超分辨率重建的素描人脸识别

目的 基于学习的超分辨率重建由于引入了先验知识,可以更好地描述图像的细节部分,显著地增强图像的分辨率,改善图像的视觉效果。将超分辨率重建应用在素描人脸识别中,既可以增加人脸图像的质量也可以有效地提高识别精度。方法 首先利用特征脸算法根据素描图像合成人脸灰度图像,然后对合成的人脸图像利用稀疏表示进行超分辨率重建,最后利用主成分分析对重建前后的合成人脸分别进行识别。结果 在香港中文大学的素描人脸库(CUFS)上进行实验。经过超分辨率重建之后的人脸在眼睛等部位细节描述更好。同时,由于重建过程中引入了先验知识,重建之后的素描人脸识别率有提高。支持向量机算法得到的识别率由重建前的65%提高至66%,本文利用的主成分分析算法得到的识别率由重建前的87%提高至89%。结论 基于超分辨率重建的素描人脸识别算法可以有效地改善合成人脸图像的视觉效果并且提高素描人脸识别精度。     

纹理特征和两级分类器相结合的人脸识别

为了提高人脸识别率和识别效率,提出一种纹理特征和两级分类器相结合的人脸识别方法。采用灰度共生矩阵表示人脸图像的纹理特征,计算待识别人脸图像与模板间欧式距离,采用拒识阈值进行评判,如果人脸图像归属类别清楚,则采用欧式距离分类器进行识别,否则将待识人脸图像送入SVM分类器进行识别,采用ORL人脸数据库和Yale人脸数据库进行仿真实验。仿真结果表明,相对于单一人脸识别器,两级分类器不仅提高了人脸识别效率,而且提高了人脸识别率,具有更好的人脸识别性能。     

基于视频监控的人脸识别方法

目前人脸识别方法主要针对静态图像进行识别,而在监控视频中,不同视频帧人脸具有相关性且只有部分人脸能够有效反映人脸信息。根据监控视频中人脸图像变化特性,提出了一种基于监控视频的人脸识别方法。首先通过结合人脸检测与跟踪技术获得视频人脸序列,然后以视频人脸序列中部分人脸图像识别结果为导向选取全部人脸序列图像中的代表人脸图像进行识别,最后根据选取的全部人脸图像识别结果综合反映人脸信息。实验结果表明,该方法能够在确保识别率和误识率的前提下有效提升监控视频中人脸识别的实时性。     

融合先验信息的残差空间注意力人脸超分辨率重建模型

针对公共场所监控图像中低分辨率人脸图像利用现有人脸识别系统识别准确率低的问题,提出了融合先验信息的残差空间注意力人脸超分辨率重建模型,用该模型对低分辨率人脸图像进行预处理后再进行识别可大大提升识别准确率.该模型将面部先验结构信息嵌入到生成对抗网络模型中,再采用残差空间注意力激活算法突出空间位置中携带高频信息的特征,最后使用多阶特征融合算法充分利用不同尺度的特征,防止携带高频信息的人脸特征在网络传播中丢失.实验结果表明,重建出的超分辨率人脸图像具有更多的面部细节特征,大大提高了对低分辨率人脸图像的识别准确率,并且与其他5种模型相比,新模型具有较低的耗时和较少的参数.     

基于深度卷积网络的压缩人脸超分辨率研究

深度卷积网络压缩人脸超分辨率研究,主要基于人脸图像分辨技术,将人脸图像作为普通自然图像组成,在很多方面都有涉及。尤其是随着科学技术发展以及社交媒体软件的广泛应用,人脸识别至关重要。压缩人脸超分辨率研究是此次研究重点,将人脸细化后识别起来会更清晰、准确度更好。笔者结合深度卷积网络进行压缩人脸超分辨率计算,旨在解决其中存在的压缩噪音等问题。     

