基于分块的有遮挡人脸识别算法

随着深度学习技术的发展,人脸识别在受控环境下的准确率已经达到了非常理想的效果。然而,真实环境下获取的人脸图像往往因为遮挡而难以识别。针对遮挡条件下的人脸识别准确率不高、稳定性差的问题,结合传统的人脸分块和深度卷积神经网络,提出一种基于分块的有遮挡人脸识别算法。基于人脸特征点定位的结果进行人脸分块,使用一种改进的轻量级卷积神经网络进行各个人脸区块的特征提取;利用多分类网络结合输入区块的额外信息进行人脸区块的遮挡判别;结合人脸块特征与遮挡二分类判别结果获取表征遮挡人脸的特征。实验结果表明,经过以上步骤提取出的特征对遮挡具有较强的鲁棒性,并且在满足一定的条件下,即使人脸由大面积遮挡也能在实验数据集上保持94%的准确率。     

基于尺度不变特征变换优化算法的带遮挡人脸识别

在带遮挡的人脸识别中,由于人脸图像呈现出较大差异性,使得特征关键点之间产生错误匹配,对人脸识别率造成很大影响。对基于尺度不变特征变换(SIFT)的人脸识别算法进行优化,提出一种全新的匹配策略,能够减少错误匹配的特征关键点对,并将其应用于带遮挡的人脸识别中。实验结果表明,该优化算法比以往的一些带遮挡人脸识别算法都具有更好的识别结果。     

人脸识别中遮挡区域恢复算法研究

在分析脸部遮挡处理各算法的基础上,提出了自动多值掩模PCA人脸重建模型(MMPCA模型)。该模型首先进行特征提取,计算待测人脸和标准样本的特征脸差,判断遮挡部位,即遮挡类型;接着使用M估计器对遮挡掩模进行估计,为不同像素点估计符合自身特性的幅度参数,生成多值遮挡掩模;再通过3个半二次型函数迭代保证最优合成系数唯一与收敛,获得最优合成系数,重建人脸。实验结果表明,该算法能恢复遮挡部位,减弱遮挡对识别准确率的影响。     

基于分块稀疏表示的部分遮挡人脸识别

人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。     

有遮挡人脸识别进展综述

人脸识别技术水平不断提升,在身份认证、人机交互等应用上得到了较为理想的识别率,市场规模不断增长。然而真实场景下的遮挡问题并没有被彻底解决,如何抑制或消除遮挡对人脸关键性特征的负面影响是当前人脸识别领域的热点之一。针对遮挡导致的人脸结构信息缺失问题,对有遮挡人脸识别数据集和有遮挡人脸识别方法进行综述,首先介绍分析了一些重要的新型有遮挡人脸识别数据集;其次,归纳分析了用于解决遮挡问题的传统方法和深度学习方法,重点介绍了基于深度学习的特征鲁棒性提取方法和遮挡部位信息恢复方法;最后,总结分析了相关方法的优缺点,指出有遮挡人脸识别研究存在的问题和挑战,对未来研究方向进行了展望。     

一种高性能部分遮挡人脸识别新方法

针对部分遮挡人脸识别,提出了一种基于局部区域遮挡判断的人脸识别新方法。利用支持向最机对不同人的不同遮挡情况分别进行训练,确定局部相似度到整体相似度的最佳映射,使它具有最佳类间可分离性。实验表明,该文算法显著提高了部分遮挡人脸识别效果,对无遮挡识别也有所改善。     

人脸识别中发型遮挡检测方法研究

人脸识别中,发型遮挡是一种十分常见的遮挡类型,并且对人脸的正确识别具有极大的干扰。提出一种将头发的颜色模型和发型特征相结合的遮挡检测方法。首先,采用机器学习的方法,对头发的颜色进行学习建模。然后,利用发际线的特征,将人脸划分为若干扇形并分块,采用逐步精细的方法对人脸的发型遮挡区域进行检测。实验结果表明,该方法对人脸区域发型遮挡检测的准确率和召回率都达到88%以上,相比PCA检测方法提高了约20%,验证了该方法的有效性。     

