基于AAM关键特征点提取的人脸照片分类方法的研究与应用

主要研究基于人脸局部形状特征分类的方法,首先利用AAM的人脸形状特征点定位算法,提取出有用的人脸特征点,构成人脸下颚形状、眉毛、眼睛、鼻子和嘴巴的局部形状特征;然后采用基于形态面指数和下颚宽指数的ISODATA方法进行自动聚类,实现了百万量级人脸照片库的自动分类,有助于进一步提高人脸识别查询的速度和精度。     

单灰度图像中眼睛定位的人脸位置矫正算法

人脸位置的矫正作为人脸检测定位的一个环节，在计算机人脸识别中具有重要的意义。本文提出了一种基于单人脸灰度图像中眼睛定位的人脸位置矫正方法，用居中度使图像小块居中，用匹配度求取适些小图像块中的两块眼睛的小块，再在小范围内对鼻子、嘴巴部分进行水平灰度投影，然后进行扶正。实验结果表明，该方法对于双眼可见单人脸灰度图像能实现快速有效矫正，并能在矫正结果中精确给出双眼瞳孔位置。     

基于肤色及五官特征的人脸检测方法

本文提出了一种基于肤色及五官特征的人脸检测方法，通过对图片进行一系列的处理。提取出人脸的大致框架，然后通过眼睛、嘴巴的建模，最后得到图片中人脸的比较精确的位置。     

基于人脸识别的移动课堂考勤系统的设计与实现

本移动课堂考勤系统利用了人脸识别技术,在安卓客户端上实现课堂考勤,一键完成实时考勤及考勤统计功能。系统使用基于人脸特征点识别算法,通过对图片切割、人脸特征提取及降维,实现当前人脸信息与人脸数据库信息的匹配,从而实现人脸验证。实验表明,在误差允许范围内,本系统的准确率达到75%。     

基于小波和ICA的面部特征定位

面部特征的定位是自动人脸识别（AFR）系统的重要组成部分,现有主要包括基于先验知识、几何形状、色彩、外观和关联信息五类方法。本文从信号学的角度,提出了一种基于小波和独立分量分析（ICA）的新方法。先对面部图像进行小波分解,提取出主要代表眼睛和嘴巴特征的水平边缘图像,再把说话人在视频流中眼睛的闭合和嘴巴的运动看成是相互独立的运动分量,利用ICA分离出眼基和嘴基,然后分别利用它们来重建人脸图像,从而实现眼睛和嘴巴的定位。     

运用模糊积分进行信息融合的人脸识别方法

提出一种运用模糊积分的原理对整体和局部特征进行融合的人脸识别方法.在实际应用中,现有人脸识别系统缺乏对外界环境进行自适应调节的能力,为此,首先将人脸的关键特征点眼睛,鼻子和嘴巴进行分割,接着采用Fisherface方法对人脸图象进行特征提取和压缩,并建立了三个基于局部特征和一个基于整体特征的分类器,最后利用模糊积分的思想对这些分类器进行融合,将融合后的结果用于人脸识别中.试验表明:该方法能够有效的结合人脸图像的互补信息,提高了识别率.     

基于嵌入式人脸识别考勤系统的设计

设计了基于嵌入式的人脸识别考勤系统。首先进行嵌入式的人脸识别考勤系统的硬件设计。在此基础上进一步确定了Linux系统设计方案,搭建嵌入式的软件系统,然后利用了PCA算法来完成人脸图片的识别。最后利用VS2010进行考勤系统的设计,实现考勤记录的实时查询,从而完成了基于嵌入式的人脸识别考勤系统的设计。     

基于肤色和器官定位的实时人脸检测

基于肤色和器官的人脸检测是视觉监控领域中广泛应用的经典方法,但是辨别每个肤色像素和提取候选区域非常耗时且对噪声敏感,很多时候不能满足实时人脸检测的需要。通过引入肤色单元的概念,提高了该方法的快速性和鲁棒性,最终将其应用于实时视频序列中。首先,采用单元化的方法进行肤色分割,提取出人的肤色部分;接着,根据人脸长宽比例的范围,确定出候选人脸;然后,再对候选人脸区域分别进行眼睛和嘴巴的定位;对眼睛和嘴巴定位之后,我们可以利用眼睛和嘴巴呈倒三角关系的几何特征反过来进行人脸的精确定位。实验结果表明,该方法的识别率较高,并能满足实时视频人脸检测的快速性要求。     

空间加权伪Zernike矩的人脸图像特征提取方法

为了解决人脸图像检索中人脸定位不精确的问题,提出了一种空间加权伪Zernike矩的人脸图像特征提取方法.该方法通过设计的加权函数来强调或突出面部上的关键部位,如眼睛、鼻子,嘴巴等区域的重要性,因而能够对人脸特征进行更精确地提取.仿真实验结果表明,利用空间加权伪Zernike矩进行人脸区域描述时,检索准确率明显优于传统的主成分分析方法和直接伪Zernike矩特征提取方法.     