一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

利用Hausdorff距离人脸图像定位算法

利用 Hausdorff距离的人脸图像定位算法是动态人脸识别系统的预处理工作 .定位算法与识别系统相结合 ,可提高人脸识别率 .由于动态人脸图像在移动过程中成像大小不是完全相同的 ,这样对进一步运动中人脸图像相互关系有较大的影响 ,提出了利用 Hausdorff距离来对图像中人脸进行定位 ,将图像中人脸部分提取出来并对其大小做调整 ,过滤掉背景信息 ,一定程度上简化了后续识别工作     

基于图像超分辨极限学习机的极低分辨率人脸识别

极低分辨率图像本身包含的判别信息少且容易受到噪声的干扰,在现有的人脸识别算法下识别率较低。为了解决这一问题,提出一种基于图像超分辨率(SR)极限学习机(ELM)的人脸识别算法。首先,从样本库学习耦合的高低分辨率图像稀疏表达字典,利用高低分辨率表达系数的流形一致性重建高分辨率图像;其次,在超分辨率重建的高分辨率(HR)图像上构建ELM模型,训练获得前向神经网络的连接权值;最后,通过ELM预测输入极低人脸图像的类别属性。实验结果表明,针对于重建后的极低分辨率人脸图片,与协同表示的分类(CRC)人脸识别算法相比,所提算法将识别率分别提升了2%;同时也大幅度缩短了识别的时间。结果表明所提算法能够有效解决极低分辨率图片判决信息不足的问题,具有较好的识别能力。     

基于人脸图像的质量评价模型及应用

提出一种人脸图像评价模型。利用该模型评估人脸图像光照、姿态、表情、污损等噪声系数,进而选择噪声系数较低的图像用于人脸识别,提高人脸识别率。选择在CAS-PEAL人脸数据库作为实验对象,根据人脸图像质量评价模型选择噪声系数较低的人脸图像构成第一数据库。实验结果表明,根据提出的模型评价噪声系数并选择噪声系数低的图像用于识别,人脸识别性能得到改善。     

基于MATLAB的人脸识别考勤系统

本文的主要研究内容是人脸识别技术.在研究中了解人脸识别技术在国内外的研究现状及发展前景,掌握了部分MATLAB的图像处理功能,并按照人脸图像采集、图像预处理、人脸特征提取与识别这条技术路线开发实现了一个简易人脸识别系统.本次设计中的核心部分是人脸的检测与识别,此人脸识别可应用于企业员工考勤签到上.     

可变光照条件下的人脸图像识别

对于人脸图像识别中光照变化的影响,传统的解决方法是对待识别图像进行光照补偿,先使它成为标准光照条件下的图像,然后和模板图像匹配来进行识别。为了提高在光照条件大范围变化时,人脸图像的识别率,提出了一种新的可变光照条件下的人脸图像识别方法。该方法首先利用在9个基本光照方向下分别获得的9幅图像来构成人脸光照特征空间,再通过这个光照特征空间,将图像库中的人脸图像变换成与待识别图像具有相同光照条件的图像,并将其作为模板图像;然后利用特征脸方法进行识别。实验结果表明,这种方法不仅能够有效地解决人脸识别中由于光照变化影响所造成的识别率下降的问题,而且对于光照条件大范围变化的情况,也可以得到比较高的正确识别率。     

基于WT和LVQ网络的多姿态人脸识别

提出了基于小波变换和学习矢量量化网络相结合的新方法进行人脸识别。小波变换具有良好的多尺度特征表达能力，能将图像的大部分能量集中到最低分辨率子图像，可以很好地对图像降维和表征人脸图像的特征。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单，但却表现出比BP网络更强的有效性和鲁棒性。实验表明该方法对表情和姿态变化的人脸具有良好的分类性能和识别效率。     

Face Super-resolution Reconstruction and Recognition Using Non-local Similarity Dictionary Learning Based Algorithm

One of the challenges of face recognition in surveillance is the low resolution of face region. Therefore many superresolution (SR) face reconstruction methods are proposed to produce a high-resolution face image from one or a set of low-resolution face images. However, existing dictionary learning based algorithms are sensitive to noise and very time-consuming. In this paper, we define and prove the multi-scale linear combination consistency. In order to improve the performance of SR, we propose a novel SR face reconstruction method based on nonlocal similarity and multi-scale linear combination consistency (NLS-MLC). We further proposed a new recognition approach for very low resolution face images based on resolution scale invariant feature (RSIF). A series of experiments are conducted on two public face image databases to test feasibility of our proposed methods. Experimental results show that the proposed SR method is more robust and computationally effective in face hallucination, and the recognition accuracy of RSIF is higher than some state-of-art algorithms.      

