基于特征脸的主成分分析人脸识别

采用基于PCA（主成分分析）的特征脸人脸识别方法,判断一张给定的图像是否为人脸图像。该方法通过计算训练集的特征向量,得到一个由特征脸组成的子空间,并将训练集中的人脸图像投影到该子空间中。检测人脸时,将二维的人脸图像投影到脸空间,并计算该图像与脸空间之间的欧几里得距离,以距离是否小于某一设定的阀值来识别是否人脸图像,实验测试结果准确率为97.5%。     

基于拉普拉斯脸和隐马尔可夫的视频人脸识别

提出了一种基于拉普拉斯脸和隐马尔可夫模型的视频人脸识别方法。在训练过程中，采用拉普拉斯脸方法将每一视频序列中的人脸图像映射到拉普拉斯空间，将降维后的特征作为观测值，通过隐马尔可夫模型得到每一训练视频的统计特性和时间动态特性。在识别过程中，用每一个训练视频的隐马尔可夫模型来分析测试视频的时间动态特性，计算出每一训练模型产生该序列的概率，概率最大值所对应的模型就是待识别序列所属的类别。实验结果表明，该方法能够很好地进行视频人脸识别。     

井下人员人脸识别方法研究

针对光照突变、视角变化以及遮挡等因素容易导致井下人员人脸识别精确度低的问题,提出了一种隐马尔科夫模型下基于SIFT特征的人脸识别方法。该方法将提取的SIFT特征作为隐马尔科夫模型的训练样本,经训练建立精准匹配库,对人脸部位和非人脸部位的SIFT特征进行分类,从而实现人脸图像的识别。实验结果表明,该方法识别速度快、准确率高,平均识别准确率达97.14%。     

半边人脸识别方法

针对光线变化对人脸的正确识别的影响,提出一种半边人脸识别方法。该方法把训练集的人脸图片分为左右两个部分,经过亮度补偿后分别训练左右脸的特征提取器,提取训练集中左右半边脸的特征。计算待识别图片左右半边脸的熵,选取熵较大的半边脸及对应的特征提取器,经过亮度补偿后提取该半边脸的特征,并根据提取的特征进行归类。实验结果表明,对光线有变化的人脸,该方法比用全脸识别具有更好的识别率和识别速度。     

基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术.文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真.该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸.     

改进人脸特征矫正网络的遮挡人脸识别方法

现有人脸识别模型受口罩等遮挡因素影响导致准确率无法提升。当前主流研究方法将有无遮挡场景分开训练后,整合应用于多场景。针对遮挡人脸识别模型的局限性,提出一种改进人脸特征矫正网络（FFR-Net）模型。该模型可同时用于有无遮挡人脸识别并应用于口罩与眼镜遮挡两种识别场景中。人脸特征矫正网络模型提出了一种人脸特征矫正模块,为保证充分利用无遮挡区域特征信息,在该模块中的空间分支引入involution算子扩大图像信息交互区域,增强在空间范围内面部特征信息;在通道分支引入坐标注意力机制,捕获跨通道信息以增强特征表示,利于模型准确地定位识别目标区域;将Meta-ACON作为该模块新的动态激活函数,通过动态调整线性或非线性程度以提高模型泛化能力和计算准确度。最后,利用改进的人脸特征矫正网络模型在CASIA-Webface经处理的有无口罩遮挡人脸数据集上进行训练,其在LFW经处理的有无口罩遮挡数据集、Meglass数据集上的测试结果准确率分别达到了82.50%和89.75%,优于现有算法,验证了所提方法的有效性。     

基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术。文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真。该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸。     

基于特征运动的表情人脸识别

人脸像的面部表情识别一直是人脸识别的一个难点，为了提高表情人脸识别的鲁棒性，提出了一种基于特征运动的人脸识别方法，该方法首先利用块匹配的方法来确定表情人脸和无表情人脸之间的运动向量，然后利用主成分分析方法（PCA）从这些运动向量中，产生低维子空间，称之为特征运动空间，测试时，先将测试人脸与无表情人脸之间的运动向量投影到特征运动空间，再根据这个运动向量在特征运动空间里的残差进行人脸识别，同时还介绍了基于特征运动的个人模型方法和公共模型方法，实验结果证明，该新算法在表情人脸的识别上，优于特征脸方法，有非常高的识别率。     

