结合Gabor特征和深度信念网络的人脸姿态分类

针对多姿态人脸图像分类存在的困难,提出了一种基于Gabor特征和深度信念网络(DBN)的近邻元分析(NCA)方法,通过提取Gabor多姿态人脸图像的尺度图并将其进行融合,从而对多姿态人脸图像具有较好的区分度,利用融合后的特征图来训练样本并作为深度信念网络的输入图像,结合NCA分析对训练样本进行线性变化以寻找到一个更有利于类别分类的线性子空间,提供足够大的数据集来估算模型参数进而对多姿态人脸图像进行分类.对ORL人脸数据集测试结果表明,多姿态人脸分类数据量为1616和2432之间时的平均分类正确率分别为86.67％、84.00％、90.67％和86.67％,与PCA、LDA和RCA三种算法相比,其分类准确率都得到了提高,实验结果验证了这种针对多姿态人脸图像的分类算法的有效性.     

基于多特征联合稀疏表示的人脸识别方法

针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。三种特征从线性、非线性以及非负表示三种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对三种特征进行综合决策,考察它们的内在关联。最后,基于三种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。     

人脸与虹膜特征层融合模型的研究

多生物特征的融合与识别可提高身份识别系统的整体性能.本文在研究特征层融合的基础上,结合二维Fisher线性判别分析(2-Dimensional Fisher Linear Discriminant Analysis,2DFLD),提出了一种人脸与虹膜特征融合与识别模型.首先,对人脸图像与虹膜图像分别进行压缩降维处理,得到相应的初始特征矩阵.然后将人脸与虹膜的初始特征矩阵进行组合,获得组合特征矩阵.同时,利用2DFLD算法对组合特征矩阵进行融合,获得了人脸与虹膜的融合特征.最后运用最小距离分类器进行识别.基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy of Sciences,Institute of Automation)虹膜数据库的实验结果表明,该模型实现了特征层融合,不仅克服了"小样本"效应,而且有效提高了身份识别的正确识别率,为多生物特征身份识别提供了一种有效模型.     

融合整体和局部信息的三维人脸识别

针对三维人脸识别中单一特征信息不足,采用一种基于整体信息和局部信息相融合的识别算法,以提高识别率。首先将预处理的三维点云用多层次B样条曲面拟合,获取精确的人脸曲面拟合函数,将控制点映射为深度图像,并根据人脸曲面函数和生理特征提取过鼻尖的中分轮廓线和水平轮廓线;其次对深度图像采用二维主元分析(2D-PCA)算法提取整体信息,对轮廓线采用改进的ICP算法匹配,作为局部信息;最后用加权求和法在决策级进行信息融合。采用CASIA3D人脸库完成识别测试,实验结果表明,本文算法明显优于单一特征信息下识别算法,且对姿态有较好的鲁棒性,同时不增加算法复杂度。     

采用决策层融合的人脸语音识别技术

在信息融合的基础上提出采用基于决策层融合的多生物特征识别技术.对人脸图像采用基于主成分分析(PCA)与线性判别分析(LDA)结合的识别方法;对语音信息采用基于Mel倒频谱系数(MFCC)与混合高斯模型(GMM)的识别方法.将人脸识别子系统和语音识别子系统的输出结果作为决策层支持向量机(SVM)的输入,经过线性核函数SVM分类器融合后得到最终结果.该方法有效的提高了系统的识别率.     

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。     

基于Gabor小波与RBF神经网络的人脸识别新方法

在人脸识别中,高维、小样本是一个问题.对此,提出了一种基于Gabor小波与径向基函数(RBF)神经网络的人脸识别方法.首先对人脸进行Gabor滤波,选取有效的Gabor组合.进行小波分解,获取低频图像,构造特征矢量,采用主分量分析降低特征维数.接着,提出了一种聚类方法用于确定RBF神经网络的结构和初值,采用混合学习法训练RBF神经网络.用ORL人脸库进行试验,结果表明本文提出的方法具有优秀的学习效率和识别效果.     

