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。     

熵能量堆煤图像的定位与识别

目的 针对煤矿皮带堆煤传感器受复杂环境干扰导致检测效率较低的问题,提出一种新的基于熵能量(EE)的堆煤图像定位与识别方法。方法 该方法首先在堆煤图像初始化区域内设定采样单元,统计采样单元前景和背景区域的信息熵,计算信息熵分布的极大值所对应的的灰度阶并统计其出现的概率;然后计算采样单元的熵能量和能量频率,归一化频率系数,并利用能量频率的二阶偏导确定堆煤边缘区域,将采样单元移动至堆煤边缘处;最后,根据采样单元的坐标位置计算堆煤高度和半径,进行实时预警。结果 在煤矿井下皮带堆煤视频上进行算法测试,该算法的单帧图像平均处理速度为0.35 s/帧,堆煤事故预警时间间隔最大为0.35 s,平均识别准确率为97.1%,测试结果表明,该方法对堆煤模糊边缘、环境噪音具有抗干扰特点,可以有效克服强噪音、模糊边缘等因素对堆煤识别的影响。结论 该方法对复杂环境中堆煤定位与识别具有很好的实时性和准确性,对提高煤矿安全生产效率具有重要意义。     

基于奇异点邻域结构的三维人脸识别方法

提出一种新的基于奇异点邻域结构的三维人脸识别方法.首先,在人脸纹理图像上分割目标区域,划分特征子区域,提取二维奇异点和奇异点邻域结构;然后,在人脸空间几何信息上标记三维奇异点及其邻域结构,并以奇异点和奇异点邻域结构的三维信息表征人脸特征;最后,采用奇异点邻域结构最近点方法识别人脸身份信息.实验结果表明,所提出方法在三维人脸识别方面具有较高的识别准确率和较好的鲁棒性能.     

基于复合梯度向量的指纹匹配算法

针对接触式指纹识别中存在的非线性形变问题,提出了一种基于复合梯度向量（Composite Gradient Vector,CGV）的指纹匹配算法.该算法首先在经过预处理的指纹图像上建立直角坐标系和第一个基向量,并对指纹图像进行旋转;然后在旋转后的指纹图像上采样基向量,组建向量簇,提取极大梯度向量,并以极大梯度向量为元素组建复合梯度向量;最后以分层标记规则对复合梯度向量进行分层标记,通过对指纹库进行指纹检索、复合梯度向量匹配、维度和梯度匹配,识别出指纹图像.实验结果表明,该方法克服了接触式指纹识别中旋转、偏移、拉伸等问题,有较强的抗非线性形变能力,同时具有较快的识别速度和较高的识别准确率.     

基于频率簇模型的人脸识别

目的 针对复杂条件下人脸识别鲁棒性差的问题,提出了一种基于频率簇（FC）模型的人脸识别方法。方法 该方法首先在人脸图像内检测目标区域,在目标区域内划分特征子区域并设定采样单元,统计采样单元内前景区域和背景区域的信息熵;然后计算采样单元的熵能量和能量频率,归一化频率系数,利用能量频率的二阶偏导确定人脸子区域边界,以此得到有效采样单元,建立人脸主特征信息;最后,根据采样单元的坐标位置、熵能量和能量频率信息进行排序,得到每个采样单元的几何布局,以采样单元的熵能量、能量频率和几何布局构建人脸的频率簇模型,并以此作为人脸特征进行识别匹配。结果 在FERET、ORL、Yale组合人脸库和CMU-PIE人脸库上进行实验测试,该方法的识别准确率分别为99.11%和97.36%,单幅人脸图像的平均识别速度为0.077 s,结果表明,该方法对复杂条件下的人脸识别具有很好的实时性和准确性。结论 该方法可以有效克服光照变化、特征模糊、姿态和表情变化等因素对人脸识别的影响,具有较好的鲁棒性,对提高人脸识别性能具有重要意义。     

基于复合梯度向量的人脸识别算法

提出了一种新的基于复合梯度向量(Composite gradient vector, CGV)描述的人脸识别算法. 该算法首先在定位后的人脸图像中标定目标区域, 并在目标区域内划分特征子区域, 然后,以特征子区域的边缘奇异点作为向量的起点和终点进行正交采样得到基向量, 将目标区域内所有基向量组建向量簇, 通过对基向量的多维复合得到向量簇内所有极大梯度向量, 最后,以极大梯度向量作为元素组建复合梯度向量并统计复合梯度向量的维度和梯度信息, 将复合梯度向量、复合梯度向量维度和梯度进行人脸库对比, 识别出人脸身份. 该算法抓住了人脸面部特征分散性的特点, 继而对分散性特征采用具有连续性规律约束的复合梯度向量进行描述识别. 实验结果表明, 该算法克服了特征域旋转、光照强度变化及多姿态、多表情对人脸识别的影响, 具有速度快、识别准确、适应性强的特点.     

一种基于曲量场空间的人脸识别算法

为了解决二维人脸识别准确度提升空间有限,三维人脸识别数据量大、识别速度慢的问题,提出了一种新的基于曲量场空间的人脸识别算法(Face Recognition based on Curved Space Field,FRCSF).该算法首先检测彩色人脸图像内的面部凸凹信息,利用曲量子描绘凸凹域的渐变梯度特征,去除人脸彩色信息,降低三维信息量.然后以分散的曲量子群融合成曲量子空间.将曲量子空间进行边缘曲量子光滑衔接,组成曲量场空间.最后提取曲量场空间内的深度和维度信息,通过与曲量人脸库进行信息对比,判别出人脸身份.该算法抓住了人脸面部的凸凹特征,继而将凸凹特征采用具有空间连续性规律约束的曲量场进行描述,识别准确率较高,同时由于对三维人脸采用曲量子进行重建,数据量小,识别速度较快.大量实验表明,该算法既保存了二维人脸识别速度快的长处,又融入了三维人脸识别的局部三维信息,具有较高的识别性能.     

视觉量子目标跟踪方法

为了解决变结构目标跟踪过程中目标失跟率较高的问题,提出了一种基于视觉量子（vision quantum,简称VQ）的目标跟踪方法.该方法首先在图像内自上而下地辐射视觉量子采集灰度信息,统计量子内部概率密度较大的灰度级和分布区域;然后计算视觉量子的量子频率,归一化量子频率系数,滤除系统噪音和杂波干扰,利用频率阶跃不变性移动视觉量子至平衡状态,将达到量子平衡状态的视觉量子组成量子簇;最后,以该量子簇作为候选目标信息,采用极大似然估计预测运动目标状态,以预测结果作为下一帧图像中视觉量子移动的参考值,并进一步验证移动后的视觉量子是否达到量子平衡状态,以确保目标跟踪有效性.该方法抓住了变结构运动目标前景与背景交界处具有量子频率阶跃不变性的特点,继而将阶跃不变特征采用具有独立性和约束性的视觉量子进行描述,可以有效地消除形状变化、尺度变化等变结构因素对运动目标跟踪的影响,失跟率较低.同时,由于视觉量子数据量较小,计算复杂度较低,其跟踪实时性较高.大量实验测试结果表明,该方法对变结构目标跟踪具有很好的适应性、实时性和鲁棒性.