基于级联网络和残差特征的人脸特征点定位

为进一步提高人脸特征点定位精度,探究当前广泛用于人脸关键点定位的全卷积神经网络（FCN）架构的原理和缺陷,讨论FCN核函数在特征点定位中引入的副作用,即训练和测试时评判准则不一致的问题. 理论分析该问题存在的可能性和普遍性,设计实验验证在实际场景下此问题存在的广泛性. 提出结合残差特征的沙漏网络结构并将其应用于人脸特征点检测;提出多级沙漏网络的级联结构,并将其与经典的栈式沙漏网络进行对比分析. 实验结果表明：二级级联结构获得了与四级栈式结构相当的特征点定位精度,大幅降低了模型参数量和时间复杂度. 所提方法在300-W数据库的困难子集上的平均归一化误差为6.84%,优于已有最好方法.     

基于肤色模型与人脸特征的多姿态人脸检测

传统AdaBoost人脸检测算法使用正面人脸训练分类器,不能检测有任意偏转角度的多姿态人脸。本研究利用各种多姿态人脸中人眼结构变化比较小的性质,使用人眼训练AdaBoost算法的分类器,设计出一种快速的复杂场景下的多人多姿态人脸检测算法。先将图像映射到一种色彩空间,运用皮肤颜色分布特性检测皮肤区域;再运用AdaBoost算法从肤色区域检测出人眼区域;最后根据人眼在人脸中的位置计算出人脸的位置。实验结果表明:该算法对多姿态人脸有很好的检测效果。     

基于KSVM决策树法的人脸检测与定位

传统的SVM直接在线性条件下训练SVM分类器完成人脸与非人脸的分类,分类器训练困难,计算量大且速度慢.为构造一个复杂背景下人脸检测与定位的新方法,本文用核函数把SVM推广到非线性SVM,再与二叉树相结合,可以解决多类识别问题,此即KSVM决策树人脸检测方法.在此基础上,人脸面部特征被进一步确认.本文提出了改进的四边界Prewitt边缘算子提取人眼,进而定位五官.实验结果表明该方法检测率较高,虚警率较低,定位准确.     

基于多特征融合的科学仪器工作状态检测方法

针对单一特征量状态检测的非鲁棒性,提出一种应用多特征融合技术的科学仪器工作状态检测方法。建立了条件约束方程组对基于圆内接直角三角形的圆检测算法加以改进。提出串并联混合结构模型,采用各特征量的模糊置信度作为模型输入,依据全局融合中心得出的综合置信度,决策出科学仪器工作状态指示灯的指示状态。EMX-SM7型电子探针的应用实验表明,该方法可以在多变的环境中准确可靠地完成在线检测任务。     

基于肤色与边缘特征的人脸定位检测算法

针对由于外貌、表情、肤色等不同,给人脸检测带来很大困难的问题,提出一种基于肤色特征与边缘检测相结合的人脸检测方法,将归一化后的RGB空间转换为YCbCr空间,再对图像进行光线补偿等预处理;在对肤色区域进行判决的过程中,采用自适应阈值的方法.本文算法实验结果证明具有一定的可靠性和有效性,而且计算速度快、方法简单、定位率高、检测效果好.     

基于LGRP和多特征融合的人脸表情识别

针对复杂的Gabor滤波器直接抽取人脸特征数据存在一些冗余信息以及提取的表情特征较为单一的缺点,提出了基于LGRP和多特征融合人脸表情的识别方法。首先,提取人脸表情图像的Gabor多方向和多尺度特征,进一步编码得到局部Gabor排序模式(LGRP),以增强鲁棒性以及区分能力;其次,引入Haar小波和Otsu阈值分割法分别提取表情特征,通过级联融合3种不同的特征,可以全面地表达图像的局部特征和全局特征;最后,采用支持向量机(SVM)对人脸表情进行多分类。在CK+表情库上进行仿真实验,平均识别率达到94. 36%。与其他方法的比较结果表明,该方法取得了很好的识别率和鲁棒性。     

基于尺度不变特征变换的平面旋转人脸检测

针对平面旋转人脸检测的问题,改进了传统的尺度不变特征变换(SIFT)算法,利用其旋转、缩放、平移及部分仿射不变性完成平面旋转人脸的检测。首先通过模板与对比度加权的方法对SIFT关键点进行裁减,以提高计算效率并过滤无效关键点,然后提出一种更精确的主方向计算方法确定关键点主方向,通过Adaboost算法训练人脸公共特征分类器并计算关键点的匹配率作为置信权值,完成平面旋转人脸的检测,并根据关键点主方向进行扶正。最后通过实验与传统方法进行了对比,结果表明:本文方法在保证检测率的同时,在扶正精确度、检测速度方面均有较大提高。     

基于Adaboost层叠式分类器的人脸检测算法仿真

详细研究了基于Adaboost的层叠式人脸检测算法。构建了一个层叠式分类器系统,其由多个弱分类器构建一个强分类器,再由多个强分类器最终构建一个层叠式分类器系统。通过增加层叠式分类器的级数来降低人脸误识率,增加层叠式分类器的个数来提高人脸检测率,使得层叠式分类器具有不断扩展升级的能力。仿真实验结果证明,采用这种策略成功的降低了误识率和计算时间,显著提高了检测性能,其检测效果稳定,并且完全可以适用于实时视频人脸检测。     

