远程人脸识别方法的研究与仿真

研究远程准确人脸识别优化问题.在远程人脸图像采集过程中存在随机性,采集的人脸图像容易发生饰物遮挡,脸部侧偏等情况,造成采集图像可识别特征残缺,针对传统的方法过于依赖局部细节特征,无法准确的识别人脸.提出一种基于特征转化的人脸识别方法,根据采集到的人脸二维特征矩阵构造奇异值矩阵,运用迭代分解方法,把不能识别的缺陷特征转化成可识别的三维人脸特征,运用三维特征配合二维特征进行识别.经实验结果表明,改进方法能够准确识别远程采集的部分、遮挡的人脸图像,取得令人满意的效果.     

基于局部奇异值分解和模糊决策的人脸识别方法

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的特点,提出了一种利用人脸图像的局部奇异值和模糊决策进行人脸识别的方法.该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息.提出了人脸局部奇异值特征向量的构造方法.在识别阶段,对待识别人脸的特征向量,计算其对各人脸样本的隶属度,最后做出判断.该方法与传统方法在ORL人脸库上进行的对比实验结果表明了该方法的优越性.     

基于分层特征化网络的三维人脸识别

针对三维人脸多表情、多姿态变化同时存在,人脸点云数据不同程度缺失的问题,探索性地将三维点云人脸数据应用于PointNet系列的分类网络并进行了识别结果的对比与分析,然后提出了一种新的网络框架——HFN。首先,在数据预处理后随机采样固定点数的点云;其次,将固定点数的人脸点云输入SA模块,以获取局部区域的质心点、邻域点并提取局部区域的特征,然后拼接由DSA模块基于多方向卷积提取的点云空间结构特征;最后,利用全连接层进行三维人脸的分类,从而实现三维人脸识别。在CASIA数据库上的结果显示,所提方法的平均识别率为96.34%,优于PointNet、PointNet++、PointCNN和空间聚合网络（SAN）这几种分类网络。     

基于结构和统计信息融合的人脸检测

人脸检测为人脸识别的第一步,是该项技术实用化必须解决的问题。本文提出了一种综合人脸结构和灰度统计特性的新的人脸检测算法。首先,在原始灰度图像上计算了各像素点的梯度方向对称性高的点为特征点,通过梯度幅值分割滤去了大部分孤立的非人脸部件的特征点,再运用一组规则对各个特征块进行组合得到候选人脸区域;然后运用隐马尔马可夫模型对这些侯选人脸的奇异值特征进行识别达到人脸检测的目的。实验表明,本文算法的有效性。     

融合局部奇异值特性的人脸自动识别

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的问题,提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服＂小样本＂效应。在识别阶段,对待识别人脸的特征向量,计算其对各人脸样本的隶属度,最后做出判断。该方法与传统方法在ORL人脸库上进行的对比实验结果,表明了该方法的优越性。     

基于局部奇异值分解和D-S理论的人脸识别方法

;提出了基于局部奇异值分解和D-S证据理论的人脸识别方法.首先分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量;在识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后由D-S理论的组合规则做出判断.基于ORL人脸数据库的实验结果证明了本文方法的有效性和可行性.     

刚性区域特征点的3维人脸识别

目的 针对3维人脸识别中存在表情变化的问题,提出了一种基于刚性区域特征点的3维人脸识别方法。方法 该方法首先在人脸纹理图像上提取人脸图像的特征点,并删除非刚性区域内的特征点,然后根据采样点的序号,在人脸空间几何信息上得到人脸图像特征点的3维几何信息,并建立以特征点为中心的刚性区域内的子区域,最后以子区域为局部特征进行人脸识别测试,得到不同子区域对人脸识别的贡献,并以此作为依据对人脸识别的结果进行加权统计。结果 在FRGC v2.0的3维人脸数据库上进行实验测试,该方法的识别准确率为98.5%,当错误接受率（FAR）为0.001时的验证率为99.2%,结果表明,该方法对非中性表情下的3维人脸识别具有很好的准确性。结论 该方法可以有效克服表情变化对3维人脸识别的影响,同时对3维数据中存在的空洞和尖锐噪声等因素具有较好的鲁棒性,对提高3维人脸识别性能具有重要意义。     

