基于部分遮挡人脸识别算法的研究

研究人脸识别问题。针对当人脸采集的图像出现面部关键区域遮挡时,传统算法往往需要依靠面部主要关键特征进行识别,遮挡人脸的大部分特征消失,造成的误识别、漏识别问题。为解决上述问题,提出了基于遮挡人脸图片的识别方法。方法首先对遮挡人脸图像进行小波变换,然后建立特征粗糙集,根据特征加权融合算法将细节特征向量进行有效联系,进而根据联系性进行识别。实验结果表明,方法的能够对遮挡的人脸图像进行有效的识别,提高了身份识别的安全性和准确度。     

基于三维模型和深度灰度约束加权的人脸姿态跟踪

提出种基于人脸三维模型和深度灰度约束加权对单目视频图像序列中的人脸空间姿态进行跟踪的方法．首先用仿射变换的方法得到初始帧的人脸姿态参数并作为姿态跟踪的起点；然后用三维几何信息对线性灰度和深度约束方程加权得到更精确的帧间运动参数，为了消除光照变化和遮蔽的影响，在跟踪过程中逐帧自动进行特征点更新．对模特头像和真实人脸的实验结果表明：该方法能实现精确而可靠的姿态跟踪，特别对深度方向变化较大的运动，效果更为明显．     

打卡图像的分层人脸比对识别方法研究

具有身份的人脸图像比对要求具有高的识别率和实时性。本文针对打卡人脸图像,提出了一种基于加权模板匹配和SVM的分层人脸识别方法。该方法利用Gabor小波变换进行人脸图像特征提取,采用贡献分析法分析特征的贡献权重,在待测人脸图像比对识别时,采用加权模板匹配进行比对,通过两个阈值的判断,在既不能认为比对正确和不正确的情形下,再采用SVM和库中人脸图像进行识别比对。实验结果表明,基于该方法的人脸比对识别率高、实时性好,可用于实时打卡人脸比对。     

均值漂移LDA优化FSIF的三维人脸识别

针对传统的三维人脸识别算法受光照、姿态、表情及场景变化影响导致耗时过多及成本过高的问题,提出了一种基于均值漂移线性判别分析优化尺度不变特征融合(FSIF)算法。使用均值漂移线性判别分析找到五个类似于查询人脸的最佳候选类;利用尺度不变特征融合提取出候选人脸及查询人脸的融合特征描述符,并进行特征匹配得到目标人脸;根据特征描述符的匹配关键点数目完成人脸的识别。在USCD/Honda、FRGC v2及自己搜集的人脸数据集上的实验结果表明,该算法解决了降低FSIF人脸识别的计算复杂度,并在不降低识别性能的前提下大大地节约了成本,相比几种较为先进的三维人脸识别算法,该算法取得了更好的识别效果。     

基于改进的分块LVP直方图的人脸建模和识别算法

本文提出了一种改进的基于LVP的人脸建模和识别算法。首先,利用K均值聚类算法获得LVPS dictionary;然后,利用获得的LVPS对人脸进行建模,该方法比传统的建模方法计算更简单;最后,利用分块后的LVPS加权直方图索引进行人脸识别。实验表明,本文所提出的方法比传统的LVP方法具有更好的识别效果。     

多尺度和纹理特征增强的小尺寸人脸检测

针对现有人脸检测算法难以处理多尺度、多姿态的人脸检测,尤其是面对小尺寸时准确性低的问题,提出了多尺度和纹理特征增强的小尺寸人脸检测算法。该算法的多尺度增强模块能够丰富特征的多尺度信息,提高对多尺度人脸的检测能力;纹理特征增强模块能够通过融合低层的纹理信息提升高层语义的表达,从而加强对小尺寸人脸的检测能力;多阶段加权损失函数平衡网络的输出,充分发挥各个模块的增强作用。实验结果表明,该方法不仅在检测速度上可以达到实时,而且对MALF数据集中高度小于60像素的人脸检测精度可达88.69%;在FDDB数据集上相比目前的BBFCN算法精度提高近四个百分点。     