基于结构化遮挡编码和极限学习机的局部遮挡人脸识别

提出使用结构化遮挡编码（SOC）结合极限学习机（ELM）的算法来处理人脸识别中的遮挡问题。首先，使用SOC去除图像上的遮挡物，将遮挡物体与人脸分离开；同时，通过局部性约束字典（LCD）来估计遮挡物的位置，建立遮挡字典和人脸字典。然后，将建立好的人脸字典矩阵进行归一化处理，并利用ELM对归一化的数据进行分类识别。最后，在AR人脸库上进行的仿真实验结果表明，所提方法对不同遮挡物和不同区域遮挡的图像具有较好的识别率和鲁棒性。     

PCANet下的遮挡定位人脸识别算法

自然环境中的人脸图像大部分带有遮挡,这对于人脸识别一直是巨大的挑战,用于人脸识别的主流深度模型对于遮挡人脸图片并不具有特别好的识别性能。针对深度模型由于遮挡的存在以及遮挡位置不确定所导致的识别率下降的问题,提出一种结合深度学习和特征点遮挡检测的PCANet下的遮挡定位人脸识别算法。分类器用于关键点检测,使用PCANet深度学习模型进行特征提取,形成支持向量机(SVM)训练模型组。遮挡判别分类器定位遮挡,结合特征模型组完成有遮挡人脸识别任务,并且对于表情变化有很强的鲁棒性。实验结果表明,该算法对于常见遮挡类型取得了非常好的效果,对于大面积遮挡的极端类型也具有很高的识别率。     

基于循环生成对抗网络的含遮挡人脸识别

人脸图像的遮挡会严重影响人脸识别准确率,当前处理带遮挡人脸识别的方法主要有丢弃法和修复法两种。丢弃法因忽略或丢弃大量遮挡区域的有效特征易造成识别准确率不高,而当前大多数修复法需要原图的相关信息,限制了其应用。针对现有含遮挡人脸识别方法存在的问题,提出一种基于循环生成对抗网络的人脸识别算法,通过利用2对生成器和判别器进行循环训练,实现遮挡人脸图像的盲修复,此过程不需要除遮挡区域外的原图信息。在此基础上,采用ResNet-50网络对修复后人脸进行识别,该网络通过跳跃连接消除深层卷积神经网络中的网络退化问题,能够降低网络训练的难度,且不会增加额外的参数和计算量。针对盲修复后人脸特征存在类内差异大和类间差异小的特性,引入一种能够量化类间距离的分类损失函数RegularFace作为识别网络损失函数。实验结果表明,与DCGAN+CNN算法相比,所提算法对不同遮挡类型和遮挡区域的人脸图像识别准确率均有所提高,当线性遮挡面积为40%时,所提算法的识别准确率提高了14.4个百分点。     

基于子空间分析的人脸识别算法

本文以人脸识别为目标,重点分析基于子空间分析的人脸特征提取技术.首先介绍人脸识别系统的构成,其次分析人脸识别的关键技术,如人脸检测、特征提取和图像预处理等,重点分析人脸识别的各种算法,根据小波在对图像数据矩阵的处理的高效性,以及LDA训练样本维数少的缺陷,PCA不能利用数据的高阶统计特性,本文将这三种算法进行融合,并用MATLAB进行仿真实验,实验证明该方法的有效性.     

优化的小波变换和改进的LDA相融合的人脸识别算法

提出了一种优化的小波变换与改进的LDA相融合的人脸识别算法。首先对经过预处理的人脸图像进行2层小波变换并提取特征,然后对小波分解后的高频子带进行融合,并在改进的LDA下利用交替方向法求出投影矩阵和最优融合系数,再结合低频子带在改进的LDA下的特征表示,利用最近邻分类器进行分类。实验结果表明,该算法在ORL及YALE人脸库上的识别效果较传统的人脸识别算法更优。     

基于卷积神经网络特征融合的人脸识别算法

为提高卷积神经网络的识别性能,提出了一种基于多种卷积神经网络模型的特征融合方法。论文通过构建一个深度学习网络,将多种卷积神经网络模型如ResNet、InceptionV3和VGG19提取的特征进行融合,并将融合后的特征应用到人脸识别中,据此训练出特征融合网络模型的网络参数;最后利用计算求出的阈值来区分类别。实验结果表明,在人脸库LFW数据集上,论文算法的人脸识别率可达98%;与现有的单一卷积神经网络相比,论文算法识别率更高。     