基于摄像头PTZ控制的人脸识别

提出一种基于PTZ(Pan,Tilt,Zoom)摄像头的人脸识别方法.该方法根据人脸中心位置坐标,计算得到PTZ摄像头的运动参数,控制PTZ摄像头旋转,使人脸中心位置与摄像头的视野中心重合,然后将几何特征和PCA(Principal Component Analysis)提取的特征在特征级进行融合,把融合后的特征作为人脸识别的特征.实验表明,该方法能够减少单一特征的人脸识别的不足,显著提高识别率,且能识别出大范围内的人脸.     

基于RBF网络和贝叶斯分类器融合的人脸识别方法

提出一种基于径向基函数(RBF)网络和贝叶斯分类器的人脸特征分类与识别算法,以提高小样本人脸识别精度.通过基于聚类方法的RBF神经网络和贝叶斯分类器融合设计实现人脸图像的分类识别.实验数据分析表明,该方法在人脸骨骼特征突出情况下具有较高的识别率.文中提出的分类器融合的识别方法具有良好的学习效率和识别精度品质指标.     

基于人脸区域特征相关性的视频流人脸识别研究

目前,基于深度学习提取人脸特征进行人脸静态图片识别的方法,在Labeled Faces in the Wild(LFW)数据集等标准集上的正确识别率几乎接近人类.但是,在视频流中,由于人体的不停运动和姿态偏移等问题,导致检测到的部分人脸区域严重模糊和不完整,如监控系统中的人脸.这种情况下,单纯地采用基于图片的人脸识别方法,准确率会严重下降.在基于视频流的人脸区域提取时,本文提出采用单张人脸区域图像的特征自相关指标来衡量人脸的姿态以及模糊状况,针对连续多帧中人脸区域图像存在的信息冗余,提出利用连续多帧中人脸区域图像的特征互相关指标来衡量视频流中人脸区域的变化程度.基于提出的自相关指标与互相关指标,本文提出并实现了视频流中适用于识别的人脸区域图像的选取算法,以及加权投票的人脸识别算法.研究中收集并制作了基于视频流的人脸数据集,验证了本文提出算法的可行性.实验表明,本系统在有较高的识别率的同时,大幅度降低了人脸识别计算量,使得人脸识别可在视频流中实时稳定地进行.     

基于筛选深度特征的红外图像目标识别方法

红外成像是现代战场侦察的重要手段,基于红外图像的目标识别技术可为情报解译提供重要支撑。针对红外图像目标识别,提出基于筛选深度特征的方法。设计适当结构的ResNet对红外图像进行特征学习,对于每个卷积层的输出特征图进行矢量化处理,获得相应的特征矢量。针对各个特征图的深度特征矢量,基于斯皮尔曼等级相关系数评价它们与原始图像的相关性。然后,通过门限判决算法选取若干具有高相关性的深度特征。经过筛选得到的深度特征可剔除了不必要的冗余成分,从而提升后续分类的精度和稳健性。采用联合稀疏表示模型对筛选得到的若干深度特征进行表征和分类,最终获取待识别样本的所属类别。因此,方法可有效结合ResNet多层次深度特征的鉴别力,从而提高最终的识别性能。实验在公开的中波红外目标图像数据集（MWIR）开展,利用原始测试样本、模拟噪声样本和模拟遮挡样本对方法性能进行测试和分析。实验结果表明:相比现有的部分红外目标识别方法,提出方法可取得更强的有效性和稳健性。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

Improving Deep Learning Feature with Facial Texture Feature for Face Recognition

Face recognition in the reality, is a challenging problem, due to varieties in illumination, background, pose etc. Recently, the deep learning based face recognition algorithm is able to learn effective face features to obtain a very impressive performance. However, this kind of face recognition algorithm completely relies on the machine learning based face features, while ignores the useful experience in hand-craft features which have been studied in a long period. Therefore, a face recognition based on facial texture feature aided deep learning feature (FTFA-DLF) is proposed in this paper. The proposed FTFA-DLF is able to combine the benefits of deep learning and hand-craft features. In the proposed FTFA-DLF method, the hand-craft features are texture features extracted from the eyes, nose, and mouth regions. Then, the hand-craft features are used to aid deep learning features by adding both deep learning and hand-craft features into the objective function layer, which adaptively adjusts the deep learning features so that it can better cooperate with the hand-craft features and obtain a better face recognition performance. Experimental results show that the proposed face recognition algorithm on the LFW face database to achieve the accuracy rate of 97.02%.     

