基于分块稀疏表示的部分遮挡人脸识别

人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。     

相似遮挡区域碎片重构的鲁棒人脸识别算法

基于压缩感知技术,提出了一种面向遮挡的人脸识别算法。首先,将图像分成各个局部小块,并构建相似遮挡区域;然后,重构图像碎片,从而检测遮挡区域;最后,利用非遮挡区域获取遮挡截面,投票机制完成人脸识别。实验结果显示,其算法在AR和LFW人脸库上的最高识别率分别可高达99.8%和83.8%,优于其他几种遮挡人脸识别算法,此外,该算法对不同遮挡级别的人脸具有较好的鲁棒性。     

一种基于遮挡区域补偿的眼镜去除方法

为了提高戴眼镜人脸图像的识别率, 提出了一种从人脸图像中检测并去除眼镜的方法。首先对输入的戴眼镜人脸图像与系统预留的无眼镜人脸图像进行基于人眼位置的标定, 检测出眼镜遮挡区域, 再用无眼镜人脸图像中对应的遮挡区域对戴眼镜人脸图像进行补偿, 从而合成了对应输入图像的不戴眼镜的人脸图像。实验结果表明, 该方法能有效地合成无眼镜人脸图像, 将合成后的人脸图像再应用于人脸识别系统, 识别率显著提高。     

人脸识别中发型遮挡检测方法研究

人脸识别中,发型遮挡是一种十分常见的遮挡类型,并且对人脸的正确识别具有极大的干扰。提出一种将头发的颜色模型和发型特征相结合的遮挡检测方法。首先,采用机器学习的方法,对头发的颜色进行学习建模。然后,利用发际线的特征,将人脸划分为若干扇形并分块,采用逐步精细的方法对人脸的发型遮挡区域进行检测。实验结果表明,该方法对人脸区域发型遮挡检测的准确率和召回率都达到88%以上,相比PCA检测方法提高了约20%,验证了该方法的有效性。     

人脸识别中遮挡区域恢复算法研究

在分析脸部遮挡处理各算法的基础上,提出了自动多值掩模PCA人脸重建模型(MMPCA模型)。该模型首先进行特征提取,计算待测人脸和标准样本的特征脸差,判断遮挡部位,即遮挡类型;接着使用M估计器对遮挡掩模进行估计,为不同像素点估计符合自身特性的幅度参数,生成多值遮挡掩模;再通过3个半二次型函数迭代保证最优合成系数唯一与收敛,获得最优合成系数,重建人脸。实验结果表明,该算法能恢复遮挡部位,减弱遮挡对识别准确率的影响。     

一种高性能部分遮挡人脸识别新方法

针对部分遮挡人脸识别,提出了一种基于局部区域遮挡判断的人脸识别新方法。利用支持向最机对不同人的不同遮挡情况分别进行训练,确定局部相似度到整体相似度的最佳映射,使它具有最佳类间可分离性。实验表明,该文算法显著提高了部分遮挡人脸识别效果,对无遮挡识别也有所改善。     

基于分块的有遮挡人脸识别算法

随着深度学习技术的发展,人脸识别在受控环境下的准确率已经达到了非常理想的效果。然而,真实环境下获取的人脸图像往往因为遮挡而难以识别。针对遮挡条件下的人脸识别准确率不高、稳定性差的问题,结合传统的人脸分块和深度卷积神经网络,提出一种基于分块的有遮挡人脸识别算法。基于人脸特征点定位的结果进行人脸分块,使用一种改进的轻量级卷积神经网络进行各个人脸区块的特征提取;利用多分类网络结合输入区块的额外信息进行人脸区块的遮挡判别;结合人脸块特征与遮挡二分类判别结果获取表征遮挡人脸的特征。实验结果表明,经过以上步骤提取出的特征对遮挡具有较强的鲁棒性,并且在满足一定的条件下,即使人脸由大面积遮挡也能在实验数据集上保持94%的准确率。     

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。     

基于结构化遮挡编码和极限学习机的局部遮挡人脸识别

提出使用结构化遮挡编码（SOC）结合极限学习机（ELM）的算法来处理人脸识别中的遮挡问题。首先，使用SOC去除图像上的遮挡物，将遮挡物体与人脸分离开；同时，通过局部性约束字典（LCD）来估计遮挡物的位置，建立遮挡字典和人脸字典。然后，将建立好的人脸字典矩阵进行归一化处理，并利用ELM对归一化的数据进行分类识别。最后，在AR人脸库上进行的仿真实验结果表明，所提方法对不同遮挡物和不同区域遮挡的图像具有较好的识别率和鲁棒性。     

