一种3D眼镜虚拟试戴系统的实现

针对人脸图像试戴3D眼镜过程中存在的镜腿遮挡人脸问题,文中提出一种基于人脸图像的3D眼镜虚拟试戴技术。利用构建的人脸形状的三维模型,使其在虚拟试戴中对镜腿起到消隐作用,解决镜腿的遮挡问题。文中对输入的人脸图像进行关键点检测,结合Graham扫描法求得人脸形状的凸多边形,利用平移扫描构建人脸形状的三维模型。此外,文中根据定位人脸图像上的关键点以及姿态估计后对三维眼镜模型的变换,将眼镜模型佩戴到人脸图像上。实验结果表明,该方法对于多视角的人脸图像实现了虚拟试戴效果,解决了多种视角下人脸图像试戴过程中镜腿的遮挡问题,虚拟试戴中镜腿遮挡平均准确率为94.5%,遮挡精度较高。     

面向人脸识别的口罩区域修复算法

遮挡下的人脸识别一直是现实场景中的一个难题。特别是新冠肺炎疫情爆发后,在机场、车站等需要鉴别入场人员身份信息的场所,口罩遮挡使得可供识别的面部特征大幅减少,原有的人脸识别算法准确率随之下降。对去除口罩遮挡进行了研究,提出了一个新的框架修复人脸,利用边缘生成网络还原遮挡区域的边缘,在此基础上再利用区域填充网络恢复被遮挡的人脸,同时保留身份信息。为提升模型的性能,提出空间加权对抗损失和身份一致性损失训练上述网络,并利用关键点信息,构建了两个戴口罩的人脸数据集。实验结果表明,恢复被口罩遮挡的人脸的图像使人脸识别算法 ArcFace 的准确率达到 98.39%,比直接采用ArcFace识别遮挡人脸提升了4.13%的准确率。     

基于深度残差网络模型压缩的局部遮挡人脸识别

尽管卷积神经网络使遮挡人脸识别效果有所改善,但随着性能的提高会造成结构复杂、网络参数增加、耗时长的问题。针对此问题,提出一种基于深度残差网络模型压缩的局部遮挡人脸识别方法。首先,采用多任务级联卷积神经网络(MTCNN)对人脸图像进行预处理;其次,选择残差网络作为主体网络,以残差块的卷积层为基本单位,通过结构化剪枝修剪卷积层滤波器,实现对深度残差网络模型压缩的同时移除滤波器输出的特征映射;最后,学习掩码特征去除遮挡损坏的特征元素对人脸进行识别。实验结果表明在准确率影响不大的情况下,网络参数量减少,识别速度有明显的提升。     

基于子模式的人脸局部遮挡智能识别方法

为了提升局部遮挡情况下人脸的识别效率和精度，提出一种基于子模式的人脸局部遮挡智能识别方法。利用自适应小波变换方法多尺度分解人脸图像，基于此，引入小波模极大值算法和Canny算子，有效提取图像边缘特征；引入局部方向纹理模式算子，经过计算获取各个子模式特征值，同时采用边缘返回值确定计算人脸图像纹理特征时的权重分配，将梯度和纹理信息进行融合，实现人脸局部遮挡智能识别。实验结果表明，所提方法的遮挡人脸误识率始终低于0.2%,当遮挡率为25%时，所提方法的人脸识别率仍可达94%,可以为人脸识别的深入研究提供依据。     

基于分区选择和Gabor小波的遮挡人脸识别

局部遮挡人脸识别是人脸识别应用中的一个难点问题.由于遮挡部分对人脸识别没有贡献,因此在进行分类时应排除这些部分.为了解决这一问题,提出一种将分区选择和Gabor小波相结合的遮挡人脸识别方法.首先,将图像分为互不相连的子块,根据图像均方根误差来确定人脸图像中的遮挡区域;其次,利用5尺度8方向的Gabor滤波器对未遮挡分区图像提取特征;然后,用余弦相似度作为纹理分类器对提取的特征进行识别分类;最后,将测试图像中未遮挡分区的识别结果进行决策融合,得到最终分类结果、统计识别正确率等评级指标.在包含不同遮挡的数据集中测试算法性能,识别准确率均达到95%以上.     

基于GAN网络的三维人脸纹理重建技术

在计算机视觉领域,三维人脸重建起着重要的作用,特别是在动画制作、虚拟人脸、人脸识别等领域正被广泛应用。基于单张图片的三维人脸重建,通过使用拟合的模型对图像进行采样,可以创建出面部的UV纹理图。然而通过相机采集到的是单视角的二维图像,存在人脸自遮挡的情况,这导致生成的UV纹理图的信息是不完整的。因此,提出一种针对三维人脸纹理补全问题的条件生成对抗网络,将Unet和部分卷积结合起来作为生成器,从而在纹理修复时可以保留更多的图像信息;判别器中引入SMPatchGAN提高图像判别的真实准确度。实验结果表明,相较于其他算法,所提出的算法取得了较为显著的改进效果,特别是在处于大视角下存在人脸自遮挡问题时,也能重建出精细的三维人脸模型。     

卷积生成对抗网络的人脸识别实现研究

现有的人脸识别器在识别未被遮挡的人脸时取得了优异的效果,但在直接识别遮挡人脸时,精度往往会降低。针对存在遮挡的人脸识别问题,文章根据鲁棒编码进行遮挡人脸重构,使用DCGAN增强样本数据集,并根据GAN的动态博弈原理,采用GoogLeNet作为GAN的判别器,以提高人脸识别的准确率。     

