基于多分离部件稀疏编码的人脸图像分析

考虑到不同部件(眼睛,嘴等)对人脸分析的贡献差别,提出基于多部件稀疏编码的人脸图像分析方法.首先,选取对人脸(表情)分析影响较大的几个人脸部件,然后,利用多视角稀疏编码方法学习各部件的字典,并计算相应的稀疏编码,最后,将稀疏编码输入分类器(支持向量机和最小均方误差)进行判决.分别在数据库JAFFE和Yale上进行人脸(表情)识别及有遮挡的人脸(表情)识别实验.实验结果表明,基于多部件稀疏编码的人脸分析能较好地调节各部件的权重,优于各单一部件和简单的多部件融合方法的性能.     

基于高阶结构约束的稀疏人脸识别算法

为了挖掘人脸稀疏表示的高阶结构信息,从而获得更精确的人脸分类判别信息,提出一种新的基于高阶结构约束的稀疏表示的人脸识别算法。在提取人脸图像的Gabor特征后,选取适当的训练样本构建稀疏线性编码模型,利用样本特征间的高阶结构信息约束和最优化求解测试样本的稀疏系数,将稀疏系数作为最终特征对人脸进行识别,实验结果表明,与结构约束稀疏表示和非结构约束稀疏表示的方法比较,人脸的高阶结构稀疏表示能显著提高人脸的识别准确率。     

一种基于低秩恢复稀疏表示分类器的人脸识别方法

针对基于稀疏表示分类器(Sparse Representation-based Classification,SRC)的人脸识别方法用单位阵作误差字典不能很好地描述人脸图像噪声和误差以及由于训练样本不足可能造成字典不完备的问题,提出一种基于低秩恢复稀疏表示分类器(Low Rank Recovery Sparse Representation-based Classification,LRR_SRC)的人脸识别方法。该方法首先采用低秩矩阵恢复(LRR)算法将训练样本矩阵分解为一个低秩逼近矩阵和一个稀疏误差矩阵。然后,由低秩逼近矩阵和误差矩阵组成字典。在此基础上,得到测试样本在该字典下的稀疏表示。更进一步,基于测试样本的稀疏表示系数和字典,对测试样本进行类关联重构,并计算其类关联重构误差。最后,基于类关联重构误差,完成测试样本的分类识别。在YaleB和CMU PIE人脸数据库上的实验结果表明,提出的基于LRR_SRC的人脸识别方法具有较高的识别率。     

基于稀疏表征多分类器融合的遮挡人脸识别

为了同时利用人脸局部信息, 提出一种基于稀疏表征多分类器融合的遮挡人脸识别方法。先对人脸进行多分辨率分块, 求取并根据各子块稀疏表征分类器的识别率确定其权重, 计算其后验概率估值, 最终利用加权融合准则进行多分类器融合识别。在AR和YaleA库的实验结果表明, 该算法结果比稀疏表征遮挡人脸识别的效果更好, 鲁棒性更高。     

基于拓展稀疏表示模型和LC-KSVD的人脸识别

为了提高人脸的识别率和识别速度及其识别的鲁棒性,提出了基于拓展稀疏表示模型和LC-KSVD（Label Consist K-SVD）的人脸识别算法。针对字典学习中只包含表示能力没有包含类别信息的问题,在原始的稀疏表示模型中添加了残差向量作为系数修正向量,使得拓展稀疏表示模型具有更强的鲁棒性;在字典学习中添加稀疏编码和分类器参数约束项,通过字典学习同时更新稀疏编码和分类器参数,使字典中包含很好的表示能力和判别分类能力。实验结果表明,基于拓展稀疏表示模型和LC-KSVD的人脸识别具有高识别率和低识别速度,并且有很好的鲁棒性。     

基于Gabor小波和稀疏表示的人脸表情识别

通过分析Gabor小波和稀疏表示的生物学背景和数学特性,提出一种基于Gabor小波和稀疏表示的人脸表情识别方法。采用Gabor小波变换对表情图像进行特征提取,建立训练样本Gabor特征的超完备字典,通过稀疏表示模型优化人脸表情图像的特征向量,利用融合识别方法进行多分类器融合识别分类。实验结果表明,该方法能够有效提取表情图像的特征信息,提高表情识别率。     

人脸样貌独立判别的协作表情识别算法

为了降低样貌、姿态、眼镜以及表情定义不统一等因素对人脸表情识别的影响,提出一种人脸样貌独立判别的协作表情识别算法。首先,采用自动的人脸检测算法定位、对齐视频每帧的人脸区域,并从人脸视频序列中选择峰值表情的人脸;然后,采用峰值人脸与某个表情类内的所有人脸产生表情类内差异人脸信息,并通过计算峰值表情人脸与表情类内差异人脸的差异信息获得协作的表情表示;最终,采用基于稀疏的分类器与表情表示决定每个人脸表情的标签。采用欧美与亚洲人脸的数据库进行仿真实验,结果表明本算法获得了较好的表情识别准确率,对不同样貌、佩戴眼镜的人脸样本也具有较好的识别效果。     