有遮挡人脸识别方法综述

现实人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素,传统的人脸识别方法识别效果不佳,有效地处理这些问题提高识别效率仍是人脸识别系统中的难点。回顾了传统的人脸识别的相关方法,重点针对人脸遮挡的处理方法,从遮挡区域如何重构地生成模型,如何检测遮挡位置的判别模型及鲁棒特征提取三个方面进行了详细的综述,比较了各自的优缺点及应用场合,总结分析了目前有遮挡人脸识别存在的问题和未来研究方向。     

神经网络在人脸识别中的应用

将BP神经网络用于人脸识别,并建立了人脸识别模型,该识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程,具有简单,识别率较高的特点。     

神经网络在人脸识别中的应用

将BP神经网络用于人脸识别,并建立了人脸识别模型,该识别模型包括图像压缩、图像抽样、输入矢量标准化、BP神经网络与竞争选择处理过程,具有简单,识别率较高的特点.     

基于二进制标签松弛模型的遮挡人脸识别

遮挡人脸识别是人脸识别系统面临的挑战之一.在自然场景下,人脸特征通常被口罩等物品遮挡,导致人脸特征不完整,从而无法正确提取人脸特征信息,严重影响最终的识别结果.针对有遮挡条件下人脸识别效果较差的问题,通过利用低秩技术和二进制标签松弛模型的优势,该文提出了一种新的基于二进制松弛标签的回归模型.该模型通过学习一个更松弛的标...     

基于定点ICA算法的人脸识别方法

提出定点ICA算法结合均一化欧氏距离的人脸识别方法。该方法不仅可以提取出独立主成分,而且收敛速度快,克服了PCA算法提取特征不独立和一般ICA算法收敛速度慢的缺点。在特征聚类方法中,均一化欧氏距离的聚类效果优于欧氏距离和马氏距离。在正交在预处理程中,投影特征空间维数的选取根据具体数据库和训练样本集通过试验确定。试验结果表明,该人脸识别方法具有较好的识别能力和鲁棒性。     

基于聚类的大型人脸检索系统

介绍了基于聚类的大型人脸检索系统的设计思想与实现技术。该系统综合了人脸定位、人脸识别和聚类检索等技术,采用C／S模式,维护了大型的人脸数据库,提供了灵活的查询接口。实验结果表明该系统具有理想的识别率和查询速度,因此具有广泛的应用前景。     

基于偏最小二乘法与支持向量机的人脸识别

该文认为在人脸识别中,偏最小二乘回归方法作为一种新的降维方法,在处理小样本问题时具有明显优势,而主元分析方法作为一种传统的降维方法在选择分量时没有考虑类信息,因而有可能忽略掉重要的分类信息。支持向量机（SVM）模式识别方法具备良好的分类性能和鲁棒性。该文提出了一种基于偏最小二乘与支持向量机的人脸识别方法。利用偏最小二乘回归分析对人脸图像进行降维和特征提取,再利用支持向量机对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

基于循环生成对抗网络的含遮挡人脸识别

人脸图像的遮挡会严重影响人脸识别准确率,当前处理带遮挡人脸识别的方法主要有丢弃法和修复法两种。丢弃法因忽略或丢弃大量遮挡区域的有效特征易造成识别准确率不高,而当前大多数修复法需要原图的相关信息,限制了其应用。针对现有含遮挡人脸识别方法存在的问题,提出一种基于循环生成对抗网络的人脸识别算法,通过利用2对生成器和判别器进行循环训练,实现遮挡人脸图像的盲修复,此过程不需要除遮挡区域外的原图信息。在此基础上,采用ResNet-50网络对修复后人脸进行识别,该网络通过跳跃连接消除深层卷积神经网络中的网络退化问题,能够降低网络训练的难度,且不会增加额外的参数和计算量。针对盲修复后人脸特征存在类内差异大和类间差异小的特性,引入一种能够量化类间距离的分类损失函数RegularFace作为识别网络损失函数。实验结果表明,与DCGAN+CNN算法相比,所提算法对不同遮挡类型和遮挡区域的人脸图像识别准确率均有所提高,当线性遮挡面积为40%时,所提算法的识别准确率提高了14.4个百分点。     

基于实时视频的人脸识别技术的研究

人脸识别是机器视觉、模式识别等领域的研究热点,具有广阔的应用前景,提出了一种基于实时视频的人脸识别方法,重点介绍了相似度计算,图像二值化,以及人脸识别的编程实现过程,并结合实际图片进行了人脸识别测试,实践结果表明系统效果良好。