复杂背景下一种基于多直方图的自适应人脸定位算法

复杂背景下的人脸定位是图像研究领域中的难点和热点。目前的定位方法不能提供准确的复杂背景下的人脸定位。提出了一种基于多直方图的自适应人脸定位算法。通过对HCbCr彩色空间的三直方图分析,使系统能自适应选择最优的颜色通道以及分割阈值,并结合传统阈值对复杂背景下的图像进行精确的肤色分割,同时根据人脸的几何特征准确定位到人脸。经过对500余幅各类图像的测试,可以验证算法高效准确,且在多类图像下均有良好效果,有一定的实用性。     

基于二维PCA的人脸识别方法研究

该文提出了一种基于二维PCA的类内平均脸方法进行人脸的特征提取.首先利用类内平均脸对人脸训练样本进行规范化处理,根据规范化之后的人脸训练样本计算图像协方差矩阵,并求解一组最优特征向量,然后将人脸样本投影到这组最优特征向量上来提取人脸的特征,最后采用最近邻距离分类器来分类所提取的特征.此方法在NUST603人脸图像库上进行了实验,验证了该方法的有效性.     

基于筛选评估准则的非正面人脸合成方法

针对传统方法合成的正面人脸图像中信息丢失和变形的问题,提出了一种基于筛选评估准则的非正面人脸图像合成方法.人脸筛选评估准则融合了脸部对称性、正脸差异水平和人脸水平扭转角度3方面信息,其中人脸水平扭转角度利用细节上的眼部信息来评价人脸的正面水平,而脸部对称性和正脸差异水平分别对人脸的左右和垂直方向进行整体评价,综合这三方面信息可有效地排除低质量侧脸图像对合成正脸图像的干扰.首先进行标记点检测跟踪,然后基于此对同一人的多幅侧脸图像进行筛选,最后进行插值运算合成正面人脸,并在FERET图像库中对该方法进行实验验证.结果表明:通过本文筛选准则可有效滤除合成中低质量、强干扰的侧脸图像,可降低姿态问题对人脸识别精度的干扰,最终合成精确逼近真实正面人脸的合成图像.     

一种适合于昏暗光线下的驾驶员脸部定位方法

采用CCD摄像机获得驾驶员脸部图像．由于黑天光线不足,肤色较暗,在将彩色图像转变为黑白图像的过程中,首先通过腐蚀和膨胀结合的方法去除图像部分的噪声．采用图像差异的阈值处理方法,初步选定灰度阈值,再利用二次非线性方程对灰度值进行归一化处理,强化了图像灰度集中各灰度值之间的差异,以此灰度阈值作为分割人脸和背景的界限值,得到图像的灰度直方图,再把灰度直方图向水平和垂直方向投影,获得驾驶员脸部区域,实现对驾驶员面部定位．该方法可以在昏暗光线下,定位人脸区域,有效去除干扰．根据上述算法,进行了不同环境和路况下的监控试验．结果表明：在昏暗光线下,驾驶员脸部定位的平均准确率达到83％,该方法具有实时、准确的特点,为进一步识别驾驶员在夜问是否处于疲劳状态提供重要的判断依据．     

基于发育网络的复杂背景下人脸识别

针对人脸识别中光线、背景及面部表情的变化,利用密歇根州立大学人脸库构建复杂背景人脸图像库,并将发育网络应用于二维人脸识别.引入突触维护机制来处理复杂背景,可以自动决定突触的完全去除、保留和部分去除,弱化背景并强化人脸,从而降低复杂背景对人脸识别的不利影响.通过和传统方法测试结果对比,采用带突触维护机制的发育网络对复杂背景下人脸的识别可以取得更好的效果,其识别率可达96%以上.     

基于发育网络的人脸朝向识别研究

针对人脸识别中人脸的朝向、位置以及背景光线不固定的特点,提出了一种基于发育网络的人脸朝向识别新方法.对图像进行处理后发现人眼的特征非常突出,故选择眼睛的位置作为人脸朝向的特征向量,利用发育网络模型对不同背景光线图像中人脸的朝向进行识别.通过和其它方法的测试结果对比,该方法可以有效地解决不同光照条件下人脸朝向识别问题,并具有快速、稳定、高效的特点,且识别率高达100%.     

LDA及支持向量机的人脸识别算法研究

在主成分分析的基础上采用线性差别分析法对人脸图像进行特征提取,构造人脸的特征脸空间,在特征脸空间运用线性差别分析法进行人脸识别。在支持向量机方法理论基础上,利用LibSVM分类器对处理后的人脸图像进行分类,考虑到核函数参数对分类结果的影响,通过参数寻优及算法的改进将多类问题的分类简单化,并大大提高识别效率,在ORL人脸库的识别结果表明,本方法在特征参数个数的选取、识别效果等方面都有其独到的优越性,具有很好的可行性和实际意义。     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

基于流形学习的图像特征提取算法

特征提取是模式识别领域一个重要的研究分支,已被应用于多个领域,图像的特征提取是完成图像识别和检索等工作的首要任务,基于学习方法的图像特征提取取得了良好效果,然而,线性学习方法提取图像特征仍然存在局限性,如人脸图像、姿态、光照及表情变化使图像表现出复杂的非线性特性,最近提出的流形学习被认为是进行非线性特征提取的有效方法,...     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于二维人脸图像的特征提取技术研究

针对目前人脸识别中特征提取的技术特点,提出了一种基于二维人脸图像的特征提取方法,利用肤色分析及灰度投影对二维人脸的关键特征点进行定位、分析并提取.经实验证明,此方法能够对人脸区域的特征点实现准确、可靠的定位.     