基于分层特征化网络的三维人脸识别

针对三维人脸多表情、多姿态变化同时存在，人脸点云数据不同程度缺失的问题，探索性地将三维点云人脸数据应用于PointNet系列的分类网络并进行了识别结果的对比与分析，然后提出了一种新的网络框架——HFN。首先，在数据预处理后随机采样固定点数的点云；其次，将固定点数的人脸点云输入SA模块，以获取局部区域的质心点、邻域点并提取局部区域的特征，然后拼接由DSA模块基于多方向卷积提取的点云空间结构特征；最后，利用全连接层进行三维人脸的分类，从而实现三维人脸识别。在CASIA数据库上的结果显示，所提方法的平均识别率为96.34%，优于PointNet、PointNet++、PointCNN和空间聚合网络（SAN）这几种分类网络。     

融合局部奇异值特性的人脸识别方法*

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的不足,提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服小样本效应。在识别阶段,对待识别人脸,计算其与各人脸样本的隶属度,最后作出判别。该方法与传统方法在ORL与AR人脸库上进行的对比实验结果表明,该方法不仅提高了识别率,且对人脸姿态变化与部分遮挡也具有一定的鲁棒性。     

基于局部奇异值对称平均的人脸识别方法

提出了一种基于局部奇异值对称平均的人脸识别方法。该方法首先对原始图像进行线性映射处理;接着采用局部奇异值分解提取人脸特征,并对所获得的特征作对称平均处理;最后依据最近邻决策规则进行识别。基于ORL人脸数据库的实验结果表明,该方法大大降低了原始特征空间的维数,有效地消除了图像亮度和噪声的影响,并取得了较高且稳定的正确识别率,在人脸识别中是一种有效的方法。     

基于二维邻域保持判别嵌入的人脸识别

提出二维邻域保持判别嵌入(2DNPDE)算法,该算法是一种有监督的基于二维图像矩阵的特征提取算法.为表示样本的类内邻域结构和类间距离关系,分别构建类内邻接矩阵和类间相似度矩阵.2DNPDE所获得的投影空间不但使不同类数据点的低维嵌入相互分离,而且保留同类样本的邻域结构和不同类样本的距离关系.在ORL和AR人脸数据库上的实验表明,该算法具有更好的识别效果.     

Complete neighborhood preserving embedding for face recognition

Neighborhood preserving embedding (NPE) is a linear approximation to the locally linear embedding algorithm which can preserve the local neighborhood structure on the data manifold. However, in typical face recognition where the number of data samples is smaller than the dimension of data space, it is difficult to directly apply NPE to high dimensional matrices because of computational complexity. Moreover, in such case, NPE often suffers from the singularity problem of eigenmatrix, which makes the direct implementation of the NPE algorithm almost impossible. In practice, principal component analysis or singular value decomposition is applied as a preprocessing step to attack these problems. Nevertheless, this strategy may discard dimensions that contain important discriminative information and the eigensystem computation of NPE could be unstable. Towards a practical dimensionality reduction method for face data, we develop a new scheme in this paper, namely, the complete neighborhood preserving embedding (CNPE). CNPE transforms the singular generalized eigensystem computation of NPE into two eigenvalue decomposition problems. Moreover, a feasible and effective procedure is proposed to alleviate the computational burden of high dimensional matrix for typical face image data. Experimental results on the ORL face database and the Yale face database show that the proposed CNPE algorithm achieves better performance than other feature extraction methods, such as Eigenfaces, Fisherfaces and NPE, etc.     

仿射不变的自适应局部线性嵌入

目的: 为将流形学习有效应用于图像的降维与识别中,并消除图像的仿射变换对流形结构产生的影响,本文提出一种仿射不变的自适应局部线性嵌入算法。方法: 该算法在局部线性嵌入的基础上,为适应产生各种仿射变换的图像样本,引入切线距离计算各样本之间的相似程度,以此描述样本空间中的距离,并通过图像相似度函数自适应计算样本空间中每一点的邻域数量。结果: 实验结果表明,该算法能够构造出更合理的低维流形结构,并有效提升统计识别的正确率。结论: 本文算法对仿射变换不敏感,表现出更强的稳健性。     

