人脸图像的LTP特征提取

人脸特征提取是人脸识别过程中的关键步骤.基于局部二值模式(LBP)理论,尝试了一种基于局部三值模式(LTP)纹理特征提取方法.在一个窗口中将邻域像素值与中心像素值和阈值t的和差进行比较,从而根据像素不同位置进行加权求和求出LTP正负值,即可求得灰度值,最终得到LTP特征提取结果.在MATLAB软件平台上进行了算法仿真,实验结果表明,与基于LBP局部纹理描述的算法相比,基于LTP局部纹理描述的算法具有更强的判别能力,特别是对于统一区域的噪声具有更强的鲁棒性.     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

人脸图像特征点眼睛的定位与提取

采用类间方差分析法对人脸图像进行二值化处理后，得到轮廓清晰连续的边缘图像，能较准确地对眼睛特征点进行定位与提取。     

块匹配算法在基于MPEG-4的人脸特征提取中的改良及应用

首先对视频内容进行了分析,针对不同人脸的光照效果和色度变换效果做了平滑处理,以减少灰度突变区域。然后运用匹配算法进行像素匹配。为减小计算量,添加了特征点位置约束关系和梯度约束关系的限制,同时改进了相关系数的计算方法,这样不仅有效提高了匹配准确度,同时还减少了计算复杂度。试验证明匹配效果显著,而且计算量没有增加。     

基于二维人脸图像的特征提取技术研究

针对目前人脸识别中特征提取的技术特点,提出了一种基于二维人脸图像的特征提取方法,利用肤色分析及灰度投影对二维人脸的关键特征点进行定位、分析并提取.经实验证明,此方法能够对人脸区域的特征点实现准确、可靠的定位.     

基于彩色分量双重鉴别相似性的人脸特征提取

针对当前人脸彩色图像鉴别特征提取方法存在特征鉴别能力低、识别效果差等问题,提出基于彩色分量特征层双重鉴别相似性分析的人脸图像鉴别特征提取方法.通过使用人脸彩色图像中各个彩色分量数据和不同彩色分量数据集之间的相关性进行特征层鉴别相似性分析,并设计了R、G和B三个彩色分量图像数据集鉴别特征提取流程.仿真结果表明:CM-DDSA方法保留了三个彩色分量特征之间的平均相似性,同时在很大程度上提升了特征鉴别能力以及识别效果.     

基于流形学习的图像特征提取算法

特征提取是模式识别领域一个重要的研究分支,已被应用于多个领域,图像的特征提取是完成图像识别和检索等工作的首要任务,基于学习方法的图像特征提取取得了良好效果,然而,线性学习方法提取图像特征仍然存在局限性,如人脸图像、姿态、光照及表情变化使图像表现出复杂的非线性特性,最近提出的流形学习被认为是进行非线性特征提取的有效方法,...     

基于三维解剖知识库的医学图像分析

提出了一种全新的基于知识的医学图像分析和理解的方法。该方法利用专 知识建立一个３Ｄ的解剖知识库,并提出了以适形变换的方法来解决标准的特异之间的矛盾,用这一方法可指导对任意方向图像的识别和理解。     

人脸检测中的图像光照处理研究

在人脸检测过程中,由于光照条件的不同对人脸的检测结果影响很大.提出了一种基于灰度统计模型的对数变换和局部归一化相结合的复合光照处理算法,并且有效的消除了局部归一化所产生的虚假边界.该算法不仅可以调节光照条件较差的图像,对于光照条件较好的图像,也产生较少负面作用.通过与其他常用的一些光照调节方法也做了相应的比较,实验表明,此算法能有效地改善图像质量,减少不同光照条件对人脸检测准确率的影响.     

基于扩展二维不变矩的三维人脸特征提取

将二维不变矩理论和算法扩展应用于三维人脸特征提取的研究,在对三维人脸模型进行预处理及网格归一化的基础上,建立了具有平移、比例和旋转不变性的三维人脸模型的Zernike矩不变量特征表示,并基于距离可分性设计了一种特征评价测度,对所提特征和深度特征进行了对比评价。多姿态三维人脸数据库的实验结果表明,三维人脸模型的Zernike矩不变量特征具有对不同姿态人脸模型鲁棒、可分性强等优点。     

基于图像分块的FDA人脸识别方法

提出了一种基于图像分块的FDA(Fisher linear discriminating analysis)人脸识别方法,该方法首先对原始图像进行分块,再对分块得到的子图像利用FDA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。在ORL人脸库上用单训练样本取得了90.83%的识别结果。     

