多核学习融合局部和全局特征的人脸识别算法

提出一种基于词袋模型的新的人脸识别算法.该方法将词袋模型和词袋模型的全局模式分别作为人脸图像的局部特征和全局特征描述,最后使用多核学习方法将二者进行融合.AR、FERET、CMU PIE以及LFW公开人脸数据库上的实验结果表明,本文方法能够更好的解决小样本问题,并且对人脸的表情变化、姿态变化以及面部遮挡具有更优良的鲁棒性.     

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.     

利用肤色信息和几何特征的人脸检测算法研究

针对光照条件对人脸检测的影响,文章提出一种基于肤色信息和几何特征的面部检测算法。首先对图像做光照补偿,然后在肤色类聚良好的YCb Cr空间建立肤色模型。最后依据皮肤颜色信息和人脸几何特点检测出面部区域。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

基于中国行政区划的人脸特征研究

针对中国地域广阔、民族众多的特点．将中国按行政区划分为6个区域，通过三维CCD数字摄像系统对不同区域的人脸进行采样，首次建立起区域性人体面部特征数据库。同时提出了一种几何特征识别模型，结合大量的实验分析和数据处理，从而最终验证了基于不同区域的人脸识别法的可行性和可靠性。     

基于改进的格拉斯曼流形的模糊人脸图像识别

传统算法进行模糊人脸识别的过程中,一旦人脸表情发生变化,人脸特征也将发生改变,导致人脸识别的准确性降低。为此,提出一种基于改进的格拉斯曼流形的模糊人脸识别方法。在格拉斯曼流形上构建全部模糊人脸样本图像的近邻图来估计人脸特征分布的几何结构,然后将其作为正则化项整合到模糊人脸识别的目标函数中,从而获得更精确的人脸特征投影矩阵。仿真实验结果表明,利用改进算法进行模糊人脸识别,能够提高识别的准确率和效率,效果令人满意。     

基于卷积神经网络的跨年龄人脸识别系统研究

对年龄跨度具有鲁棒性的人脸识别系统在实际中具有广泛的应用,年龄的变化对人脸面部特征具有显著的影响,会导致人脸识别的准确率下降。提出一种基于卷积神经网络的跨年龄人脸识别系统,包含人脸检测、人脸预处理、卷积神经网络提取特征、期望最大化(EM)算法和余弦距离等部分。采用EM算法计算出身份特征,使得人脸识别系统对年龄变化具有鲁棒性。在MORPH-II和FG-NET跨年龄数据库中进行仿真实验,验证了人脸识别系统的有效性。     

一种基于肤色和几何特征的人面部识别方法

面部识别的前提条件是场景中人脸的正确定位与分割，因此，本文提出了一种基于肤色及面部几何特征的人脸分割方法，首先利用图像的时间差分方法确定场景中有没有运动物体，然后利用BP神经网络对肤色进行识别，比用HIS或LHC颜色空间中的色调识别肤色的方法具有更强的环境适应能力，最后利用扫描投影算法及面部固有的几何特征定位分割细节特征，实验证明该方法具有定位准确和运算速度快的优点。     

几何性特征的眉毛模型的研究

提出一种新的基于几何性特征的眉毛模型,相比传统的基于眉毛的全局数学特征建立的眉毛模型,它可以直观地描述和反映眉毛的几何外观形状,这种特性在人脸识别等基于面部视觉特征的应用是关键的.首先获取人脸单边眉毛图像并统一归一化尺寸为80×30的大小,使用阈值化和Blob分析得到眉毛归一化的二值图像,然后由二值图像计算眉毛模型的几何参数,包括眉毛区域的面积、长度、平均宽度、弯曲程度和走向趋势等.实验表明,提出的眉毛模型可以准确有效地描述眉毛的几何外观形状.     

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。     

三维人脸特征提取方法综述

有效提取人脸特征是人脸识别技术的关键组成部分。传统的二维图像容易受到光照、姿态及表情的影响,而三维数据被认为具有光照姿态不变性。文中从局部特征和整体特征两个角度,对三维人脸特征提取进行综述,对部分方法进行比较,并分析了方法的有效性,总结了三维人脸特征提取方法的优势和困难。     

基于色彩和纹理特征融合的模糊人脸识别方法

基于纹理特征的方法被广泛应用于人脸识别。然而纹理特征依赖于图像的高频细节信息,当图像出现模糊时,单纯利用纹理特征的识别方法的识别精度会急剧下降。为了克服纹理特征的在模糊人脸识别中的不足,提出了一种基于色彩特征和纹理特征融合的识别方法。首先参照人类的对立色感知机制提取人脸的色彩特征;然后,将该色彩特征和纹理特征分别用于识别分类;最后,将二者的识别相似度进行融合,得到最终的识别结果。该色彩特征描述了图像的低频信息,其对图像模糊不敏感,并且与描述图像高频信息的纹理特征具有良好的互补性。在FERET 和AR 人脸库上的实验表明,融合色彩特征和纹理特征有效地提高了模糊人脸的识别精度。     

基于Gabor和PCA的面部图像识别方法

文中利用Gabor变换和PCA降维的优点,提出了Gabor+PCA的面部图像识别方法.该方法先提取图像的Gabor特征,然后将Gabor特征与原图像特征结合构成新的融合特征并用PCA降维,最后用KNN分类器分类.所提Gabor+PCA方法不仅能挖掘出图像的细节信息,而且拓宽了特征空间的维数.另外,Gabor+PCA方法...     

