人脸特征的选取和定位

本文综述了人脸识别的现状,采用基于几何特征的识别方法,选择了人脸图像的２５个特征点,并由此特征点产生了１３个特征参量为主工特征。根据人脸图像的灰度特性,用投影图法初步确定了人脸各部分的位置,然后利用特征识别树的识别方法进行特征定位的一致笥检测。最后提出了一种快速、可靠的圆形模板匹配法定位了瞳孔的位置。实验表明该方法准确率高,运行速度快,为进上步的人脸识别提供了必要的条件。     

低分辨人脸识别综述

全面综述了低分辨（Low-Resolution,LR）人脸识别技术的研究进展,并对相关亟需解决的关键问题进行了讨论。对LR人脸识别系统的概念、待解决问题、系统结构、已有不同识别方法进行了分类阐述。根据高、低分辨率人脸图像空间特征维度的不匹配问题,分别对基于重构超分辨（Super-Resolution,SR）图像和基于公共特征子空间两类LR人脸识别方法进行了详细介绍。对每类方法按照不同的实现过程,进一步划分为三种不同的类型分别介绍,并对每类方法模型的主要思想和核心问题进行了分析和讨论。简单介绍了九种标准人脸数据库,从识别性能、平均运行时间和多人脸库实验结果比较等方面对每类代表性方法进行了分析。对LR人脸识别技术在未来发展中需要解决的难点问题给予了展望。     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

基于深度卷积神经网络的人脸识别技术综述

人脸识别是计算机视觉的重要应用之一,广义的人脸识别包含图像采集、人脸检测、人脸对齐、特征表示等过程。人脸识别的发展史主要是人脸特征表示方法的变迁史。针对特征的表示方法,从人脸识别技术的发展历史、研究现状和未来发展三个方面进行综述:分阶段对传统的几类经典的人脸识别算法进行回顾和总结;以深度学习算法的诞生过程为切入点,重点分析了在人脸识别中取得突破性进展的深度卷积神经网络DCNN(deep convolutional neural networks)的技术思想和关键问题;针对人脸识别和深度学习算法的重大挑战,展望了未来可能存在的发展方向。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷，提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法，用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征，并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明，基于PCA余像空间的ICA混合特征人脸识别方法，在识别光照、表情等外界因素变化较大的人脸图像时，要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法，并具有较强的适用性。     

人脸识别研究综述*

人脸识别是一种重要的身份鉴别技术,具有广泛的应用前景。给出了人脸识别发展历程中的技术特点;根据人脸检测定位、面部特征提取和人脸确认识别三个关键的人脸识别过程,阐述了目前已成熟的核心技术和方法以及这些技术和方法的优缺点;展望了人脸识别未来的研究趋势。     

基于AdaBoost的人脸特征挑选与特征融合算法研究

针对人脸识别中的特征挑选和特征融合问题进行研究。结合已有的基于AdaBoost的人脸特征挑选方法,挑选出最具分类能力的特征,并将挑选出的多类人脸特征在特征层进行融合,得到一个统一的人脸特征用于模式分类。通过在FERET人脸库上的实验表明,其识别方法具有良好的识别效果。     

基于特征加权的人脸识别

现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上，人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用，分别采用三种加权方法对人脸图像进行了预处理，并应用流行的人脸识别方法（联想记忆、主分量分析和Fisher线性判别分析）进行识别。最后用标准人脸库ORL进行了实验，实验结果表明特征加权方法对人脸识别是有效且通用的。     

复用特征组合的单幅人脸图像识别

单幅图像的人脸识别问题目前研究较少，而许多识别算法一旦应用到单幅训练图像的人脸库时，识别率会急剧下降。通过研究人脸的各个局部特征对识别人脸的影响，筛选出几个最能表达人脸信息的局部特征，然后利用Boosting思想，为从单个图像样本中挖掘更多的信息，重复使用人脸特征，将人脸的整体特征和局部特征结合起来构造了两个人脸识别系统——多特征投票法和复用特征法。     