融合约束采样和面部对齐的稀疏表示人脸识别

针对传统的稀疏表示分类算法中面部对齐受限而影响人脸识别率的问题,提出一种基于约束采样和面部对齐的稀疏表示分类算法。首先通过使用约束采样对训练图像进行预先标注得到固定脸特征;然后结合图像的纹理信息和形状特征进行面部对齐及特征提取;最后计算出测试样本与各个训练样本之间的相似度,利用稀疏表示分类器完成人脸的识别。在AR、CAS-PEAL及扩展YaleB人脸数据库上的实验验证了算法的有效性及鲁棒性。实验结果表明,约束采样和面部对齐的组合大大提高了人脸识别率,相比几种较为先进的鲁棒人脸识别算法,该算法取得了更好的识别效果。     

局部联合结构化稀疏表示的单样本人脸识别

针对单样本问题,基于相同类别的人脸变化信息应有相似的稀疏编码这一事实,提出结构化稀疏变化字典学习方法,以得到较好的共享类内变化字典。同时鉴于同一人脸的所有区域应有相同的类标签,通过训练样本与变化字典按坐标分块联合表示查询人脸区域,然后给稀疏系数引入导致结构化稀疏效果的约束条件,实现对应类别字典的自动选择,从而更好地表示查询人脸。提出的人脸表示方法可以在局部识别方法的优势上整合全局信息,使得在AR、Extended Yale B、CMU-PIE人脸库上的表现超过其他单样本识别相关的方法,取得了较好的识别效果。     

单样本人脸识别线性回归分类

对线性回归分类器在单样本人脸识别中的应用进行研究,提出使用稀疏表示结合线性回归分类的方法对单样本人脸进行识别,并对该方法进行分析和评论。计算单个训练样本在辅助样本集上的稀疏表示,选出和训练样本近邻的几个人脸,计算这些样本的类内变化,将它们和训练样本一起构成人脸模型,使用线性回归分类器进行分类。在AR和FERET人脸库上的实验验证了该方法的有效性。     

基于字典学习的核稀疏表示人脸识别方法

受Metafaces方法的启发,提出一种基于字典学习方法的核稀疏表示方法并成功应用于人脸识别。首先,采用核技术将稀疏表示方法推广到高维空间得到核稀疏表示方法。其次,借鉴Metaface字典学习方法,进行字典学习得到一组核基向量构成核稀疏表示字典。最后,利用学习得到的核字典基重构样本,并根据样本与重构样本之间的残差最小原则对人脸图像进行分类。在AR、ORL和Yale人脸数据库上的实验表明该方法的良好识别性能。     

稀疏表示和支持向量机相融合的非理想环境人脸识别

当前的人脸识别算法在理想环境下的识别正确率高,自适应能力强;但是在非理想环境下,人脸识别正确率急剧下降。为了提高人脸识别结果的稳定性,设计了稀疏表示和支持向量机相融合的非理想环境人脸识别算法。首先,提取非理想环境人脸的特征,并构建非理想环境人脸识别的特征字典;然后,采用特征字典对非理想环境人脸识别训练样本和测试样本进行处理,构建非理想环境人脸识别的学习样本;最后,采用支持向量机建立非理想环境人脸识别的分类器来对非理想环境人脸进行识别,并采用多个标准人脸数据库对所提非理想环境人脸识别算法进行测试。文中算法的非理想环境人脸识别正确率高,误识率和拒识率低,相对于其他人脸识别算法,其更适应环境的变化,对非理想环境人脸识别的整体效果更优,而且提高了非理想环境人脸识别的效率,具有十分明显的优越性。     

整合原始人脸图像和其虚拟样本的人脸分类算法

人脸识别作为最具吸引力的生物识别技术之一,由于会受到不同的照明条件、面部表情、姿态和环境的影响,仍然是一个具有挑战性的任务.众所周知,一幅人脸图像是对人脸的一次采样,它不应该被看作是脸部的绝对精确表示.然而在实际应用中很难获得足够多的人脸样本.随着稀疏表示方法在图像重建问题中的成功应用,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法.受此启发,提出了在稀疏表示框架下的整合原始人脸图像和虚拟样本的人脸分类算法.首先,通过合成虚拟训练样本来减少面部表示的不确定性.然后,在原始训练样本和虚拟样本组成的混合样本中通过计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(Error-Constrained Orthogonal Matching Pursuit,OMP)方法,进而选出贡献程度大的类别样本并进行分类.实验结果表明,提出的方法不仅能获得较高的人脸识别的精度,而且还具有更低的计算复杂性.     

