基于三维模型的多姿态人脸识别

利用正面、侧面照片建立起三维虚拟人脸模型，对待识别照片进行角度估计，把人脸三维模型进行投影，将多姿态识别转换成同一角度下两张照片的识别，从而解决了人脸的多姿态识别问题．提出了一种完整的解决人脸多姿态识别的方案，并提出了一种新的计算待识别照片旋转角度的算法．     

基于形变模型的人脸建模及其应用综述

形变模型(morphable model)是近几年提出的人脸建模新方法。基于若干原型人脸的知识,该方法实现了真实感三维人脸的自动建模,并在图像分析、人脸识别、表情动画等方面的应用中取得了良好效果。回顾了基于形变模型的人脸建模的研究概况、基本原理及应用情况,并对形变模型的进一步应用和发展进行了展望。     

基于二维人脸图像的三维建模研究

针对目前三维人脸建模方法存在的不足,在分析了网格重采样方法的基础上,提出了一种改进的基于模板的网格重采样方法.首先对人脸的重要特征点大致定位,自动将人脸划分为36个分块,初步建立三维人脸间的对应关系;然后使用重采样的方法,得到具有规则拓扑结构的人脸特征点,建立较为精细的中性人脸模型.经实验证明,该方法能够在较短时间内实现对中性三维人脸的建模,同时对高维模型进行了网格简化.     

基于三维模型子空间监督学习法的二维人脸识别

人脸识别的一个主要难点在于人脸姿态和光照变化对识别性能影响显著.考虑到此问题,本文提出了一种将三维模型和二维照片相结合的新的人脸识别技术,对不同人脸姿态和光照变化有很好的鲁棒性.在训练阶段由特定三维人脸模型生成大量带有不同姿态和光照的虚拟二维照片,采用监督学习法使这些虚拟照片形成子空间,最终组成特定人脸模板.此时不再需要三维数据,只要匹配真实二维照片和模板就可以进行人脸识别.     

基于加工特征的轴类零件三维建模方法

提出一种基于加工特征的三维建模方法,增强模型特征与加工工艺之间的关联性,以期形成轴类零部件的建模规范。通过确立特征独立性、基于加工顺序建模的两个基本建模要求,将工艺知识以建模规范的形式嵌入三维建模过程中,降低工艺人员对三维模型的辨识难度。最后,对机械轴进行三维建模,验证了该方法的可行性和有效性。     

基于重采样的三维人脸样本扩充

为了对现有三维人脸数据库的数据规模和数据覆盖范围进行扩充,提出一种基于样本重采样的三维人脸样本扩充算法.该方法首先根据面部器官的分布规律对人脸样本进行区域划分,并获得关于各个器官的样本集;然后通过从各个器官样本集中选择器官并重组的方式来获取新的三维人脸样本,为了保证新器官之间的无缝融合,提出了基于薄板样条函数(thin-plate-spline,TPS)的几何信息缝合方法和基于微分算子的纹理缝合方法.实验结果表明:本文提出的样本扩充方法能对现有三维人脸数据库进行扩充;扩充后的样本集可以提高算法的效果.     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

融合信息瓶颈的模糊三维聚类

为了有效处理三维列联表数据,采用模糊联合聚类算法的思想,提出一种基于信息瓶颈理论的模糊三维聚类算法（IBFTC）.IBFTC算法为每个维度指定隶属度函数,可实现3个维度上的同时聚类,且在目标函数中引入信息瓶颈理论计算对象与簇之间的距离.采用MovieLens数据集对IBFTC算法进行多方面分析,结果表明,IBFTC算法可获得比现有模糊联合聚类算法更高的聚类准确率.     

ANFIS建模的人工免疫聚类算法应用研究

结合锌钡白干燥煅烧生产过程的建模问题,针对ANFIS存在的网络易陷入局部极小点缺陷,提出了一种基于人工免疫聚类的ANFIS建模算法.该算法通过免疫网络对其抗体及记忆数据集逐代克隆、变异及抑制操作,提取有用的模糊规则数目,避免ANFIS训练陷入局部极小点的可能性.从理论机理及仿真研究上分析免疫聚类对ANFIS网络建模性能的作用,取得了良好的辨识效果.     