基于异值区域消除的遮挡人脸识别

针对存在部分遮挡的人脸的识别问题,提出了一种改进的基于异值区域消除的人脸识别方法。首先,由训练人脸图像得到平均脸图像,并将测试图像与平均脸图像作差值运算得到误差人脸图像;然后,对误差人脸图像进行分割得到测试人脸图像存在的遮挡区域,并将测试图像和训练图像的相应区域予以去除以形成新的测试图像和训练图像;最后,采用线性回归分类或稀疏编码分类方法实现人脸识别。与同类方法比较,本方法计算相对简单,展现了较好的识别性能提升。基于Yale B和AR标准人脸数据库的仿真测试结果验证了本方法的有效性。     

基于非负张量分解的人脸识别算法研究

人脸识别是生物特征识别中一个活跃的研究领域。非负张量分解作为非负矩阵分解的多线性推广,已被成功应用到人脸识别等领域。提出了基于非负张量分解的人脸识别算法。该方法无需将人脸矩阵向量化,从而保持了人脸矩阵的内部结构,即人脸图像的整体结构,使人脸特征提取更精确。 实验结果表明, 与经典的人脸识别算法如PCA和NMF相比,该算法提供了一种更好的脸部表示模式,提高了人脸识别的正确率。     

基于定点ICA算法的人脸识别方法

提出定点ICA算法结合均一化欧氏距离的人脸识别方法。该方法不仅可以提取出独立主成分,而且收敛速度快,克服了PCA算法提取特征不独立和一般ICA算法收敛速度慢的缺点。在特征聚类方法中,均一化欧氏距离的聚类效果优于欧氏距离和马氏距离。在正交在预处理程中,投影特征空间维数的选取根据具体数据库和训练样本集通过试验确定。试验结果表明,该人脸识别方法具有较好的识别能力和鲁棒性。     

基于多子空间直和特征融合的人脸识别算法

多个子空间直和能保证多个子空间数据融合时多个子空间得到的特征向量相互两两正交,融合数据采用该特征表示时冗余最小,更有利于分类识别。本文基于多子空间直和进行特征融合,提出了一种新的人脸识别算法。通过 2DPCA算法,首先分别计算所有训练样本归一化后正脸、左侧脸及右侧脸图像的协方差矩阵的各P个最大特征值对应的P个相互正交的特征向量,然后通过选取3个子空间的部分满足直 和条件的特征向量组成各自的特征空间(投影空间),再将样本正脸、左侧脸及右侧脸图像分别向各自特征空间投影得到3个特征矩阵,最后将此3个特征矩阵融合为该样本的特征矩阵用于最近邻分类器进行分类识别。最终通过本文3组实验数据的对比说明了该 算法能减少计算量并且提高了识别率。     

基于二进制标签松弛模型的遮挡人脸识别

遮挡人脸识别是人脸识别系统面临的挑战之一.在自然场景下,人脸特征通常被口罩等物品遮挡,导致人脸特征不完整,从而无法正确提取人脸特征信息,严重影响最终的识别结果.针对有遮挡条件下人脸识别效果较差的问题,通过利用低秩技术和二进制标签松弛模型的优势,该文提出了一种新的基于二进制松弛标签的回归模型.该模型通过学习一个更松弛的标...     

基于二维照片进行人脸识别的算法研究

研究图像人脸识别的问题,针对直接对照照片进行人脸识别时,受二维照片信息量的限制,以及识别时受检测人员的主观经验的影响,极易造成误识别,不能满足人脸识别准确率的要求。为了解决上述问题,提出了一种利用二维照片构建三维样本进行人脸识别的方法,通过提取二维图像中人脸的层次化特征,并利用特征向量重构人脸的参数曲面,然后在三维曲面中完成人脸的自动识别。实验表明,改进方法能够有效避免二维图像信息量的限制,以及检测人员主观经验的影响,准确完成人脸的识别,具有一定的使用价值。