下,均能快速准确地检测出人脸,误检率低。     

关于人脸识别算法对不同照明技术的鲁棒性研究

对于在正常照明技术下采集得到的人脸图像,现有的人脸识别算法如MTCNN算法、RetinaFace算法,已经能够取得相当高的人脸识别率。然而在某些特殊应用中,对于在特殊照明技术下采集得到的人脸图像,现有的人脸识别算法是否具有很好的鲁棒性,保持较高的人脸识别率,并没有确切的实验结果能够给出我们结论。本文收集了6000多张在不同照明技术下得到的人脸图像作为我们的混合人脸数据库,并利用LBPH算法、CNN卷积神经网络、MTCNN算法、RetinaFace算法设计出了四种有效的人脸识别网络,分别对开源的WIDER FACE人脸数据库和我们的混合人脸数据库进行了测试。最终发现RetinaFace算法对于不同照明技术得到的人脸图像具有较好的鲁棒性。我们进一步利用深度学习标注工具对RetinaFace算法误判的人脸图像进行了标注,并将标注后的图像送入到RetinaFace人脸识别网络中重新训练,优化后的RetinaFace人脸检测模型得到了98.6%的人脸识别准确率,使得RetinaFace算法对不同光照条件的鲁棒性取得了进一步的提升。     

一种对光照鲁棒的人脸图像预处理算法

分析了Retinex理论的本质意义,得出Retinex输出图像本质上是相对反射率,而相对反射率对光照不敏感,从而将其应用于光照情况复杂的人脸图像预处理.采用均值方差归一化的方法,对Retinex输出图像进行灰度值线性拉伸.实验结果表明,该算法能有效地提高人脸识别对光照的鲁棒性,尤其是非受控条件下得到的复杂光照人脸图像.     

多姿态、光照不均人脸图像的子空间人脸识别方法研究

针对人脸识别中存在的光照不均匀问题,提出了一种预处理链技术,能达到很好的光照补偿效果。为了提高多姿态、多表情、多细节人脸图像的人脸识别率,设计了一种将最近邻分类器与支持向量机相结合的分类算法（NN-SVM）,基于该分类算法提出了一种基于Gabor变换和NN-SVM的子空间人脸识别方法。在FERET和ORL两大人脸数据库中对所提方法进行性能评估,实验结果表明所提出方法能有效的解决人脸识别中光照不均匀问题,大大的提高人脸识别率,而且相比其他现存的人脸识别方法,所设计的方法具有更好、更稳定的识别效果。     

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

一种基于Retinex和PCA的人脸图像识别方法

针对目前人脸识别算法在光照条件恶劣时识别精度较低的缺陷,提出一种基于Retinex和PCA的人脸图像识别方法.Retinex算法能够有效去除图像中光照恶劣导致的阴影,而PCA能够有效提取图像中有代表性的特征,从而使得快速准确的识别成为可能.在Yale和Yale B数据库上验证该算法的性能,结果证明,此算法简单快速,且具有较高的识别精度,是一种实用的人脸图像识别方法.     

改进的伽马校正与多尺度融合的水下图像增强

由于光在水下传播会发生吸收和散射,导致采集 的水下图像出现模糊、对比度低、色偏、光照不 均匀等问题。针对以上问题,提出了一种改进的伽马校正与多尺度融合的水下图像增强算法 。首先基于G 通道对R和B通道进行补偿,并对RGB 三通道进行直方图拉伸后使用灰度世界(Gray World) 算法得到颜 色校正图像;然后使用改进的伽马函数改善颜色校正后图像光照不均匀问题,得到光照均匀 图像,并进 行归一化处理;再对光照均匀图像使用限制对比度的自适应直方图均衡化(contrast limite d adaptive histogram equalization,CLAHE)算法得到对比度提升图像;最后采用多尺度融 合算法对以上得出的3幅图 片进行融合,得出增强图像。实验结果表明,提出的算法对不同水下环境的图像均有较好的处理 效果,图像质量评价指标得到明显提高。     

基于非下采样Contourlet变换的光照不变量提取算法

人脸识别作为一种非接触式、友好的生物特征识别技术,在军事、公安、经济等领域具有广阔的应用前景。近年来,人脸识别技术取得了很大进展,涌现出许多优秀的人脸识别方法,许多人脸识别系统表现优异。但是,人脸识别仍是一个没有彻底解决的难题,光照变化是其中关键问题之一。2006年FRVT测试结果表明光照变化会严重影响自动人脸识别系统的识别性能。为了消除光照变化对人脸识别的影响,提出了一种基于非下采样Contourlet变换的光照不变量提取算法。首先,对图像进行光照归一化,预先减弱光照变化对人脸识别的影响;其次,进行对数变换和非下采样Contourlet变换,得到低频分量和高频方向子带分量;再次,低频分量进行直方图均衡化以进一步减弱光照的影响,高频分量进行自适应NormalShrink阈值去噪处理;最后利用处理后的低频和高频方向子带分量进行逆非下采样Contourlet变换,提取到光照不变量,作为后续的识别依据。为验证算法性能,本文在Yale B 和CMU PIE 人脸库上做了对比实验,结果表明:本文方法提取的光照不变量具有较强的鲁棒性,能够大大提高任意光照情形下的人脸识别率。      

一种消除光照影响的人脸识别方法

光照变化容易使人脸图像的灰度分布不均匀,造成局部对比度差别较大,影响人脸识别的效果。为此本文首先分别对人脸图像进行直方图均衡化和对数变换,接着将处理后的图像进行融合,然后运用PCA算法对人脸图像进行特征提取,最后采用三阶近邻分类法来实现人脸识别。通过对Yale、ORL和FERET人脸库的仿真实验结果表明,该方法在人脸图像光照变化的情况下,能够较好地改善人脸补偿的效果,具有较高的平均识别正确率。