基于二维Gabor小波特征的三维人脸识别算法

分析三维人脸识别技术,提出一种基于Gabor小波特征的三维人脸识别算法。该算法采用二维Gabor小波特征精确且稳定地描述人脸特征,重建三维人脸模型并对其进行模板匹配,对匹配后的三维人脸模型进行线性判别分析。对基于ORL和UMIST两个人脸数据库的实验结果表明,该算法性能优良。     

基于多尺度分析的三维人脸识别*

为提高人脸识别的精度,加快人脸识别的速度,提出了基于多尺度分析的三维人脸识别方法。过多的特征点容易使判别混乱,出现自相矛盾的过饱和现象,因此采用必要数和最大数的策略来限制特征点的规模。为充分利用各尺度下的人脸特征进行识别,设计了基于ICP与PCA、LDA结合的综合特征匹配方法。实验结果表明,多尺度三维人脸识别方法识别率高于各种标准识别方法,抗噪声性能突出。     

基于二维PCA算法的三维人脸识别

在二维PCA人脸识别算法的基础上,将PCA算法用于三维人脸识别,采用鼻尖点作为特征点。在CASIA三维人脸数据库中进行测试,达到了约为89.5%的识别率,能够识别出受外界干扰如扭转角度的图片,该算法性能优良。     

二维Gabor特征与三维NP-3DHOG特征融合的人脸识别算法

基于二维图像的人脸识别算法提取人脸纹理特征进行识别,但是光照、表情、人脸姿态等会对其产生不利影响。三维人脸特征能更精确地描述人脸的几何结构,并且不易受化妆和光照的影响,但只采用三维人脸数据进行人脸识别又缺少人脸纹理信息,因此文中将二维人脸特征与三维人脸特征相融合进行人脸识别。采用基于Gabor变换的二维特征与基于新的分块策略的三维梯度直方图特征相融合的算法进行人脸识别。首先,提取二维人脸的Gabor特征;然后,提取三维人脸基于新的分块策略的三维梯度直方图特征,旨在提取人脸的可辨别性特征;接下来,对二维人脸特征与三维人脸特征分别使用线性判别分析子空间算法进行训练,并使用加法原则融合两种特征的相似度矩阵;最后,输出识别结果。     

基于几何特征与深度数据的三维人脸识别

提出一种基于三维点云数据多特征融合的人脸识别方法。利用深度信息提取人脸中分轮廓线和鼻尖横切轮廓线;采用曲率分析的方法定位出人脸关键点,针对鼻子等人脸刚性区域,选取并计算了4类(包括曲率、距离、体积和角度)共13维的特征向量作为三维几何特征。深度图特征采用结合LBP与Fisherface的方法进行提取与识别。在3DFACE-XMU和ZJU-3DFED数据库上比较了该方法与PCA、LBP等单一方法的识别性能,识别效果有比较明显的提升。     

基于SVD的成长性人脸识别研究

为提高人脸识别率,设计了基于SVD的成长性人脸识别方法.该方法将人脸识别从图像扩充到视频领域,通过不同尺度对人脸进行划分和特征提取,从而得到人脸的多尺度特征,分层次进行多尺度特征匹配,利用特征的可分辨度对各帧特征进行比较,并通过对应位置寻优累积特征,使人脸识别具有成长性.实验结果表明,基于SVD的成长性人脸识别方法通过一定的时间累积可以达到100%的识别率,具有良好的应用价值.     