基于聚类的SIFT人脸检测算法

为解决在人脸识别领域的特征提取问题,提出一种尺度不变特征转换的SIFT算法与聚类分析相结合的算法.在对人脸特征分类时,通过选取最优化的距离阀值,用聚类理论对生成的SIFT特征进行聚类分析,从而得到若干特征类别.去除一些非主要特征类别,排除其他非目标人脸主要特征的干扰.实验结果表明,改进的SIFT算法比原始算法具有更好的特征匹配效果.     

基于彩色伪随机编码结构光特征提取方法

为增强三维重建过程中弱纹理目标的特征信息,提出一种基于彩色方格伪随机编码结构光的特征提取方法。设计一幅由五种彩色方格组成的伪随机编码结构光图案并将其投影到目标物体上。建立一种梯度算子模板对降采样图像中角点进行粗定位,然后进行局部非极大值抑制。将Harris算法推广到彩色多通道图像,对原图像粗定位区域进行角点检测,进而确定彩色图像中角点的精确位置。试验结果表明,在被测物体表面颜色和纹理结构均不丰富的条件下,提出的方法依然能够有效地保证特征提取的精度,具有较强的鲁棒性。     

基于线性组合模型的人脸特征检测方法

为了实现人脸图像特征的自动检测,提出了一种基于线性组合模型的人脸特征检测新方法.该方法通过原型人脸标定获取人脸特征知识,并使用模型匹配来检测目标人脸特征.在建立人脸线性组合模型的过程中,提出了局部约束光流算法,解决了有局部特征信息的人脸图像稠密对应问题.在MPI和ORL人脸数据库上进行的人脸特征检测得到的平均误差分别为96.7%和86%,该结果表明了基于线性组合模型的人脸特征检测方法是有效和实用的.     

脉冲涡流红外热成像缺陷特征提取方法

基于脉冲涡流红外热成像技术的缺陷特征提取与分析是无损检测领域的研究热点之一。该文提出一种新的脉冲涡流红外热图像特征提取算法并用于强化缺陷信息。该算法主要包括基于熵梯度的显著热图像选择、局部稀疏图像分离以及局部稀疏图像融合3个部分。对比于常用的两种脉冲涡流红外热成像数据特征提取算法——独立成分分析算法和鲁棒主成分分析算法,实验结果表明,该算法可以更好地强化有意义的缺陷信息并抑制包含噪声的背景区域。     

复杂图像特征点提取与匹配方法

采用改进的SIFT（Scale Invariant Feature Transform）算法对自然环境下获取的复杂场景图像进行特征量提取;通过添加存入最小优先级队列的限制条件,对现有的BBF（Best Bin First）匹算法进行改进以提高算法的搜索效率;针对复杂图像误匹配较为严重的现象,设置匹配判定准则和几何约束条件,对匹配结果中可能的误匹配加以剔除。实验结果表明,新方法在匹配效率和匹配准确率的提高上效果明显。     

三分支多层次Transformer特征交互的RGB-D显著性目标检测

RGB-D显著性目标检测是计算机视觉领域的研究任务之一，很多模型在简单场景下取得了较好的检测效果，却无法有效地处理多目标、深度图质量低下以及显著性目标色彩与背景相似等复杂场景。因此，本文提出一种三分支多层次Transformer特征交互的RGB-D显著性目标检测模型。首先，本文采用坐标注意力模块抑制RGB和深度图的噪声信息，提取出更为显著的特征用于后续解码。其次，通过特征融合模块将高层的三层特征图调整到相同的分辨率送入Transformer层，有效获取远距离显著性目标之间的关联关系和整幅图像的全局信息。然后，本文提出一个多层次特征交互模块，该模块通过有效地利用高层特征和低层特征对显著性目标的位置和边界进行细化。最后，本文设计一个密集扩张特征细化模块，利用密集扩张卷积获取丰富的多尺度特征，有效地应对显著性目标数量和尺寸变化。通过在5个公开的基准数据集与19种主流模型相比，实验结果表明:本文方法在多个测评指标上有较好的提升效果，提高了在特定复杂场景下的检测精度，从P-R曲线、F-measure曲线和显著图也可以直观看出本文方法实现了较好的检测结果，生成的显著图更完整、更清晰，相比其他模型更加接近真值图。     

一种面向弱纹理图像的特征点描述子

现有的大多数特征点提取算法适用于处理纹理丰富的图像,而对于弱纹理图像则无法提取有效的特征点. 对此,提出了多邻域结构张量特征(MNSTF)算法. 基于一系列固定的邻域和图像结构张量,通过表达局部图像的结构和纹理信息,解决了弱纹理和无纹理场景下特征点提取和匹配等相关问题;同时,通过计算邻域之间的相对方向,实现了MNSTF算法特征描述子的旋转不变性. 实验结果表明,MNSTF算法在经过旋转的弱纹理图像测试集上的特征点匹配准确率达到了99.9%以上,验证了其良好的适用性、旋转不变性和鲁棒性.     

基于注意力机制的多尺度特征融合图像去雨方法

雨纹分布和形状具有多样性，现有去雨算法在去雨的同时会产生图像背景模糊、泛化性能差等问题.因此，本文提出一种基于注意力机制的多尺度特征融合图像去雨方法.特征提取阶段由多个包含两个多尺度注意力残差块的残差组构成，多尺度注意力残差块利用多尺度特征提取模块提取及聚合不同尺度的特征信息，并通过坐标注意力进一步提高网络的特征提取能力.在组内进行局部特征融合，组间利用全局特征融合注意力模块更好地融合不同层次的特征，通过像素注意力使网络重点关注于雨纹区域.在仿真和真实雨像数据集上与其他现有图像去雨算法相比，本文方法的定量指标有着明显提高，去雨后的图像视觉效果较好且具有良好的泛化性.