基于二次多项式模型的人脸光照归一化

 根据人脸光照变化非线性的特性,本文提出用二次多项式模型来描述非正面光照条件下的人脸图像与正面光照条件下的人脸图像在对应象素点灰度之间的关系,进而提出一种人脸光照归一化方法.本方法的一个重要特点是独立于先验的物理模型而通过建立统计回归模型来学习不同光照图像之间的关系.此外,提出用基于PCA的方法对光照归一化后的人脸图像进行加权补偿,进一步改善图像的视觉效果.在Extended YaleB和CMU-PIE人脸库上的实验结果表明,新方法在改善人脸视觉效果同时能大大提高人脸识别准确率.     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

考虑光照鲁棒性的超分辨率人脸识别系统设计

为保障不同光照下低分辨率人脸的超分辨率识别精度与效率,设计了考虑光照鲁棒性的超分辨率人脸识别系统。通过包含DSP单元与ARM单元的控制器模块,驱动人脸视频采集模块。采集不同复杂光照的人脸视频信息并解析成视频帧后,预估视频帧序列的位移情况,恢复视频帧序列的超分辨率,融合超分辨率视频帧构成人脸图像样本。利用人脸特征提取模块补偿全部人脸图像样本复杂光照,并提取其LBP特征构成人脸库。通过人脸识别模块匹配人脸图像的LBP特征与人脸库,识别出超分辨率人脸图像。结果表明,该系统的光照鲁棒性人脸图像采集与人脸图像LBP特征提取两部分的实现效果均较好。可有效识别出背光、强光及弱光下的超分辨率人脸,识别效率较高,识别成功率能够达到96.7%,为光照鲁棒性人脸识别提供保障。     

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。     

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.     

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。     

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.     

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。     

一种基于图像降噪的预处理方法

光照问题是影响人脸识别性能的重要因素之一,本文提出了一种新的降低光照影响的图像预处理方法,较好的削弱了光照对人脸识别的影响。在ORL与Yale人脸库中进行了实验研究,表明了提出的算法对光照产生的高光、眼镜等小遮挡物具有较强的鲁棒性。另外,针对Yale人脸库,对本文提出的方法与中值滤波算法和线性平滑滤波算法进行了实验比较。     

基于体绘制思维的人脸识别算法优化研究

传统的人脸识别算法主要解决二维正面图像识别,如果人体姿态发生明显变化,或外界环境发生显著变化,则算法性能大大降低,无法获取准确的识别结果。体绘制算法针对三维数据场进行绘制,绘制的图像能够描述人脸的内部细节,可提高人脸识别精度。因此,提出一种基于体绘制思维的人脸识别算法,依据聚类思想对二维人脸库进行聚类,在各分类的基础上,构建人脸相似模型。通过错切变形体制算法,构建人脸体数据,实现人脸体数据坐标系统的转换以及人脸三维图像的合成,从人脸三维图像中采集人脸特征,利用相似性模型对人脸关键特征同数据库已有的特征进行匹配分析,完成人脸身份识别。实验结果说明,所提算法对于不同表情和不同光照条件下的人脸图像,都具有较高的识别率和鲁棒性。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法。通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进行描述后,提取出人脸图像各子图像的直方图特征并连接,得到人脸LBP纹理特征,通过统计法运算该特征距离,并通过K近邻分类器实现人脸特征分类识别。以Yale-B与AR人脸库为测试对象,结果表明,所研究方法对复杂光照鲁棒性较强,识别人脸的准确率与效率较高,整体识别效果较好。     

基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别方法研究

遮挡条件下的鲁棒人脸识别,目前在人脸识别领域逐渐被重视,被认为是难点问题之一. 本文利用稀疏表示理论满足人眼视觉特性及神经信息有效表达,且跟人脸固有特征具有的自然性是相吻合的特点,研究了彩色人脸图像色度信息有效融合策略,采用同伦算法解决稀疏表示模型中的l1范数问题,提出了一种基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别算法. 在AR数据库中的实验结果表明,与传统基于灰度转换方法人脸识别方法及SRC算法相比,本文所提基于同伦算法的稀疏表示人脸识别,具有很高的计算效率,而且有效融合了彩色信息,显著提高了在遮挡及非遮挡情况下人脸识别的效率及识别性能.      

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。      

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。     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

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。