证件照片的一种混合人脸识别方法

在仔细分析证件照片中人脸特点的基础上，提出了一种把人脸的几何特征矢量匹配和人脸的分块加权匹配相结合的思想。该方法针对一般人脸识别方法不能有效消除人脸表情影响的特点，首先对人脸进行快速准确的眼睛定位、图像控正以及标准化处理，然后一方面抽取能够避免人脸表情影响的几何特征向量，另一方面对标准人脸进行分块加权匹配，最后进行综合识别。对JAFFE人脸库的试验结果表明，该方法识别准确率高，能够有效地消除人脸表情在识别中的影响，结果令人满意。     

基于Gabor-PCA的人脸遮挡区域重建算法

针对遮挡人脸重建和识别问题,提出一种基于Gabor滤波和主成分分析相融合的人脸遮挡区重建算法。首先通过构建5维8方向的Gabor直方图信息分类器,从人脸库中选择Gabor直方图信息与待重建原始人脸图像在外形轮廓等粗信息更为接近的图像组成训练样本集,然后采用主成分分析对奇异值分解重建协方差矩阵进行投影形成重建图像,最后进行仿真实验。结果表明,该算法可以得到平滑自然的重建人脸图像,而且具有较强的适应性。     

基于加权直方图和均值漂移的实时跟踪算法

均值漂移算法在跟踪过程中没有有效利用跟踪目标的位置、运动方向等信息,当物体快速移动、旋转时,实时跟踪的目标极易丢失;均值漂移算法利用密度梯度估计跟踪目标,直方图足用来统计图像或图像的某个区域中每个灰度级或颜色级的分布情况的,依据颜色分布进行匹配具有较好的稳定性.跟踪目标的直方图受目标形状变化的影响较小,但通常直方图不包含任何的空间位置信息,加权直方图有效利用了窄间信息.提出了一种加权直方图和均值漂移算法相结合的快速实时跟踪算法.实验证明该算法具有速度快、鲁棒性、稳定的特点,基本达到了实时跟踪处理的要求.     

基于背景加权的尺度方向自适应均值漂移算法

针对经典的均值漂移算法在跟踪过程中由背景相似度、尺寸变化以及遮挡等引起的跟踪漂移问题,提出了一种基于背景加权的尺度方向自适应均值漂移跟踪算法。结合背景加权来提取目标颜色特征,充分利用了视频图像序列的空间信息,突出了目标区域的信息特征,抑制了由背景相似度和背景模糊引起的跟踪漂移现象。采用尺寸方向自适应的协方差矩阵估计方法,以适应运动目标尺寸方向的实时变化,保证了跟踪的准确性。经实验验证提出的运动目标跟踪算法较之其他经典均值漂移算法在精度和效率上都有显著提高。     

基于泛滑动窗与加权2DLDA的单样本人脸识别

对于单训练样本人脸识别,基于每人多个训练样本的传统人脸识别算法效果均不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对这一问题进行了分析研究,提出了一种新的样本扩充方法,即泛滑动窗法。采用“大窗口,小步长”的机制进行窗口图像采集和样本扩充,不仅增加了训练样本,而且充分保持和强化了原始样本模式固有的类内和类间信息。然后,使用加权二维线性鉴别分析方法（Weighted 2DLDA）对上面获得的窗口图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。     

加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。     

熵权法融合局部匹配Gabor特征的鲁棒人脸识别

针对复杂环境下人脸识别难度大的问题,提出了一种熵权法融合局部Gabor特征方法。计算类熵加权向量;计算局部归一化输入图像的Borda计数矩阵,从而消除低值Gabor jet比较矩阵;通过将分数层类熵加权Gabor特征与LGBP和LGXP融合解决了完成人脸的识别。在FERET、AR和FRGC 2.0人脸数据库上的实验结果表明,该方法对轻微姿态变化具有显著鲁棒性,并且对人眼检测中高达3像素的误差具有鲁棒性,相比其他几种人脸识别方法,该方法取得了更好的识别效果。     

消除光照和姿态变化影响的人脸识别

光照和姿态变化带来的影响是自动人脸识别的两个主要瓶颈问题。提出了消除这两方面影响的处理方法：首先对训练集里的图像应用灰度归一化处理,降低对光照强度的敏感度;然后进行姿态估计,并用特征脸方法计算不同姿态的特征子空间,最后提出了“姿态权重PWV（Pose’s Weight Value）”这一概念,据此设计了加权的最小距离分类器WMDC（Weighted Minimum Distance Classifier）,分配不同姿态权重消除姿态变化影响。在FERET和Yale B数据库上的实验结果表明,此方法能在很大程度上提高人脸光照和姿态改变时的识别率。     