色度马氏距离图与灰度图特征自适应融合的彩色人脸识别

色彩提供了比灰度更为丰富的信息,鉴于彩色人脸图像所包含的鉴别信息远多于灰度人脸图像,将色度马氏距离图引入彩色人脸识别中.基于YCbCr颜色空间,分离彩色人脸图像的色度与亮度信息,构建出基于色度信息的马氏距离图,同时分离出基于亮度信息的灰度图.提出一种色度马氏距离图与灰度图特征自适应融合的人脸识别算法.分别构造出色度马氏距离图与灰度图的基于小波包结点能量的归一化特征向量,采用多种融合策略进行特征融合,并根据融合效果自适应地选取特征融合参数,构造出最佳的鉴别特征向量,实现色度与亮度特征的互补.使用基于方差相似度的分类器获得人脸识别结果.实验表明:该算法识别率高、鲁棒性好.     

基于多模态融合的2D MR脑肿瘤图像分割算法研究

针对不同模态MR脑肿瘤图像呈现的肿瘤状态差异以及卷积神经网络(convolutional neural networks, CNNs)提取特征局限性的问题,提出了一种基于多模态融合的MR脑肿瘤图像分割方法。分割模型以U-net网络为原型,创新一种多模态图像融合方式以加强特征提取能力,同时引入通道交叉注意力机制(channel cross transformer, CCT)代替U-net中的跳跃连接结构,进一步弥补深浅层次的特征差距与空间依赖性,有效融合多尺度特征,加强对肿瘤的分割能力。实验在BraTS数据集上进行了多目标分割结果验证,通过定量分析对比前沿网络分割结果,表明该方法确有良好的分割性能,其分割出三种肿瘤区域的Dice系数分别达到80%、74%、71%。     

基于多特征融合的弱小目标检测方法研究

提出了一种基于多特征距离图的红外弱小目标检测方法。弱小目标的许多特征,如局部熵、平均梯度强度等,不但刻画了弱小目标的特点而且易于提取。通过特征融合技术,可以将弱小目标检测问题转化成在一个多特征空间的极值求取问题。该方法利用已经提取的多个特征,采用特征融合技术构造一个距离图像,再对该图像进行二值化处理,达到目标检测的目的。通过对实际的红外图像序列进行小目标检测,验证了所提方法的可行性和有效性。     

基于SVM和HOG的人脸检测算法

本文提出了一种基于支持向量机和方向梯度直方图的正面人脸检测方法。支持向量机通过学习方向梯度直方图特征来选取支持向量,然后根据这些支持向量构建最优分类面。实验使用的训练样本和测试样本从CMU的PIE多姿态和多光照人脸数据库中选取,样本大小被标准化为20＆#215;20像素。检测系统选用的分类器是支持向量机,其核函数是线性的。选用的特征是Navneet Dalal和Bill Triggs在行人检测问题上提出的方向梯度直方图。训练好的分类器在测试集合上的检出率为92%。在CMU＋MIT正面人脸测试集合上也取得了较好的结果。实验结果表明,本文提出的方法在人脸检测问题上是比较有效的。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

Face anti-spoofing based on multi-modal and multi-scale features fusion

Face anti-spoofing is used to assist face recognition system to judge whether the detected face is real face or fake face. In the traditional face anti-spoofing methods, features extracted by hand are used to describe the difference between living face and fraudulent face. But these handmade features do not apply to different variations in an unconstrained environment. The convolutional neural network (CNN) for face deceptions achieves considerable results. However, most existing neural network-based methods simply use neural networks to extract single-scale features from single-modal data, while ignoring multi-scale and multi-modal information. To address this problem, a novel face anti-spoofing method based on multi-modal and multi-scale features fusion ( MMFF) is proposed. Specifically, first residual network ( Resnet )-34 is adopted to extract features of different scales from each modality, then these features of different scales are fused by feature pyramid network (FPN), finally squeeze-and-excitation fusion ( SEF) module and self-attention network ( SAN) are combined to fuse features from different modalities for classification. Experiments on the CASIA-SURF dataset show that the new method based on MMFF achieves better performance compared with most existing methods.