隐马尔可夫后处理模型在视频人脸识别中的应用

现有的多数人脸识别系统都专注于如何提高人脸识别算法的性能,但缺乏一种对数据源(人脸样本)进行分析和评估的机制。针对此问题,提出了一种建立在数据源分析基础上对典型人脸识别算法进行后处理的方法。为了揭示现有典型识别算法的识别性能在无约束环境下的鲁棒性,通过建立Lambertian反射模型和3D人脸模型,对特征脸算法的识别性能随数据源的变化(人脸姿态和光照改变)而变化的情况进行了分析评估。针对“数据源灾难”问题,提出了一种基于隐马尔可夫模型（HMM）的后处理解决方法,该方法通过利用视频序列图像的连续性和对训练人脸库的统计分析来提高判别分析方法对无约束环境的鲁棒性。实验结果表明,该方法可以有效地提高识别算法对“数据源灾难”的鲁棒性,提高识别率。     

基于DCT与LDA的仿生人脸识别研究

针对基于DCT变换与LDA的人脸识别方法识别率低和特征提取过程中维数也低,以及基于K-L变换的仿生人脸识别方法识别率高和特征提取过程中维数也过高的问题,结合两者的优点,提出了一种基于DCT与LDA变换的仿生人脸识别的方法。通过DCT变换与LDA对训练人脸样本进行特征提取,通过核函数将提取的特征映射到高维空间,构建各类样本的覆盖区域,再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。在Yale和ORL人脸库上的实验证明提出的方法取得了较好的识别效果。     

基于EHMM的人脸识别算法

人脸识别是对从视频图像中检测到的人脸区域进行身份的认证．是将待识别人脸与数据库中的人脸进行匹配的过程。将EHMM应用于人脸识别,提取人脸的DCT系数特征作为观察向量,用EHMM算法进行人脸模型训练和识别,并使用OpenCV对人脸识别算法进行功能仿真验证和相关探究,达到较好的人脸识别效果。实验结果表明,正常光照下,该算法的识别率在95％以上。     

对遮挡人脸修复识别的改进与应用

人脸识别问题是当今社会的热点研究问题,对有遮挡人脸进行识别是人脸识别的一个难题。针对人脸特征不完整的人脸身份识别,提出的办法是先对遮挡人脸进行修复,将不完整的人脸特征进行补全,然后将修复好的人脸进行识别。修复人脸时,首先使用的是WGAN-GP方法,并且在生成器中加上了跳跃连接;然后利用训练好的VGGF网络进行人脸特征提取,使用余弦相似度进行人脸识别,对比实验结果表明,改进的方法在CelebA数据集上能够取得很好的结果。     

基于异值区域消除的遮挡人脸识别

针对存在部分遮挡的人脸的识别问题,提出了一种改进的基于异值区域消除的人脸识别方法。首先,由训练人脸图像得到平均脸图像,并将测试图像与平均脸图像作差值运算得到误差人脸图像;然后,对误差人脸图像进行分割得到测试人脸图像存在的遮挡区域,并将测试图像和训练图像的相应区域予以去除以形成新的测试图像和训练图像;最后,采用线性回归分类或稀疏编码分类方法实现人脸识别。与同类方法比较,本方法计算相对简单,展现了较好的识别性能提升。基于Yale B和AR标准人脸数据库的仿真测试结果验证了本方法的有效性。     

融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L 变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。     

一种基于LBP-EHMM的人脸识别算法

针对实时人脸识别易受光照变化影响的问题,提出了一种将局部二值模式(Local Binary Patterns,LBP)与嵌入式隐马尔可夫模型(Embedded Hidden Markov Model,EHMM)相结合的人脸识别方法。该方法首先对输入的人脸图像进行LBP预处理,接着对其进行特征向量提取,最后把提取的特征观察向量送入EHMM进行训练或识别。在多个人脸数据库上进行了实验,结果表明该文算法对光照具有较好的鲁棒性,提高了识别率。     

基于小波变换的加权特征脸识别算法*

针对人脸识别中难以克服的表情影响,提出了一种基于小波变换的加权特征脸识别方法.本方法先对人脸图像进行小波分解,有效地将原图像降维,然后让各个子图像并行进行特征脸识别,最后通过加权排序得到识别结果.通过在Striling人脸库中进行实验,表明利用本方法进行人脸识别大大提高了识别率同时减少了计算量.     