基于SSD与FaceNet的人脸识别系统设计

人脸识别技术广泛应用于考勤管理、移动支付等智慧建设中。伴随着常态化的口罩干扰,传统人脸识别算法已无法满足实际应用需求,为此,本文利用深度学习模型SSD以及FaceNet模型对人脸识别系统展开设计。首先,为消除现有数据集中亚洲人脸占比小造成的类内间距变化差距不明显的问题,在CAS-IA Web Face公开数据集的基础上对亚洲人脸数据进行扩充;其次,为解决不同口罩样式对特征提取的干扰,使用SSD人脸检测模型与DLIB人脸关键点检测模型提取人脸关键点,并利用人脸关键点与口罩的空间位置关系,额外随机生成不同的口罩人脸,组成混合数据集;最后,在混合数据集上进行模型训练并将训练好的模型移植到人脸识别系统中,进行检测速度与识别精度验证。实验结果表明,系统的实时识别速度达20 fps以上,人脸识别模型准确率在构建的混合数据集中达到97.1%,在随机抽取的部分LFW数据集验证的准确率达99.7%,故而该系统可满足实际应用需求,在一定程度上提高人脸识别的鲁棒性与准确性。     

由粗到精的三维人脸稀疏重建方法

针对传统三维人脸重建算法精度不高的问题,提出一种由粗到精的三维人脸稀疏重建方法。根据稀疏形变模型方法对待重建人脸的部分区域显著点进行重建,得到第1步重建结果,并在此基础上进行后续重建。将第1步的重建结果作为新的参考模型,求取待重建人脸与参考模型的特征点的坐标投影距离,从而求取参考模型的形变因子,完成最终三维人脸的重建。由于两步稀疏重建的作用不同,对重建过程中参数的选取也采用不同方式。实验结果表明,该方法能有效提高人脸重建精度,同时保持较快的重建速度。     

基于三维形变模型的多姿态人脸识别

针对多姿态人脸识别问题,提出了一种三维形变模型和部件技术相结合的人脸识别方法.该方法提取人脸三维部件作为识别特征,在一定程度上克服了人脸姿态变化对识别的影响.在识别过程中结合人脸的局部特征和全局特征,根据单个部件的识别率确定其在整体分类中的权值,基于整脸信息进行识别,进一步改善了识别效果.实验结果证明,该方法在训练库中只有1张正面照片时,对多姿态人脸识别具有很好的识别效果.     

基于深度三维形变的单张3D人脸重建算法

三维形变模型(3DMM)作为人脸重建的重要方式,在3D建模、图像合成等领域有着广泛的应用.由于受训练数据类型、数量以及主成分等因素影响,3DMM存在过约束的现象,不能提供足够的灵活性来表示高频变形.本文将三维形变模型嵌入到深度神经网络中,为提升3D人脸重建的表示能力提供了新的思路.为了提升网络学习效率,本文构设了一种双通路神经网络,实现了在全局路径和局部路径之间的平衡.通过在学习目标和网络结构两方面改进非线性3DMM,提出了一种比线性或以往的非线性模型更能捕捉到更高层次细节的模型.算法对比与仿真实验表明,本文算法在3D人脸重建上的归一化平均误差更低,所生成的3D人脸模型鲁棒性好、重构准确,实现了较好的3D人脸重建性能.     

基于二维、三维信息融合的人脸识别

为解决光照、姿态等因素发生变化时二维人脸识别算法识别率骤然下降的问题,提出了基于二维、三维信息融合的人脸识别方法.与其他算法不同,该算法输入为一幅二维灰度图像,通过重建相应的三维模型提供三维信息.对于二维图像,选择局部二值模式(LBP)特征进行人脸表示.对于三维模型,定义了54个特征点,将鼻尖点与特征点之间的测地线距离作为三维特征.对2种特征识别结果采用加权融合的方式,权值的确定依据Fisher判别准则.通过CAS-PEAL-R1人脸库对提出的算法进行了测试,并与其他方法进行了比较.     

基于组合特征判别分析的三维人脸识别算法

针对人脸识别中特征表示与提取问题, 提出了一种新颖的基于组合特征判别分析的三维人脸识别算法.该算法首先使用基于非均匀网格重采样的方法对所有三维人脸做规格化处理, 使三维人脸具有统一的点数和拓扑结构;其次, 以先分段、再重叠的形式将原本一维向量表示组织为二维矩阵表示, 然后使用二维线性判别分析方法 (2DLDA) 对获得的数据进行特征抽取.这种方法在避免图像信息的丢失、增加组合特征的同时, 理论上也能避免单纯使用线性判别分析 (LDA) 进行特征抽取时容易出现的小样本问题.在BJUT-3D大规模三维人脸数据库上的实验表明, 本方法取得了良好的识别效果.