基于特征运动的表情人脸识别

人脸像的面部表情识别一直是人脸识别的一个难点，为了提高表情人脸识别的鲁棒性，提出了一种基于特征运动的人脸识别方法，该方法首先利用块匹配的方法来确定表情人脸和无表情人脸之间的运动向量，然后利用主成分分析方法（PCA）从这些运动向量中，产生低维子空间，称之为特征运动空间，测试时，先将测试人脸与无表情人脸之间的运动向量投影到特征运动空间，再根据这个运动向量在特征运动空间里的残差进行人脸识别，同时还介绍了基于特征运动的个人模型方法和公共模型方法，实验结果证明，该新算法在表情人脸的识别上，优于特征脸方法，有非常高的识别率。     

基于Gabor 小波和HMM 的人像鉴别算法

探讨了利用Gabor小波和隐马尔可夫模型（HMM）进行人脸识别的方法，首先对人脸图像进行多分辨率的Gabor小波变换；然后在图像上放置一组网格结点，每个结点用该结点处的多尺度Gabor幅度特征描述，采用独立元分析法对每个结点进行去相关和降维；最后形成特征结，把每个特征结作为观测向量，对隐马尔可夫模型进行训练，并将优化的模型参数用于人脸识别，ORL人脸库的实验结果表明，该方法识别率高，工程上易于应用。     

基于小波分解和多分类支持向量机的脸谱识别

小波分解提取脸谱特征具有对表情变化不敏感的特点，支持向量机竹=为分类器具有很高的推广性能，无需先验知识，针对小波分解和支持向量机所具有的优点，提出了一种新的脸谱识别算法，在该算法中无需对洲练图像进行预处理，直接使用小波分解方法对脸谱图像进行特征提取，用所提取的脸谱特征向量组合成新的脸谱特征向链洲练多分类支持向量机模型，最后用训练好的支持向量机进行脸谱识别，在训练中分别采用了三种不同的核函数；使用ORL脸谱图像库对该算法进行了测试和评估，测试结果表明了该算法在识别性能方面的优越性。     

正立和倒立面孔的混合识别

目的 改变正立和倒立面孔只是一种简单倒置关系的观点,研究基于视觉神经整体和局部信息流的正立和倒立面孔混合识别。方法 模拟视觉信息流在视通路中的传递和处理过程,首先构建底层神经网络,建立敏感纹理特征以及对称卷积核的机制,实现正立和倒立面孔图像的去除冗余和预处理;接着提出一种基于局部区域提取的池化神经网络层的概念,构建多局部特征融合的网络结构,实现局部信息的压缩提取和融合;最后根据高级视觉皮层中左右半脑协作的特点,提出一种融合整体和局部信息的预测函数。结果 以AT&T数据库为例,本文方法在经典卷积神经网络模型上增加了多局部特征融合的网络结构,识别准确率从98%提高到100%,表明局部信息能够提高对正立面孔识别的能力;同时采用合适的训练数据集,调节融合时整体与局部信息的关系比,结合使用合适模型训练方式,该模型对正立和倒立面孔的识别率分别为100%和93%,表明对正立和倒立面孔识别具有良好的特性。结论 本文方法说明了整体和局部特征的两条视觉通路虽然分别在正立和倒立面孔识别上起了决定性的作用,但它们并不是孤立存在的,两条通路所刻画的面孔信息应该是一种互补式的关系。不仅为面孔识别提供一种新思路,而且将有助于对视觉神经机制的进一步理解。     

结合加权局部旋度模式的3维人脸表情识别

目的 3维人脸的表情信息不均匀地分布在五官及脸颊附近,对表情进行充分的描述和合理的权重分配是提升识别效果的重要途径。为提高3维人脸表情识别的准确率,提出了一种基于带权重局部旋度模式的3维人脸表情识别算法。方法 首先,为了提取具有较强表情分辨能力的特征,提出对3维人脸的旋度向量进行编码,获取局部旋度模式作为表情特征;然后,提出将ICNP（interactive closest normal points）算法与最小投影偏差算法结合,前者实现3维人脸子区域的不规则划分,划分得到的11个子区域保留了表情变化下面部五官和肌肉的完整性,后者根据各区域对表情识别的贡献大小为各区域的局部旋度模式特征分配权重;最后,带有权重的局部旋度模式特征被输入到分类器中实现表情识别。结果 基于BU-3DFE 3维人脸表情库对本文提出的局部旋度模式特征进行评估,结果表明其分辨能力较其他表情特征更强;基于BU-3DFE库进行表情识别实验,与其他3维人脸表情识别算法相比,本文算法取得了最高的平均识别率,达到89.67%,同时对易混淆的“悲伤”、“愤怒”和“厌恶”等表情的误判率也较低。结论 局部旋度模式特征对3维人脸的表情有较强的表征能力; ICNP算法与最小投影偏差算法的结合,能够实现区域的有效划分和权重的准确计算,有效提高特征对表情的识别能力。试验结果表明本文算法对3维人脸表情具有较高的识别率,并对易混淆的相似表情仍具有较好的识别效果。     