基于特征融合的人脸表情识别算法研究

为了避免传统表情识别方法中复杂的特征手动提取过程,同时保证能够提取到更多的表情特征,文中提出一种融合卷积神经网络(Convolutional Neural Network,CNN)、方向梯度直方图(Histogram of Oriented Gradient,HOG)以及人脸关键点定位(facial landmark detection)的人脸表情识别方法.该方法首先通过在图像预处理中使用多任务卷积神经网络(Multi-task convolutional neural network,MTCNN)对不同尺度输入图像进行人脸检测并得到人脸的关键点位置信息(facial landmark).然后根据facial landmark的位置信息计算出人脸表情图像的几何结构特征,并且计算人脸表情图像局部区域的方向梯度直方图来构成HOG特征,采用特征融合的方式将facial landmark和HOG特征做进一步的融合形成新的特征向量LM_HOG.最后将融合后的特征与经过CNN提取的全局特征再次融合输入到支持向量机(Support Vector Machine,SVM)和Softmax中进行表情识别.在FER2013和Extended Cohn-Kanade(CK+)人脸表情库上的实验结果表明,将融合得到的LM_HOG特征作为局部特征,用以描述图像的局部性差异,CNN提取的特征作为全局特征,用以描述人脸表情图像的整体性差异,融合后的特征能更好的提取图像细节特征,平均识别率分别达到了75.14％和97.86％,具有优越的性能.     

基于多分类及特征融合的静默活体检测算法

现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响. 本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度. 构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力. 在CASIA-FASD、Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.     

基于分布估计算法的人脸Haar特征选择

通过研究人脸检测算法中Ada Boost算法,针对算法中的haar特征维数过高、训练耗时过长,检测效率过低等问题.提出基于分布估计算法(Estimation of Distribution Algorithm,EDA)的人脸haar特征选择人脸检测.EDA采用类内类间比作为适应度函数,通过统计学习的手段建立解空间内个体分布的概率模型,然后对概率模型随机采样产生新的群体,进行反复计算,实现群体的进化,最终得到全局最优解,以此来实现haar特征选择.实验结果表明:检测率(DR)与误检率(FDR)优于传统算法,而且检测速度得到了提升.     

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高     

基于虚警可控梯度提升树的海面小目标检测

高维特征检测是提升海面小目标探测性能的一种有效途径,其主要难点在于高维空间分类器设计.本文提出一种基于虚警可控梯度提升树(Gradient Boosting Decision Tree, GBDT)的特征检测方法.首先,从一维长时观测向量中,提取时域、频域、时频域等多个特征,构建高维特征向量,从而将检测问题转换为二分类问题.其次,通过仿真含目标回波,解决两类训练样本非均衡的问题.然后,引入GBDT算法,将高维特征向量凝聚为一维概率预测值,并以预测值作为检测统计量,解决二分类器难以控制虚警的问题.最后,采用IPIX实测数据验证,结果表明：本文所提的检测器充分利用了高维特征的全部信息,性能平均提升13%以上.     

多分辨率损伤检测结果的最大联合概率融合算法

针对大型复杂结构分布式损伤检测系统中的多种损伤检测方法的检测结果融合问题，提出了最大联合概率（MJP）决策融合法.通过分析子损伤检测方法的检测概率与最终损伤检测结果正确概率的关系，根据贝叶斯决策原理得出了形式简单的MJP决策融合准则，并通过分析子损伤检测方法所得损伤状态的从属关系，将MJP决策融合准则推广应用于有无损伤、损伤区域、损伤程度等不同精细程度等级上的多个损伤检测结果融合.算例分析表明MJP决策融合算法适用范围广，可大幅提高最终损伤检测结果的正确概率.由该算法得出的子损伤检测结果正确概率和子损伤检测结果个数等参数对最终检测结果正确概率的影响规律，为分布式结构损伤检测系统的设计提供了依据.     

基于新Haar-like特征的Adaboost人脸检测算法

为解决基于Haar-like特征的Adaboost人脸检测方法存在的特征计算复杂度较高的问题,提出两组Haar-like特征扩展集;利用积分图给出特征组的计算方法;采用Adaboost算法在正脸和侧脸样本库分别训练出正脸和侧脸级联分类器,并将其组成双通道分类器。在开源视觉库OpenCV上的实验结果表明,本方法具有较少的弱分类器数,检测效率高、计算速度快,对于多角度人脸检测具有较好的鲁棒性。     

基于同化核分割相同值区域特征融合的边缘检测

针对SUSAN(Smallest univalue segment assimilating nucleus)边缘检测算子在强噪声环境中容易产生虚假边缘的不足,提出了基于同化核分割相同值(Univalue segment assimi-lating nucleus,USAN)区域特征融合的边缘检测方法——FUSAN(Fusion-USAN)算子。该算子在利用USAN区域大小信息提取潜在边缘点的基础上,分别直接和间接利用USAN区域的形状信息计算边缘响应,并采用简单的融合策略融合这两种边缘响应得到最终的边缘响应。与SUSAN算子相比,FUSAN算子综合利用了USAN区域的大小和形状信息。利用合成图像和常用Cameraman图像并加入噪声对FUSAN算子进行评估,实验结果表明:FUSAN算子的检测性能优于SUSAN算子。