动态视频人脸考勤方法研究与实现

研究并实现了利用Gabor滤波器和Fisher线性鉴别分析(FLDA)方法的动态人脸识别考勤系统.系统实现的基本思想是运用Gabor变换提取人脸的局部特征和经过Gabor处理后使得人脸对光照变化不敏感;进一步利用FLDA来降维和隐含地提取最有利于分类的最佳鉴别特征;最后将视频采集的考勤图像与训练库中的图像通过比对,得出识别结果.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

基于人脸细节方向特性的识别特征提取

充分考虑到人脸图像的整体和细节特征,进而将人脸的眉毛、眼睛、鼻子和嘴部细节部分的水平方向特性引入到特征提取环节中;将小波变换后的低频近似分量、表达上述水平特性的水平细节分量以及眉毛、眼睛、鼻子和嘴部细节区域分别进行奇异值分解,并对得到的3组奇异值进行排列组合,最终作为该图像的有效识别特征。结果表明,基于人脸细节方向特性的识别特征提取方法的识别率高于在原图上的基本奇异值分解等方法。     

人脸识别中面部图像处理算法研究

在人脸图像定位的前提上,利用灰度信息实现了人脸面部主要器官如眼睛、鼻子和嘴巴的定位。采用双三次插值法对图像进行旋转和缩放。另外,采用直方图增强的方法对图像灰度值进行归一化处理。     

人脸检测系统研究及实现

人脸检测识别因其广阔的应用前景而成为当前模式识别与人工智能领域的研究热点之一。文章对带有人脸信息的24住真彩色BMP文件,通过基于肤色信息的彩色图像分割方法,利用预定的肤色建模知识进行人脸区域检测及区域标定。在此基础上,利用给定的眼、嘴先验信息进行眼、嘴的匹配捡测,并最终实现双眼中心以及嘴的标定,从而实现人脸及其特征信息的检测。     

人脸的层次化描述模型及识别研究

人脸自动识别是一个困难但有重要意义的工作。文中提出了一种基于人脸层次化描述的识别方法。该方法首先对人脸进行快速准确的特征定位及标准化,然后采用主元分析神经网络分别对定位的人脸及其特征区域进行最佳特征提取,从而得到人脸在低分辨率和较高分辨率上的两层特征描述用以识别,具有识别率高、特征数据量适中、可用于大量人像识别等特点。此方法在１３００幅人像上进行了测试,结果表明其在人脸转动、表情变化或入脸未经训练     

基于人脸认知模式的相似脸搜索

目的 人类对人脸认知模式的探索由来已久,并且已经成功应用于美容整形等研究领域。然而,目前在计算机视觉和模式识别领域,计算人脸相似度的方法没有考虑人对人脸的认知模式,使得现有方法的计算结果从人的认知习惯角度来讲并非最佳。为克服以上缺陷,提出一种基于人脸认知模式的相似脸搜索算法。方法 依据人脸认知模式,选取特征点,并计算特征量,构造各面部器官（眼睛、鼻子、嘴巴、脸型）分类模型,即面部器官形状相似性度量模型,并采用圆形LBP算子,计算两幅人脸对应器官的纹理相似度,二者综合作为相似脸搜索的依据。结果 分别用本文方法和代表相似脸搜索最高水平的Face++的方法对80幅正面、中性表情、平视角度拍摄的人脸图像进行测试。本文方法的整体准确率高于Face++方法,其中,TOP1、TOP2最相似搜索结果准确率优势明显,均高出Face++方法12%以上。结论 实验结果表明,本文方法的搜索结果更加符合人脸认知模式,可应用于正面、中性表情、平视角度拍摄的人脸图像的相似脸搜索。此外,还可以将此类基于认知模式的图像搜索思路推广应用于商业领域,如基于图像的相似网购商品搜索等。     

动态时间规整优化局部分块匹配的人脸识别

针对现实人脸识别中姿势、光照、表情变化及遮挡等严重影响识别性能的问题,提出了一种基于动态时间规整优化局部分块匹配的户外人脸识别算法。将人脸图像划分成若干大小相等且互不重叠的局部小块;借助于光栅扫描顺序将各个小块按照前额、眼睛、鼻子、嘴巴和下巴的顺序连接成一个单一序列;计算查询人脸与注册人脸之间图像到类的距离,利用动态时间规整的设计思想寻找查询序列与所有注册序列之间的最佳对齐方式。在三个公开人脸数据库LFW、AR及YouTube上的实验验证了该方法的有效性及可靠性,实验结果表明,相比其他几种较为先进的人脸识别方法,该方法取得了更高的识别率,此外,该方法无需任何训练过程,计算成本低。     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。     

基于迭代多级中值滤波的人脸美化算法

提出了一种基于图像二值化之后利用迭代的非线性多级中值滤波器的人脸美化算法。该算法首先利用二值化算法粗略地分离出人脸图像中的眼睛、鼻子、嘴巴等特征区域;然后对图像中的其它区域进行迭代多级中值滤波处理。通过与其它人脸美化算法实验结果的比较表明,该算法可以较有效地去除人脸图像中的如斑点、皱纹等不理想因素并且保留原图像的特征细节信息。     

Face recognition based on 3D ridge images obtained from range data

In this paper, we present an approach for 3D face recognition from frontal range data based on the ridge lines on the surface of the face. We use the principal curvature, k_max, to represent the face image as a 3D binary image called ridge image. The ridge image shows the locations of the ridge points around the important facial regions on the face (i.e., the eyes, the nose, and the mouth). We utilized the robust Hausdorff distance and the iterative closest points (ICP) for matching the ridge image of a given probe image to the ridge images of the facial images in the gallery. To evaluate the performance of our approach for 3D face recognition, we performed experiments on GavabDB face database (a small size database) and Face Recognition Grand Challenge V2.0 (a large size database). The results of the experiments show that the ridge lines have great capability for 3D face recognition. In addition, we found that as long as the size of the database is small, the performance of the ICP-based matching and the robust Hausdorff matching are comparable. But, when the size of the database increases, ICP-based matching outperforms the robust Hausdorff matching technique.