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.     

基于个人特征脸图像重构的人脸识别

传统的基于PCA(Principal component analysis)的人脸识别方法产生的人脸特征子空间通常是由人脸库中的所有训练样本产生的,此子空间包含的更多的是所有人脸样本的共性特征,而忽略了人脸的一些个性特征.本文提出了一种基于PCA图像重构的人脸识别方法,该方法以单个人的类内协方差矩阵为特征脸产生矩阵,获取个人的人脸特征子空间,然后将待识别图像对每个特征子空间进行映射提取人脸图像主成分,并以此主成分进行图像重构,采用最小重构误差作为判据实现人脸的识别,最后基于ORL及Yale人脸数据库,实验验证了该方法的有效性.     

基于PCA的人脸识别系统的研究与实现

人脸识别技术是人脸识别系统以人脸图像作为识别身份的媒介。研究了PCA算法的原理,基于matlab平台实现了人脸识别系统。该系统在对图像进行预处理的基础上,以ORL人脸库中部分图像为样本,采用K-L变换计算训练样本特征值及特征向量,得到特征脸向量,进而计算测试样本投影到特征脸空间的坐标系数,最后分类识别得出结果。实验证明该系统识别率较高,对实际应用有一定的参考价值。     

基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

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C＋＋和OpenCV的人脸识别系统的设计与实现

人脸识别是通过对人的脸部特征信息进行身份识别的一种生物识别技术.研究现实基于人脸识别的身份验证系统具有重要意义.提出一种基于C＋＋和OpenCV的人脸识别系统的设计与实现方法.系统实现的功能模块包括人脸图像采集、图像预处理、人脸检测与定位、人脸特征提取与识别、人脸数据库管理等.系统中人脸检测采用基于Haar-like特征的Haar 分类器,人脸识别采用Eigenfacae算法.系统经过运行测试,结果表明该系统能够满足一般的基于人脸识别的身份验证需求.     

基于深度学习的人脸识别

人脸识别是图像领域的经典问题。为解决目前人脸识别中普遍存在的识别精度不高、特征点估计较为粗糙等问题,提出一种基于ResNet卷积神经网络(R-CNN)的人脸识别方法。该方法利用人脸特征探测器有效地提取了人脸特征,同时将R-CNN用于二维人脸识别,建立了人脸识别模型。实验采集了400张目标脸图片,并将其与人脸库中的1 000张样本进行混合。R-CNN模型共训练了130轮,能在摄像头中识别目标脸。在训练了80轮之后,模型准确率达到了90%以上,识别效果较好。相较于传统的人脸识别方法,该方法结合了深度学习方法,具有较高的识别率。     

人脸图像识别系统设计

人脸识别技术在生产、生活中的应用日益增多,本文设计并实现了一套准确快速的人脸图像识别系统.利用图像处理和计算机视觉相关算法,判断图像中是否有人脸,并给出存在人脸的数量和位置,以及建立人员身份信息简历SQL数据库,然后基于PCA及BPNN等算法来提取图像特征并通过脸与脸的匹配度进行识别.     

尺度不变单样本人脸识别方法

人脸识别是近年来图像处理、模式识别等领域的研究热点,但其面临的小样本空间、图像旋转、尺度变化等难题一直制约着人脸识别技术的发展与应用。为此,提出一种针对单样本人脸识别,提取尺度不变特征和样本脸进行匹配的识别方法:通过提取并匹配人脸图像的尺度不变特征得到特征点匹配关系,用以估计和校正图像间的旋转、尺度变化,并得到相对输入人脸图像尺度、旋转不变的样本脸,再使用子区域归一化互相关算法快速计算样本脸与输入图像之间的匹配程度,最后基于联合判决器综合特征点、样本脸两级匹配置信度综合判定识别结果。该方法有效结合了SIFT尺度不变特征对于旋转、尺度和光照变化稳定不变的优势,对于弱纹理图像也能够有效识别,具有较强的鲁棒性和适应性。     

一种正面人像识别的方法

本文给出了一种正面人像识别的方法。利用活动轮廓模型进行人像处理，自动提取人脸轮廓，再利用特征脸谱描述人像间的差异信息，将人脸图象唯一地映射到由特征脸谱构造的“人脸差空间”中去，通过比较人脸图象在该空间中的位置来识别。     

Independent component analysis in a local facial residue space for face recognition

In this paper, we propose an Independent Component Analysis (ICA) based face recognition algorithm, which is robust to illumination and pose variation. Generally, it is well known that the first few eigenfaces represent illumination variation rather than identity. Most Principal Component Analysis (PCA) based methods have overcome illumination variation by discarding the projection to a few leading eigenfaces. The space spanned after removing a few leading eigenfaces is called the “residual face space”. We found that ICA in the residual face space provides more efficient encoding in terms of redundancy reduction and robustness to pose variation as well as illumination variation, owing to its ability to represent non-Gaussian statistics. Moreover, a face image is separated into several facial components, local spaces, and each local space is represented by the ICA bases (independent components) of its corresponding residual space. The statistical models of face images in local spaces are relatively simple and facilitate classification by a linear encoding. Various experimental results show that the accuracy of face recognition is significantly improved by the proposed method under large illumination and pose variations.     