基于学生人体检测的无感知课堂考勤方法

针对基于人脸识别的课堂考勤系统漏检和低识别率的问题,采用主、从双摄像机设备,提出一种联合学生人体检测和人脸角度筛选的方法。首先通过Mask R-CNN算法检测主摄像机拍摄图中的学生人体位置;然后控制从摄像机（PTZ相机）依次获取每位学生的高质量放大图像;再通过MTCNN算法和FSA-Net算法从中检测并识别出人脸姿态,筛选出每位学生的正脸图像;最后对筛选出的学生正脸图像使用FaceNet算法提取人脸特征,用于支持向量机（SVM）分类器的训练或识别。实验结果表明,与Tiny-face算法相比,人体检测算法在重叠比（IOU）为0.75时平均精度（AP）值提高了约36%且检测耗时减少了57%;与建立多姿态人脸数据库的方法相比,采用人脸角度筛选的方法使识别率提高了4%;多数情况下整个课堂学生识别的准确率接近100%。所提方法简化了学生注册过程,提高了人脸识别率,为解决人脸漏检问题提供了新的思路。     

新闻视频显著人脸检索系统

该文针对新闻视频设计并实现了一个显著人脸检索系统。首先将新闻视频分割成镜头序列,利用训练好的CascadeAdaboost人脸检测器对每个镜头检测出一定数目的候选人脸,按照一些规则选取可信度高的作为样本,用于提取该镜头内的肤色模型。接着对肤色分割后的区域进行位置、大小分析和模板匹配,以淘汰非人脸区域,确定待跟踪的对象列表。为了做精确的跟踪和识别,系统对每个跟踪对象建立更细致的肤色模型。跟踪过程中每间隔一定帧数重新进行人脸检测,以减少误差积累和探测是否有新人脸出现。最后从每个人脸序列挑选最适合进行人脸识别的图像建立其特征脸空间,结合肤色信息和PCA算法判断其是否为要检索的目标人脸。     

基于局部融合特征与分层增量树的快速人脸识别算法

传统的人脸识别模型采用离线方式进行训练,同时由于人脸特征维数较高导致算法的实时性不足。文中分别从人脸特征与分类器两方面来构建快速的人脸识别算法。首先使用 SDM(Supervised Descent Method)算法进行人脸特征点定位,提取每个人脸特征点邻域内的局部(Multi Block-Center Symmetric Local Binary Patterns,MB-CSLBP)特征,并将所有的人脸特征点邻域特征以串联的方式构成局部融合特征,即所提出的局部融合MB-CSLBP特征LFP-MB-CSLBP(Local Fusion Feature of MB-CSLBP)。将以上特征送入分层增量树HI-tree(Hierarchical Incremental tree)中进行人脸识别模型的在线训练。分层增量树是使用分层聚类算法来实现增量式学习的,因此其能够以在线的方式对识别模型进行训练,具有较高的实时性与准确性。最后在3种不同的人脸库以及摄像头采集的人脸视频上对算法的识别率与实时性进行测试。实验结果表明,相比于当前其他算法,所提算法具有较高的人脸识别率与实时性。     

基于学生人体检测的无感知课堂考勤方法

针对基于人脸识别的课堂考勤系统漏检和低识别率的问题，采用主、从双摄像机设备，提出一种联合学生人体检测和人脸角度筛选的方法。首先通过Mask R-CNN算法检测主摄像机拍摄图中的学生人体位置；然后控制从摄像机（PTZ相机）依次获取每位学生的高质量放大图像；再通过MTCNN算法和FSA-Net算法从中检测并识别出人脸姿态，筛选出每位学生的正脸图像；最后对筛选出的学生正脸图像使用FaceNet算法提取人脸特征，用于支持向量机（SVM）分类器的训练或识别。实验结果表明，与Tiny-face算法相比，人体检测算法在重叠比（IOU）为0.75时平均精度（AP）值提高了约36%且检测耗时减少了57%；与建立多姿态人脸数据库的方法相比，采用人脸角度筛选的方法使识别率提高了4%；多数情况下整个课堂学生识别的准确率接近100%。所提方法简化了学生注册过程，提高了人脸识别率，为解决人脸漏检问题提供了新的思路。