一种新的拓展稀疏人脸识别算法

近几年来,基于稀疏表示分类是一个备受关注的研究热点。如果每类训练样本较充分,该类方法可以取得比较好的识别效果。当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好的解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。本文采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。     

基于Gabor特征与加权协同表示的人脸识别算法

针对基于稀疏表示分类方法的训练样本于与类别标签信息提取不足,特别是在训练样本和待测样本都受到噪声污染的情况下将会明显下降及算法复杂度较高的问题,提出以Gabor特征以及加权协同为基础的人脸识别算法;最初需要对人脸图像内所包含的各个尺度以及方向的Gabor特征完成提取,在稀疏表示中引入Gabor特征,将降维后的Gabor特征矩阵作为超完备字典,再用稀疏表示增强加权协同表示得到该字典下的的稀疏表示系数,然后利用增强系数与训练样本的标签矩阵完成对测试样本进行分类识别,从而得到Gabor特征以及加权的协同表示分类方法,在Yale人脸数据库、Extended Yale B和AR人脸数据库上以及在FERET人脸数据库对人脸姿态变化的实验表明新算法具有更好的识别率和较短的计算时间.     

基于面部特征图对称的人脸正面化生成对抗网络算法

目前人脸正面化研究主要解决人脸偏转问题,而对监控视频等现实场景中同时受偏转和俯仰变化影响的侧脸的正面化生成关注较少,针对这个问题和多角度侧脸生成的正面人脸图存在身份信息保留不全的问题,提出了一种基于特征图对称模块和眼周特征保留损失的生成对抗网络（GAN）。首先,根据人脸对称性先验,提出特征图对称模块,先使用人脸关键点检测器检测出侧脸鼻尖点位置,再将编码器提取到的特征图依照鼻尖位置进行镜像对称,从而在特征层面上缓解面部信息缺失的问题。其次,借鉴眼周识别思想,在现有的生成图身份保留方法中加入了眼周特征保留损失以训练生成器生成逼真的且保留身份信息的人脸正面图像。实验结果表明,所提算法得到的生成图面部细节保留较好,且在CAS-PEAL-R1数据集的所有俯角下人脸的平均Rank-1识别率为99.03%,可见该算法能够有效解决多角度侧脸的正面化问题。     

基于稀疏级联回归的快速人脸配准方法及其在移动设备上的应用

如何在计算和存储能力受限的移动平台上实现高效的人脸配准是移动平台人脸应用需要解决的关键问题。主要研究了移动平台上的快速人脸配准问题,为了降低配准模型的计算与存储要求,提出了稀疏约束的级联回归模型。该模型采用稀疏性约束学习回归矩阵,不但能够筛选鲁棒的特征,而且模型的存储空间被压缩到原来的5%左右。基于稀疏级联回归模型,进一步构建了移动平台上人脸配准的快速算法。首先,在人脸检测的基础上,利用二值特征快速定位眼角、嘴角和鼻尖的关键点,估计出人脸的姿态,旋正人脸图像;然后,根据人脸的姿态,选择相应的正脸或侧脸模型,进行稀疏约束的级联回归配准,定位人脸关键点。大量实验结果表明,提出的配准方法精度高、速度快、模型小。在三星Note3智能手机上,每幅人脸图像的配准时间在10ms左右,整个apk文件大小仅为4MB,非常适合移动平台的人脸应用。     

基于低秩表示中稀疏误差的可变光照和局部遮挡人脸识别

可变光照和有遮挡人脸识别是人脸识别问题中的一个难点。受到鲁棒主成分分析法(RPCA)和稀疏表示分类法(SRC)的启发,提出一种基于低秩表示(LRR)中稀疏误差图像的可变光照有遮挡人脸识别算法。在训练阶段,利用LRR计算每类人脸低秩数据矩阵,在此基础上求解每类人脸图像低秩映射矩阵,通过各类低秩映射矩阵将未知人脸图像投影得到每类下的低秩数据矩阵和稀疏误差矩阵,为了有效提取稀疏误差图像中的鉴别信息,分别对稀疏误差图像进行边缘检测和平滑度分析,设计了基于两者加权和的类别判据。在Extended Yale B和AR两个数据库上进行了详细的实验分析,实验结果与其它算法相比较有明显提高,证实了所提算法的有效性和鲁棒性。