基于小波变换和多分类器的人脸识别方法

现在已有许多特征用于人脸识别，而不同的特征反映了图像的不同特性。因此，结合多个特征，使用多分类器来进行分类可以提高识别率。文中在对原始图像进行小波变换预处理的基础上，抽取本征脸特性的奇异值特征，并利用对应着两类特征的多分类器进行分类。利用ORL人脸库进行了实验，实验结果证明了所提方法的有效性。     

基于二维PCA算法的三维人脸识别

在二维PCA人脸识别算法的基础上,将PCA算法用于三维人脸识别,采用鼻尖点作为特征点。在CASIA三维人脸数据库中进行测试,达到了约为89.5%的识别率,能够识别出受外界干扰如扭转角度的图片,该算法性能优良。     

远程人脸识别方法的研究与仿真

研究远程准确人脸识别优化问题.在远程人脸图像采集过程中存在随机性,采集的人脸图像容易发生饰物遮挡,脸部侧偏等情况,造成采集图像可识别特征残缺,针对传统的方法过于依赖局部细节特征,无法准确的识别人脸.提出一种基于特征转化的人脸识别方法,根据采集到的人脸二维特征矩阵构造奇异值矩阵,运用迭代分解方法,把不能识别的缺陷特征转化成可识别的三维人脸特征,运用三维特征配合二维特征进行识别.经实验结果表明,改进方法能够准确识别远程采集的部分、遮挡的人脸图像,取得令人满意的效果.     

流形学习在三维人脸特征降维中的应用*

三维人脸识别是未来人脸识别的新方向,有望解决二维人脸识别的瓶颈问题;但三维人脸特征维数过高又制约了三维人脸识别的发展,特征降维意义重大。首先分析了传统降维算法的局限性和几种主要的流形学习算法,提出了将流形学习应用于三维人脸特征降维的思路,并构建了一个基于流形学习的三维人脸识别框架。     

Automatic 3D face recognition from depth and intensity Gabor features

As is well known, traditional 2D face recognition based on optical (intensity or color) images faces many challenges, such as illumination, expression, and pose variation. In fact, the human face generates not only 2D texture information but also 3D shape information. In this paper, we investigate what contributions depth and intensity information makes to face recognition when expression and pose variations are taken into account, and we propose a novel system for combining depth and intensity information to improve face recognition systems. In our system, local features described by Gabor wavelets are extracted from depth and intensity images, which are obtained from 3D data after fine alignment. Then a novel hierarchical selecting scheme embedded in linear discriminant analysis (LDA) and AdaBoost learning is proposed to select the most effective and most robust features and to construct a strong classifier. Experiments are performed on the CASIA 3D face database and the FRGC V2.0 database, two data sets with complex variations, including expressions, poses and long time lapses between two scans. Experimental results demonstrate the promising performance of the proposed method. In our system, all processes are performed automatically, thus providing a prototype of automatic face recognition combining depth and intensity information.     

2D face recognition based on supervised subspace learning from 3D models

One of the main challenges in face recognition is represented by pose and illumination variations that drastically affect the recognition performance, as confirmed by the results of recent face recognition large-scale evaluations. This paper presents a new technique for face recognition, based on the joint use of 3D models and 2D images, specifically conceived to be robust with respect to pose and illumination changes. A 3D model of each user is exploited in the training stage (i.e. enrollment) to generate a large number of 2D images representing virtual views of the face with varying pose and illumination. Such images are then used to learn in a supervised manner a set of subspaces constituting the user's template. Recognition occurs by matching 2D images with the templates and no 3D information (neither images nor face models) is required. The experiments carried out confirm the efficacy of the proposed technique.     

基于MEGI模型的三维人脸识别方法

三维人脸识别是未来人脸识别的方向,有望解决二维人脸识别的瓶颈问题。基于MEGI模型,扩展了球面相关性系数,将其用于三维人脸识别。实验证明,基于MEGI模型的方法可以用于三维人脸识别。     