Gabor feature based classification using the enhanced fisher lineardiscriminant model for face recognition

This paper introduces a novel Gabor-Fisher (1936) classifier (GFC) for face recognition. The GFC method, which is robust to changes in illumination and facial expression, applies the enhanced Fisher linear discriminant model (EFM) to an augmented Gabor feature vector derived from the Gabor wavelet representation of face images. The novelty of this paper comes from (1) the derivation of an augmented Gabor feature vector, whose dimensionality is further reduced using the EFM by considering both data compression and recognition (generalization) performance; (2) the development of a Gabor-Fisher classifier for multi-class problems; and (3) extensive performance evaluation studies. In particular, we performed comparative studies of different similarity measures applied to various classifiers. We also performed comparative experimental studies of various face recognition schemes, including our novel GFC method, the Gabor wavelet method, the eigenfaces method, the Fisherfaces method, the EFM method, the combination of Gabor and the eigenfaces method, and the combination of Gabor and the Fisherfaces method. The feasibility of the new GFC method has been successfully tested on face recognition using 600 FERET frontal face images corresponding to 200 subjects, which were acquired under variable illumination and facial expressions. The novel GFC method achieves 100% accuracy on face recognition using only 62 features.     

基于特征提取与认证的彩色图像人脸检测

在深入的对频谱脸法和Fisherface方法进行研究后,综合这两种方法的优点,提出了一种基于频谱脸和Fisher-face的人脸识别新方法。频谱脸方法主要是采用二维小波变换和傅立叶变换。因为人脸图像的低频部分对人脸的表情变化是不敏感的,所以对人脸图像使用二维小波变换,提取人脸图像的低频部分。对人脸图像的低频部分使用傅立叶变换,从而获得原人像的一个低维空间的表达。但是频谱脸特征维数仍然较高,所以在频谱脸法的基础上继续提取人脸频谱图像的Fisherface特征,降低特征的维数,提高识别效率。利用人脸面部构造产生的灰度特性提取眼睛,利用嘴唇的色度特征分割出嘴巴,进而根据眼睛和嘴巴构成三角形模板的特性,精确定位人脸在图像中的位置。实验结果表明,这种结合肤色和面部特征的算法,能够对人脸进行较快速、准确的定位,而且结果比较稳定可靠。     

一种基于相关性投影的人脸性别分类算法

针对于人脸图像检测的有效利用性,为了提高其检测的性能,提出一种新的基于 监督学习的优化相关性投影(ORP)人脸性别分类算法,并将其应用到基 于Eigenface算法与Fisherface算法的人脸识别中,以及应 用WPCA到基于PGA的性别分类中。本文算法首先基于带权主成分分析(WPCA)算法来降低脸部 维度,将脸部特征提取出;然后,对其进行优化,同时 计算ORP的误差函数;最后,最小化脸部ORP误差函数,计算特征向量的 欧式距离,进行人脸性别分类。将提出方法与 传统方法进行对比,在FERET数据库上进行了实验,证明了本文方法的有效性,获得了优 于传统方法的识别率。     

Gabor-based kernel PCA with doubly nonlinear mapping for face recognition with a single face image.

In this paper, a novel Gabor-based kernel principal component analysis (PCA) with doubly nonlinear mapping is proposed for human face recognition. In our approach, the Gabor wavelets are used to extract facial features, then a doubly nonlinear mapping kernel PCA (DKPCA) is proposed to perform feature transformation and face recognition. The conventional kernel PCA nonlinearly maps an input image into a high-dimensional feature space in order to make the mapped features linearly separable. However, this method does not consider the structural characteristics of the face images, and it is difficult to determine which nonlinear mapping is more effective for face recognition. In this paper, a new method of nonlinear mapping, which is performed in the original feature space, is defined. The proposed nonlinear mapping not only considers the statistical property of the input features, but also adopts an eigenmask to emphasize those important facial feature points. Therefore, after this mapping, the transformed features have a higher discriminating power, and the relative importance of the features adapts to the spatial importance of the face images. This new nonlinear mapping is combined with the conventional kernel PCA to be called "doubly" nonlinear mapping kernel PCA. The proposed algorithm is evaluated based on the Yale database, the AR database, the ORL database and the YaleB database by using different face recognition methods such as PCA, Gabor wavelets plus PCA, and Gabor wavelets plus kernel PCA with fractional power polynomial models. Experiments show that consistent and promising results are obtained.     

特征提取在人脸自动识别技术中的研究

人脸识别技术目前是生物特征识别中研究的热点之一,在商业、司法、监控和视频检索等领域有着广泛的应用前景。人脸特征的自动提取则是人脸自动识别过程中至关重要的环节。主要基于主成分分析PCA、线性差别分析LDA和非负矩阵分析NMF三种常用的子空间分析方法进行人脸特征提取的研究。