一种应用于人脸识别的插值降维方法

类似于通过求解图像协方差矩阵特征值所得到的特征脸方法，提出在双三次插值得到图像降维基础上，再进行线性鉴别分析(LDA)的插值脸方法，从而得到鉴别矢量集，实现人脸图像识别，试验结果显示，插值脸方法比普遍采用的特征脸方法效果更好．所提出的思想方法对于人脸识别的理论研究和工程应用具有较大价值．     

基于Eigenfaces方法的人脸检索

基于主成分分析的特征脸方法是人脸识别中的重要算法之一,本文提出利用特征脸对高考考生免冠照片进行相似度比对的检索方法,为验证提出方法的实用性和有效性,利用特征脸方法和考生照片库设计了人脸图像检索原型系统并进行了实验,实验结果表明本文方法能够有效检索出相似度较高的考生照片,具有一定的应用价值和研究意义。     

基于描述特征的人脸识别研究

针对基于主成分分析识别人脸存在计算复杂、不能准确地估计训练图像的协方差矩阵等问题,提出了一种基于描述特征的人脸识别算法(Expressive feature face recognitionalgorithm, EFFRA).该算法用训练图像的右奇异向量代替PCA求解的子空间的基向量,避免了将人脸图像转换成图像向量,明显降低了计算复杂性.进一步研究发现,EFFRA提取的每一个主成分向量中含有冗余,在此基础上,利用PCA实现了EFFRA的简化算法(MEFFRA),在ORL和Essex数据库上的实验结果表明,EFFRA及MEFFRA明显优于特征脸算法,MEFFRA的识别精度略好于EFFRA,但明显减少了对存储空间的需求.     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

Real-time face tracking and recognition by sparse eigentracker with associative mapping to 3D shape

This paper proposes a novel framework of real-time face tracking and recognition by combining two eigen-based methods. The first method is a novel extension of eigenface called augmented eigenface and the second method is a sparse 3D eigentemplate tracker controlled by a particle filter. The augmented eigenface is an eigenface augmented by an associative mapping to 3D shape that is specified by a set of volumetric face models. This paper discusses how to make up the augmented eigenface and how it can be used for inference of 3D shape from partial images. The associative mapping is also generalized to subspace-to-one mappings to cover photometric image changes for a fixed shape. A novel technique, called photometric adjustment, is introduced for simple implementation of associative mapping when an image subspace should be combined to a shape. The sparse 3D eigentemplate tracker is an extension of the 3D template tracker proposed by Oka et al. In combination with the augmented eigenface, the sparse 3D eigentemplate tracker facilitates real-time 3D tracking and recognition when a monocular image sequence is provided. In the tracking, sparse 3D eigentemplate is updated by the augmented eigenface while face pose is estimated by the sparse eigentracker. Since the augmented eigenface is constructed on the conventional eigenfaces, face identification and expression recognition are also accomplished efficiently during the tracking. In the experiment, an augmented eigenface was constructed from 25 faces where 24 images were taken in different lighting conditions for each face. Experimental results show that the augmented eigenface works with the 3D eigentemplate tracker for real-time tracking and recognition.     

基于LNMF分解的人脸识别

人脸识别在模式识别领域的发展和应用方面都有着重要意义,目前是一个非常活跃的研究方向。在基于子空间方法的人脸识别中,提出用局部NMF方法提取人脸子空间特征,该方法能够提取图像的局部特征信息,有利于提高人脸识别率。文章将Bagging思想用于神经网络,进一步提高神经网络的分类准确率和泛化能力。     

一种人脸图像光照补偿的新方法

光照的变化容易引起人脸识别率急剧下降,针对这一难题,提出一种新的光照补偿的方法.首先通过构造原人脸图的二值图,确定出原图所属的光源方向.在除正面光源外的每个光源方向上构造出通用的平均亮度差值来进行光照补偿.结合去掉三个特征值最大的PCA特征向量的方法进行识别.实验表明,这种方法能够显著提高光照变化条件下的人脸识别率,特别是对于光照条件大范围变化的情况,也可以得到比较高的正确识别率.