基于AAM的人脸图像年龄组分类研究

针对随年龄的增长人脸图像年龄组分类准确率下降的问题,提出一种有效提高准确率和分类速度的年龄组分类方法。该方法结合主成分分析(PCA)和局部保持投影(LPP)建立主动外观模型(AAM),并对人脸图像进行特征点提取;在反向组合算法的基础上添加全局几何变换,增强AAM的表征能力,对输入人脸图像进行匹配;并利用支持向量机回归算法(SVR)对人脸图像进行年龄组分类。实验结果表明,该方法的年龄组分类准确率由79%提高到84%,分类耗时明显改善,且该方法更适用于亚洲人脸图像。     

超分辨率人脸图像重构识别

为了解决单幅低分辨率人脸图像重构问题,提出了基于线性物体类理论重构超分辨率人脸图像的新方法。首先利用ICA和PCA提取不同分辨率人脸的特征子空间,然后利用通过训练得到的分辨率转换矩阵重构其相对应的超分辨率人脸图像,实验表明该算法与传统的算法相比重构出的人脸图像质量和识别率都有了很大的提高。     

基于深度卷积特征与LLC编码的现勘图像分类

为了改善低层特征对图像内容描述不够精确而导致现勘图像分类准确率低的问题,提出一种利用深度学习特征的改进局部约束线性编码(local-constrained linear coding,LLC)算法。采用滑动窗口法提取图像密集卷积神经网络(convolutional neural networks,CNN)特征;利用近似LLC算法对提取的密集CNN特征进行快速编码和最大池化,并采用多尺度空间金字塔匹配产生包含空间位置信息的稀疏编码特征。最后,利用支持向量机对现勘图像进行分类从而得到高效的图像特征。对比实验结果表明,该算法的分类准确率较高。     

基于Daubechies小波的人脸识别算法

为寻求正确率更高的人脸识别技术,提出一种基于Daubechies小波变换和支持向量机(DW-FPSVM)的人脸识别算法.首先对人脸图像进行一次二维Daubechies小波分解提取特征,接着利用快速PCA对特征降维去噪处理,最后选取合适的核参数建立分类模型对其识别,并对常见的ORL人脸库、Yale人脸库进行实验仿真.结果表明:人脸识别准确率随支持向量机核参数γ的增大而减小,且基于DW-FPSVM能够有效的提高人脸识别算法的准确性和稳固性;相较于其他小波的相关结果发现,Daubechies小波更具应用优势.     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。     

结合小波与递归神经网络的低分辨率人脸识别

针对低分辨率人脸图像缺少有效信息而导致识别率较低的问题,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。首先,通过深层网络直接预测小波系数,经过小波逆变换得到高分辨率人脸图像,可以有效地重建高频信息;其次,在卷积神经网络中加入递归模块,在增加网络深度的同时减少参数冗余,提升模型的映射能力;最后,提出一种优化的重建与感知损失融合方法,将小波系数重建损失与感知损失进行加权融合,用以生成有利于识别的人脸图像。基于公开数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低的分辨率条件下(8×8,16×16),仍然能够重建出更加锐利的人脸图像。在此基础上,其识别能力优于目前领先的超分辨率重建算法。     

超分辨率重建的微小人脸识别算法

针对低分辨率下小尺度人脸图像缺失有效身份信息导致的识别率低的问题,提出了超分辨率重建的微小人脸识别算法。该算法首先将采集到的低分辨率人脸图像进行超分辨率重建,并采用细节增强的方法,以恢复图像的面部轮廓信息与纹理细节等高频信息,再通过一个改进的密集连接网络做特征提取,进行图像识别。实验结果表明,该方法对于小尺度的人脸图像,在图像识别率上优于其它人脸识别算法,能够有效解决现实环境中微小人脸识别率低的问题。     

基于核典型相关分析的图像放大算法

为了更有效地映射高、低分辨率图像到变换域,提高图像的分辨率,给出一种基于核典型相关分析的单幅图像超分辨率放大算法。首先将训练高、低分辨率图像块矩阵映射到变换域上,利用核典型相关分析得到最优的变换域基向量,然后在该变换域上重建测试低分辨率图像,再转换到原空间上得到初始放大结果,最后利用迭代反投影算法进一步提高图像的质量。实验结果表明,新算法可提高图像的分辨率,并能重建出图像较多的细节,人工痕迹少。     

基于流形学习的车牌图像超分辨率算法

为了解决视频监控系统中车牌图像分辨率较低、车牌字符难以辨识的问题,提出一种基于流形学习的车牌图像超分辨率重建算法。首先学习训练样本库中高、低分辨率图像之间的映射关系,然后利用线性判别分析(Linear Discriminant Analysis,LDA)算法提取图像特征,并利用流形学习中的局部线性嵌入(Locally Linear Embedding,LLE)算法对特征向量进行参数建模,最后通过特征映射关系获得高分辨率图像。实验表明,该方法对监控系统中的低分辨率车牌图像具有较好的超分辨率复原效果,不仅提高了字符的可读性,而且具有更高的峰值信噪比。