联合软阈值去噪和视频数据融合的低质量3维人脸识别

目的 低质量3维人脸识别是近年来模式识别领域的热点问题;区别于传统高质量3维人脸识别,低质量、高噪声是低质量3维人脸识别面对的主要问题。围绕低质量3维人脸数据噪声大、依赖单张有限深度数据提取有效特征困难的问题,提出了一种联合软阈值去噪和视频数据融合的低质量3维人脸识别方法。方法 首先,针对低质量3维人脸中存在的噪声问题,提出了一个即插即用的软阈值去噪模块,在网络提取特征的过程中对特征进行去噪处理。为了使网络提取的特征更具有判别性,结合softmax和Arcface(additive angular margin loss for deep face recognition)提出的联合渐变损失函数使网络提取更具有判别性特征。为了更好地利用多帧低质量视频数据实现人脸数据质量提升,提出了基于门控循环单元的视频数据融合模块,实现了视频帧数据间互补信息的有效融合,进一步提高了低质量3维人脸识别准确率。结果 实验在两个公开数据集上与较新方法进行比较,在Lock3DFace(low-cost kinect 3D faces)开、闭集评估协议上,相比于性能第2的方法,平均识别率分别提高了0.28%和3...     

人脸识别:从二维到三维

人脸识别是生物特征识别技术的一个重要方向。虽然目前大部分研究都还只是针对二维人脸图像,但是3D人脸模型包含更丰富的人脸信息,有助于机器对人脸的识别。从二维到三维,人脸识别研究进入了一个新的阶段。从3D人脸数据的获取方式入手,介绍最近提出的一系列3D人脸识别算法,并进行归类。最后提出"有针对性地获取3D人脸模型数据是进行有效识别的基础"这一结论。     

基于特征分块的三维人脸重建和识别

针对传统三维人脸重建算法效率低且难以满足实际应用的缺陷,提出一种基于特征分块的三维人脸重建算法,并将此算法应用到三维人脸识别中,实现了基于特征分块的加权三维人脸识别。首先,利用基于平面模板的非均匀重采样法对原始数据进行归一化;其次,采用主动形状模型(ASM)算法对三维人脸和二维人脸图像进行特征定位和特征分块;然后,利用基于分块主元分析(PCA)的稀疏形变模型算法实现每个人脸分块的三维重建;最后,实现了此算法在三维人脸识别中的应用。实验表明,此重建算法具有较高的精度和重建效率,还可以达到全局最优,并且可以提高三维人脸的识别率。     

基于分层特征化网络的三维人脸识别

针对三维人脸多表情、多姿态变化同时存在，人脸点云数据不同程度缺失的问题，探索性地将三维点云人脸数据应用于PointNet系列的分类网络并进行了识别结果的对比与分析，然后提出了一种新的网络框架——HFN。首先，在数据预处理后随机采样固定点数的点云；其次，将固定点数的人脸点云输入SA模块，以获取局部区域的质心点、邻域点并提取局部区域的特征，然后拼接由DSA模块基于多方向卷积提取的点云空间结构特征；最后，利用全连接层进行三维人脸的分类，从而实现三维人脸识别。在CASIA数据库上的结果显示，所提方法的平均识别率为96.34%，优于PointNet、PointNet++、PointCNN和空间聚合网络（SAN）这几种分类网络。     

基于深度学习的三维点云人脸识别

为了增强三维点云人脸识别系统针对多表情、多姿态的鲁棒性,提出一种基于深度学习的点云特征提取网络ResPoint.ResPoint网络使用了分组、采样和局部特征提取(ResConv)等模块,而在ResConv模块中使用了跳跃式连接,因此所提网络对于稀疏点云有很好的识别结果.首先通过人脸几何特征点定位鼻尖点,并以该点为中心...     

基于分层特征化网络的三维人脸识别

针对三维人脸多表情、多姿态变化同时存在,人脸点云数据不同程度缺失的问题,探索性地将三维点云人脸数据应用于PointNet系列的分类网络并进行了识别结果的对比与分析,然后提出了一种新的网络框架——HFN。首先,在数据预处理后随机采样固定点数的点云;其次,将固定点数的人脸点云输入SA模块,以获取局部区域的质心点、邻域点并提取局部区域的特征,然后拼接由DSA模块基于多方向卷积提取的点云空间结构特征;最后,利用全连接层进行三维人脸的分类,从而实现三维人脸识别。在CASIA数据库上的结果显示,所提方法的平均识别率为96.34%,优于PointNet、PointNet++、PointCNN和空间聚合网络（SAN）这几种分类网络。