基于形变模型的红外人脸鲁棒识别*

针对人脸识别中的光照、表情和遮挡变化三大难题,引进热红外人脸克服光照变化,并且采用融合局部形变模型的人脸分类方法克服表情和遮挡变化。该方法将热红外测试人脸看成人脸库的线性组合,并用形变模型表示,通过 最小优化求解组合系数,根据系数的稀疏性进行人脸识别。为了进一步提高算法的鲁棒性,采用人脸分片加权的策略。在Equinox人脸库上通过大量实验表明：基于红外光的人脸识别性能明显高于可见光对光照变化的影响;融合局部形变模型的人脸识别方法可以有效地提高识别率且克服红外人脸识别中的眼镜干扰与表情变化问题。     

Integration of multi-feature fusion and dictionary learning for face recognition

Recent research emphasizes more on analyzing multiple features to improve face recognition (FR) performance. One popular scheme is to extend the sparse representation based classification framework with various sparse constraints. Although these methods jointly study multiple features through the constraints, they just process each feature individually such that they overlook the possible high-level relationship among different features. It is reasonable to assume that the low-level features of facial images, such as edge information and smoothed/low-frequency image, can be fused into a more compact and more discriminative representation based on the latent high-level relationship. FR on the fused features is anticipated to produce better performance than that on the original features, since they provide more favorable properties. Focusing on this, we propose two different strategies which start from fusing multiple features and then exploit the dictionary learning (DL) framework for better FR performance. The first strategy is a simple and efficient two-step model, which learns a fusion matrix from training face images to fuse multiple features and then learns class-specific dictionaries based on the fused features. The second one is a more effective model requiring more computational time that learns the fusion matrix and the class-specific dictionaries simultaneously within an iterative optimization procedure. Besides, the second model considers to separate the shared common components from class-specified dictionaries to enhance the discrimination power of the dictionaries. The proposed strategies, which integrate multi-feature fusion process and dictionary learning framework for FR, realize the following goals: (1) exploiting multiple features of face images for better FR performances; (2) learning a fusion matrix to merge the features into a more compact and more discriminative representation; (3) learning class-specific dictionaries with consideration of the common patterns for better classification performance. We perform a series of experiments on public available databases to evaluate our methods, and the experimental results demonstrate the effectiveness of the proposed models.     

Robust face recognition via occlusion dictionary learning

Sparse representation based classification (SRC) has recently been proposed for robust face recognition. To deal with occlusion, SRC introduces an identity matrix as an occlusion dictionary on the assumption that the occlusion has sparse representation in this dictionary. However, the results show that SRC's use of this occlusion dictionary is not nearly as robust to large occlusion as it is to random pixel corruption. In addition, the identity matrix renders the expanded dictionary large, which results in expensive computation. In this paper, we present a novel method, namely structured sparse representation based classification (SSRC), for face recognition with occlusion. A novel structured dictionary learning method is proposed to learn an occlusion dictionary from the data instead of an identity matrix. Specifically, a mutual incoherence of dictionaries regularization term is incorporated into the dictionary learning objective function which encourages the occlusion dictionary to be as independent as possible of the training sample dictionary. So that the occlusion can then be sparsely represented by the linear combination of the atoms from the learned occlusion dictionary and effectively separated from the occluded face image. The classification can thus be efficiently carried out on the recovered non-occluded face images and the size of the expanded dictionary is also much smaller than that used in SRC. The extensive experiments demonstrate that the proposed method achieves better results than the existing sparse representation based face recognition methods, especially in dealing with large region contiguous occlusion and severe illumination variation, while the computational cost is much lower.     

基于带补偿字典的松弛稀疏表示的小样本人脸识别*

在训练集类内变化类型不可控的小样本人脸识别问题中,补偿字典很难发挥足够作用。在基于带补偿字典的稀疏表示的人脸识别方法中,训练集字典和补偿字典对测试图片表示的能力不同,文中讨论因此不同而导致的二者在稀疏性上的不同要求,通过对两类字典采用不同的稀疏性约束,提出基于带补偿字典的松弛稀疏表示的人脸识别方法。实验表明,在训练集图片类内变化类型不可控的小样本人脸识别问题中,文中方法能取得较优效果。     

基于低秩表示与矩阵填充的人脸识别方法

基于回归分析的人脸识别方法在处理不完备数据矩阵时,先对矩阵进行填充,再使用人脸识别方法,因此会降低分类性能.为了更有效地执行关于不完备数据的识别,文中将低秩矩阵填充和低秩表示学习整合在同一个模型,提出基于低秩表示和低秩矩阵填充的人脸识别方法.通过最小化表示系数和矩阵秩交替计算样本低秩表示系数矩阵和恢复矩阵缺失项,再使用最近邻分类器实现分类.在一些公开人脸数据集上的实验表明,在训练样本矩阵元素随机缺失时,文中方法可以有效提高识别精度及降低填充误差.     

自适应Gabor特征的协同表示人脸识别算法

为了解决人脸识别应用中针对人脸姿态的变化,光照等外部环境变化导致识别率不高,且稀疏表示应用于人脸识别收敛速度慢的情况,提出了一种基于多分量的Gabor特征提取和自适应权重选择的协同表示人脸识别算法(GAW-CRC).特征提取阶段,将Gabor变换的所有特征分量中鉴别能力较差的分量淘汰,剩余分量构建特征字典,分别协同表示对应测试样本的特征分量,将所有剩余分量的识别结果,按照自适应的权重函数加权融合得出最终分类结果.实验证明:算法应用于AR,FERET与Extended Yale B人脸库中,当对应的样本存在人脸角度变化,表情变化和光照条件变化等情况时,能够得到更高的识别率.