多视角三维人脸识别中的特征提取

针对二维人脸识别系统在姿态发生较大变化就难以识别的问题,利用三维人脸数据姿态不变性的特征,提出了一个基于方向最大值的方法来估计鼻尖点,同时也给出姿态的角度.用子空间表示的鼻子轮廓模型被用来选择鼻尖点的最可行的候选点.另外,利用SUSAN算子提取边缘,并与方向积分投影等方法结合,快速准确的定位内外眼角点和嘴角点.实验证明该方法可以保证达到和手工自动标定特征点相差无几的准确率.     

二进制粒子群算法在人脸识别中的应用

把二进制粒子群优化算法(BPSO)应用到人脸识别中.对人脸图像进行二维离散余弦变换(DCT),获得人脸图像的特征向量,应用BPSO算法对得到的特征向量进行特征选择,得到最具代表性的人脸特征.与遗传算法(GA)相比,在选择的特征较少的情况下,BPSO算法比遗传算法有更好的识别率.实验结果表明,BPSO算法应用到人脸识别中有较高的识别率,是一种非常有效的特征提取方法.     

Application of NSGA-II to feature selection for facial expression recognition

Facial expression recognition generally requires that faces be described in terms of a set of measurable features. The selection and quality of the features representing each face have a considerable bearing on the success of subsequent facial expression classification. Feature selection is the process of choosing a subset of features in order to increase classifier efficiency and allow higher classification accuracy. Many current dimensionality reduction techniques, used for facial expression recognition, involve linear transformations of the original pattern vectors to new vectors of lower dimensionality. In this paper, we present a methodology for the selection of features that uses nondominated sorting genetic algorithm-II (NSGA-II), which is one of the latest genetic algorithms developed for resolving problems with multiobjective approach with high accuracy. In the proposed feature selection process, NSGA-II optimizes a vector of feature weights, which increases the discrimination, by means of class separation. The proposed methodology is evaluated using 3D facial expression database BU-3DFE. Classification results validates the effectiveness and the flexibility of the proposed approach when compared with results reported in the literature using the same experimental settings.     

Human action recognition using shape and CLG-motion flow from multi-view image sequences

In this paper, we present a method for human action recognition from multi-view image sequences that uses the combined motion and shape flow information with variability consideration. A combined local–global (CLG) optic flow is used to extract motion flow feature and invariant moments with flow deviations are used to extract the global shape flow feature from the image sequences. In our approach, human action is represented as a set of multidimensional CLG optic flow and shape flow feature vectors in the spatial–temporal action boundary. Actions are modeled by using a set of multidimensional HMMs for multiple views using the combined features, which enforce robust view-invariant operation. We recognize different human actions in daily life successfully in the indoor and outdoor environment using the maximum likelihood estimation approach. The results suggest robustness of the proposed method with respect to multiple views action recognition, scale and phase variations, and invariant analysis of silhouettes.     

Do singular values contain adequate information for face recognition?

Singular values (SVs) have been used for face recognition by many researchers. In this paper, we show that the SVs contain little useful information for face recognition and most important information is encoded in the two orthogonal matrices of the SVD. Experimental results are given to support this observation. To overcome this problem, a new method for face recognition based on the above finding is proposed. The face image is projected on to the orthogonal basis of SVD and then the vectors of coefficients are used as the face image features. By using probability density of this image feature obtained by a simplified EM algorithm, the Bayesian classifier is adopted to recognize the unknown faces. The proposed algorithm obtains acceptable experimental results on the ORL face database.