DCT系数重组在特征脸中的应用研究

针对现在图像压缩主要采用DCT变换方法,提出了一种对DCT系数进行重组的方法,获取三级多分辨率子带。通过对各单独子带实施特征脸方法可得到不同的识别效果。提出在子带[S0]和子带[S1],[S2]和[S3]上进行特征脸方法识别,如两者结果不一致,则在满足一定门限条件下输入多张人脸,分析了所提出方法与原方法所需识别时间的关系。在ORL库和YALE库上的实验表明,提出方法的识别率要远高于直接采用特征脸方法。     

光照变化条件下的人脸识别技术研究

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸光照图像时易产生“光晕”难题,提出了一种基于Mean-Shift滤波的Retinex算法,并应用于人脸识别中的光照预处理。对人脸图像进行非线性增强;利用Mean-Shift滤波代替高斯滤波对光照估计,解决传统Retinex算法中存在的“光晕”难题。采用Yale B人脸库对算法性能进行测试,结果表明,该算法能够很好地抑制“光晕”现象的发生,具有光照鲁棒性,提高了人脸的识别率。     

基于奇异值特征提取的彩色人脸识别*

基于彩色图像的四元数模型,将彩色人脸图像视为一个模板直接处理,并首次将奇异值向量应用到彩色人脸识别中.首先证明了彩色图像的奇异值向量具有代数和几何不变性;然后将其提取为图像的代数特征并应用到人脸识别中.实验表明该方法的识别率为90%左右,是一种有效的彩色人脸识别方法.     

典型相关分析融合全局和局部特征的人脸识别

为了提高人脸的识别率,提出一种典型相关分析融合全局和局部特征的人脸识别算法（SUB-CCA）。通过划分子模式方式避免人脸识别存在小样本、非线性问题,并提取局部特征,采用主成分分析提取人脸图像的全局特征,并采用相关分析算法对全局、局总特征进行融合,消除特征间冗余信息,降低特征维数,采用投票法得到人脸识别结果,并采用3个人脸数据集对算法性能进行测试。仿真结果表明,相对于参比算法,SUB-CCA提高了人脸识别的识别精度。     

改进的MSF-VQ人脸特征提取方法

MSF-VQ是一种用于人脸识别的图像特征.它先使用预先确定的码书计算出图片的向量量化直方图特征,再通过马尔科夫稳态特征对直方图进行扩展,从而得到MSF-VQ特征.MSF-VQ特征在人脸识别中表现出较高的识别准确率.但是它在码书的确定和空间信息表达上仍有一些不足之处.针对这两个方面,本文提出了一种改进的方法.首先根据人脸数据集来计算码书,从而提高向量量化直方图对人脸的分辨能力,然后通过结合多个方向上采样的MSF特征,增加MSF-VQ特征包含的空间位置信息.实验结果表明,改进的MSF-VQ方法具有更高的人脸识别准确率.     

基于隐马尔科夫模型的人脸识别

对于人脸识别系统来说,人脸图像的特征提取和匹配是决定人脸识别系统性能的关键所在。文中提出基于隐马尔科夫模型的人脸识别方法。首先,根据人脸的特点建立马尔科夫模型,然后对图像进行预处理,再利用采样窗对人脸图像进行采样并进行离散余弦变换,提取变换后的系数作为观察向量。最后对人脸图像进行HMM训练,训练结束后即建立了一个人的HMM。基于DCT系数的二维隐马尔科夫模型由于充分利用了人脸图像的二维统计特性,具有较高的识别率。实验结果证明此方法在准确性方面具有良好的性能。