基于奇异值与稀疏表示的稳健性人脸识别

目前基于二维的正面人脸识别面临着两大难题,一是光照、表情变化问题,二是遮挡、噪声问题.这些正是研究人脸表情、光照、遮挡和噪声变化的稳健性人脸自动识别问题.将识别问题看作是多个线性回归模型中的分类问题,并用稀疏表示理论解决这些问题.基于奇异值与稀疏表示理论可以显著提高对噪声和遮挡变化的稳健性并降低计算复杂度.在公用的人脸数据库上进行实验,并证实算法的有效性.     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

遮挡人脸正面图像库的自动生成

深度学习是实现人工智能的有效方法。对于深度学习,训练数据集对其性能有着至关重要的影响。在用深度学习进行遮挡人脸检测时,目前可用的遮挡人脸数据集并不多,为解决这个问题,提出一种自动构建正面遮挡人脸库的方法。该方法首先采用OpenCV级联分类器检测人眼和嘴巴,再根据人脸的生理特征中人眼、嘴与人脸的关系进行人脸定位,最后根据定位参数把人脸抠取下来并保存到指定文件夹。不管人脸的上半脸受遮挡还是下半脸受遮挡,该方法都能够有效地把遮挡的人脸抠取出来。作为验证,采用该方法构建了一个含12 893张遮挡人脸正样本的遮挡人脸库。     

字典学习优化判别性降维的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、面部遮挡等变化而严重影响识别性能的问题,提出了基于字典学习优化判别性降维的鲁棒人脸识别算法。首先,利用经典的特征提取算法PCA初始化降维投影矩阵;然后,计算字典和系数,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合;最后,利用迭代算法输出字典和投影矩阵,并利用经l2-范数正则化的分类器完成人脸的识别。在扩展YaleB、AR及一个户外人脸数据库上的实验验证了本文算法的有效性及鲁棒性,实验结果表明,相比几种线性表示算法,本文算法在处理鲁棒人脸识别时取得了更高的识别率。     

基于平均序列SRC的视频人脸跟踪和识别研究

为了从大字典视频中跟踪和识别人脸,提出了一种基于平均序列的稀疏表示分类端到端识别方法。首先,利用所有可用视频数据和属于同一个人的人脸跟踪帧进行联合优化;然后,将严格的时间约束添加到l1-最小化;最后,运用人脸跟踪中所有单个帧重建各个身份,利用稀疏重建完成人脸分类。在You Tube人脸数据集上的实验验证了本文方法的有效性,在You Tube名人数据集和本文搜集的电影预告片数据集上的实验结果表明,相比几种较为新颖的分类方法,该方法取得了更高的识别精度,并且在拒绝不明身份上的准确率比SVM高8%。     

利用快速加权PCA检测遮挡区域的人脸识别

针对人脸识别中存在遮挡而影响识别性能的问题,提出了一种利用快速加权PCA检测遮挡区域的鲁棒人脸识别算法。首先,利用快速加权PCA检测输入图像的遮挡区域,将其与图库图像的遮挡区域进行比较;然后,利用局部二值模式匹配确定最优权重系数,利用相位相关算法匹配确定遮挡掩码;最后,计算每个测试图像的匹配得分,并利用最近邻分类器完成人脸识别。在FRGC2和UND人脸库上的实验结果表明,本文算法的识别率可高达99.6%,相比其他几种较新的人脸识别算法,本文算法取得了更好的识别性能。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

多级FFD融合超分辨率重建的视频人脸识别

针对视频人脸识别中由于人脸畸变、表情变化等非刚性变化导致无法精确配准和重建的问题,提出一种基于多级自由变形配准的超分辨率重建算法。首先,利用低分辨率FFD网格全局配准,引入边缘配准度量到差平方总和准则;然后,将全局配准后的图像和基准图像划分成一系列对应子图对,使用高分辨率FFD网格对相关系数小的子图对进行局部配准;最后,采用凸集投影算法对多帧低分辨率图像重建SR人脸图像,并利用支持向量机分类器完成人脸识别。在标准视频库Choke Point和自己搜集的人脸视频库上的实验结果表明,在人脸畸变和表情变化很大的情况下,本文算法也能够精确配准和重建人脸图像,相比其它几种视频人脸识别算法,本文算法取得了更好的识别效果。     

混合样本协同表示算法的人脸识别研究

在人脸识别中,人脸图像受到表情、光照、遮挡、姿态变化、特别是训练样本数量的影响,而现实中经常只获得少量的训练样本,由于原始样本生成虚拟样本可以增加训练样本的数量,分析提出原始样本与轴对称样本融合的协同表示算法。首先生成镜像样本与轴对称样本,再在协同表示分类器下分类,最后加权值融合,分析不同权值下的人脸识别率。实验结果显示原始样本、镜像样本与轴对称样本融合能提高识别率,而原始样本与轴对称样本融合的识别率更加优越,较原始样本,识别率提高2%~9%,比原始样本与镜像样本融合高1%~5%。结果表明本文提出方法能有效提高人脸识别率。     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

基于流形学习的遮挡条件下表情识别方法

提出了一种识别遮挡图像表情的方法。先用主元分析(PCA,principal component analysis)算法对遮挡图像重建;然后根据正态分布理论检测出遮挡区域,并根据图像的部分相似性,将遮挡图像嵌入到流形空间中;最后用支持向量机(SVM,support vector machine)实现表情分类。本方法较好地消除了遮挡区检测误差对表情识别的影响,对遮挡图像的表情识别具有良好的鲁棒性。通过Cohn-Kanade和JAFFE人脸库上的表情识别实验,验证了本方法有较强的鲁棒性、较高的识别率和较高的运行效率。     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。