基于低秩表示投影的无监督人脸特征提取

为了构造数据之间的自适应邻接图,同时克服稀疏表示系数和协同表示系数互相独立、提取全局信息弱的缺陷,提出采用低秩表示(low-rank representation, LRR)系数构造权重矩阵的流形学习算法,即低秩表示投影(low-rank representation projections, LRRP)和判别低秩表示投影(discriminative low-rank representation projections, DLRRP)。在新算法中,将低秩表示系数表征的样本之间的邻接关系保留在特征空间;同时利用低秩系数的聚类性质,在优化目标中加入类内散度最小化项,计算出具有判别性的投影矩阵。试验结果表明,在真实人脸图像库上与其他几种流形学习算法相比,LRRP和DLRRP能够取得更好的识别率。提出的新算法是有效的特征提取算法,能够丰富流形学习框架。     

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高     

基于运动学动态图的人体动作识别方法

为了识别RGB-D视频中的人体动作,针对视频中运动信息利用不充分的问题,提出了一种基于运动学动态图的人体动作识别方法。首先利用RGB视频序列和对应的深度图序列生成场景流特征图,基于场景流特征图计算运动学特征图序列,其中包含丰富的运动信息;使用分层排序池化将运动学特征图序列编码为运动学动态图,同时将RGB视频序列编码为外观动态图,最后将运动学动态图和外观动态图输入到双流卷积网络进行人体动作识别。结果表明:基于运动学动态图和双流卷积网络的人体动作识别方法融合了外观信息和运动信息,不仅充分表征了视频的动态,而且使用了视频中具有丰富运动信息的运动学特征;在公开的数据集上对本方法进行验证,在M2I数据集和SBU Kinect Interaction数据集的动作识别率分别为91.8%和95.2%。     

基于局部区域LBP特征的人脸识别研究

传统的LBP方法往往分散特征区域所表达的信息,提出一种基于局部区域LBP特征（Local Binary Pattern,局部二值模式）提取的人脸识别方法。用积分投影法在表情图像上定位出眉毛、眼睛、鼻子和嘴巴这些特征点的位置,根据这些特征点的位置确定这些特征部件所在子区域,然后对这些子区域进行不同的分块,提取各子区域的局部LBP直方图,按顺序把它们连结成一个特征直方图序列。实验结果表明：局部区域LBP方法与传统的LBP方法相比有很强的人脸表情特征识别能力,能够更准确地提取面部局部区域的表情信息。     

基于人脸色温的拼接图像篡改检测

针对人脸拼接篡改图像,提出一种判断人脸合成的图像篡改检测方法。以人脸作为检测目标,利用目标检测技术,对图像中的人脸进行定位后估计人脸色温,然后估计参考色温,计算人脸色温与参考色温的色温距离,找出色温异常的检测目标视为篡改目标,并用该算法定位出篡改目标的精确位置。实验结果验证了该算法具有的有效性。     

基于皮肤模板和改进HMM的自动人脸识别系统

介绍一种基于隐马尔可夫模型(hidden Markov module,HMM)的人脸识别系统,该系统对人脸采用普通网络摄像头实时检测,通过皮肤模型进行背景去除,并用改进后的HMM算法进行识别. 实验结果表明,改进后的HMM算法能提高原HMM算法的准确率,采用皮肤模板对检测到的人脸进行精确定位后,进一步提高了识别算法的准确度.     

人脸识别中基准点的选取与特征点定位

提出了一种基准点选取的新方法,为实现不同性别人脸图像的识别开辟了一条可行之路,还提出了去除眼镜对眼域定位影响的“峰定位法”,为解决戴眼镜人脸图像的识别问题提供了一个行之有效的方法．实验表明,文中方法对特征点定位准确,速度快．     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

基于深度特征聚类的海量人脸图像检索

针对海量人脸图像数据库检索时长的问题,提出了一种基于深度特征聚类的海量人脸图像检索算法.该算法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸图像分类训练,在此基础上采用三元组损失方法对已训练好的人脸图像分类网络模型进行微调,使得网络能够更加有效地提取人脸图像的高层语义特征,构建更具有表征性的人脸图像深度特征.其次采用K-means聚类算法对提取的人脸图像深度特征进行聚类,使得同一个人的人脸图像能够划分到同一簇中,然后在相应的簇中进行人脸图像的深度特征相似度匹配执行人脸图像检索任务.为了进一步提高系统的检索性能,提出人脸图像深度特征融合的查询扩展方法,对待检索的人脸图像深度特征进行融合再次执行检索任务得到最终的检索结果.通过在两个人脸检索数据集(Celebrities Face Set和Labeled Faces in the Wild dataset)上进行详尽实验验证,结果表明,该算法能极大地缩小海量人脸图像数据库的检索范围,在保证一定准确率的前提下有效地提高了人脸图像检索的速度.