Mutual neighbors and diagonal loading-based sparse locally linear embedding

In this study, a new Locally Linear Embedding (LLE) algorithm is proposed. Common LLE includes three steps. First, neighbors of each data point are determined. Second, each data point is linearly modeled using its neighbors and a similarity graph matrix is constructed. Third, embedded data are extracted using the graph matrix. In this study, for each data point mutual neighborhood conception and loading its covariance matrix diagonally are used to calculate the linear modeling coefficients. Two data points will be named mutual neighbors, if each of them is in the neighborhood of the other. Diagonal loading of the neighboring covariance matrix is applied to avoid its singularity and also to diminish the effect of noise in the reconstruction coefficients. Simulation results demonstrate the performance of applying mutual neighborhood conception and diagonal loading and their combination. Also, the results of applying the mutual neighborhood on Laplacian Eigenmap (LEM) demonstrate the good performance of the proposed neighbor selection method. Our proposed method improves recognition rate on Persian handwritten digits and face image databases.     

基于局部邻域多流形度量的人脸识别

针对人脸识别中特征的提取,提出了一种基于局部邻域多流形度量的人脸识别方法。针对人脸识别的小样本问题,用特征脸对人脸图像预处理。对预处理后的人脸数据集中每个流形内的数据点采用欧氏距离来选择各数据点的近邻点,由此得到局部权重矩阵,并计算重构数据点与原始数据点之间的误差距离;同时,采用图像集建模流形,用affine hull表示流形对应的数据集信息,计算多流形间的距离度量矩阵。通过最大化流形间距离以及最小化数据点与重构数据点误差距离来寻找投影降维矩阵。在人脸数据集上的大量比较实验,验证了该方法的准确性和有效性。     

SVD用于人脸识别存在的问题及解决方法

通过对人脸图像奇异值的分析，证实了图像奇异值是图像在特定基空间分解得到的，这个基空间是由图像本身决定的。进一步研究发现。导致基于奇异值向量人脸识别算法识别率低的根本原因是：不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向量与人脸图像之问并不存在一一对应关系、奇异值向量具有不可分割性。最后提出了类估计基空间识别算法。在ORL、ORL-NWPU1以及ORL—NWPU2数据库进行仿真，实验结果证实了分析和所提算法的正确性。     

基于局部线性嵌入的最大散度矩阵算法

提出一种基于局部线性嵌入的最大散度矩阵算法——FSLLE。引入线性映射解决局部线性嵌入算法的样本外学习问题,通过自适应动态地确定局部线性空间邻域参数,最大化地融合样本数据的类别信息和局部结构信息矩阵,以获取髙维数据的最佳分类低维子空间。在JAFFE人脸表情库对该算法进行测试,结果表明,FSLLE算法能根据流形结构动态地确定局部邻域的大小,具有较好的表情识别率。     

Maximal local interclass embedding with application to face recognition

Dimensionality reduction of high dimensional data is involved in many problems in information processing. A new dimensionality reduction approach called maximal local interclass embedding (MLIE) is developed in this paper. MLIE can be viewed as a linear approach of a multimanifolds-based learning framework, in which the information of neighborhood is integrated with the local interclass relationships. In MLIE, the local interclass graph and the intrinsic graph are constructed to find a set of projections that maximize the local interclass scatter and the local intraclass compactness simultaneously. This characteristic makes MLIE more powerful than marginal Fisher analysis (MFA). MLIE maintains all the advantages of MFA. Moreover, the computational complexity of MLIE is less than that of MFA. The proposed algorithm is applied to face recognition. Experiments have been performed on the Yale, AR and ORL face image databases. The experimental results show that owing to the locally discriminating property, MLIE consistently outperforms up-to-date MFA, Smooth MFA, neighborhood preserving embedding and locality preserving projection in face recognition.     

基于PCNN的改进脉冲噪声去噪方法

提出了一种基于噪声邻域结构分析的脉冲噪声去除方法。对脉冲耦合神经网络点火形式进行修改,通过对含噪图像进行点火,获得点火级别图像并定位噪声。对噪声点邻域结构进行分析,对不同邻域结构的噪声点进行分类。对邻域结构简单的噪声点采用中值滤波进行去噪;对邻域结构复杂的噪声点提出了一种基于区域隶属度的去噪方法。实验结果表明所提出的算法可以有效抑制图像中的脉冲噪声,并可以保留图像的边缘细节。