基于肤色模型的人脸标准化方法

在对传统积分投影法实现人脸标准化算法及其特点进行分析的基础上,针对其对姿态变化敏感的缺点,利用肤色信息的聚类性特点,提出了基于肤色模型的人脸标准化算法。通过实验对算法进行仿真,结果表明,该算法可以较为理想地实现对各种姿态人脸的标准化,从而达到对自然环境下拍摄的人脸图像进行标准化的目的。     

BP网络模型对人脸朝向的识别

研究BP神经网络模型,通过计算机模拟人脑建立神经元网络,使用一部分人脸朝向信息作为训练的实例集,训练稳健后,可以推广应用判断其他人脸的朝向信息,以实现计算机自动识别人脸朝向。先对图片进行归一化等预处理,再应用主成分分析提取特征信息,每幅提取出的特征信息都是8个数据的列向量,构建一个8个输入、17个隐含、3个输出的三层BP网络模型。将训练实例集的特征向量代入训练,调整参数后保证其性能和收敛速度。最后通过大量实验验证,计算机识别的误判率仅为6.7%,模型可靠。     

目标边界点集的层次化描述及其形状检索应用

提出用于轮廓线形状和区域形状图像检索的形状描述方法,该方法将目标形状的边界（包括内边界）表示为一个无序的点集,沿各方向对点集的迭代分割,建立层次化的边界点集描述模型.通过对各层形状边界的分割比和分散度的几何特征度量,产生各层的形状特征描述,对它们进行组合,建立对目标形状的层次化描述.两个目标形状的差异性度量定义为它们的层次化描述子的L-1距离.该方法具有：（1）通用性.能够描述轮廓线形状和区域形状这两种不同类型的形状;（2）可扩展性.基于所提出的分层描述框架,可以将分割比和分散度这两种几何度量进行扩展,纳入更多其他几何特征度量,以进一步提高形状描述的精度;（3）多尺度描述特性.提出的分层的描述机制,使得描述子具有内在的由粗到细的形状表征能力;（4）较低的计算复杂性.由于仅仅计算目标图像的边界像素点,使得算法具有较高的计算效率.用MPEG-7 CE-2区域形状图像库和MPEG-7 CE-1轮廓线形状图像库这两个标准测试集对该方法进行评估,并与同类的其他形状描述方法进行比较,实验结果表明：提出的方法在综合考虑检索精确率、检索效率和一般应用能力等指标的情况下,其性能上要优于各种参与比较的方法.     

基于小波分析的人脸特征提取方法

人脸识别是目前生物识别的热门研究领域 ,具有广泛的应用前景。人脸具有唯一性 ,相对稳定 ,所以机器自动识别人脸是可行的。本文提出利用小波分解提取人脸特征进行分类     

基于灰度差投影的快速人脸定位和特征提取

人脸识别是近年来热门而且发展很迅速的一个研究课题。人脸定位作为人脸识别的第一步，更加显得重要。本文比较了现有的各种投影定位方法，给出了各方法的实验结果。在此基础上，提出了一种新的定位方法，并用于人脸左右边界的定位和鼻子的定位。实验结果表明，这种方法不仅速度非常快，而且定位准确率要远远高于现有方法。     

融合WMD矩阵与2DPCA的人脸特征抽取与识别

提出了一种融合小波矩描述子(WMD)矩阵与二维主成分分析(2DPCA)的人脸特征抽取与识别算法。该方法抽取描述人脸本质特征的WMD矩阵,利用2DPCA对该矩阵进行投影压缩降维,抽取人脸最终鉴别特征,利用最近邻分类器对特征进行分类识别。NUST603人脸库上的实验结果验证了算法的有效性。     

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。     

人脸检测系统的研究

人脸检测系统采用的是一种基于模板匹配的快速人脸定位算法。该算法利用积分投影法先预测出人脸可能的范围与位置,然后在限定的范围内利用模板匹配的方法定位人脸,从而实现了快速而且可靠的人脸定位。     

基于积分投影的快速人脸定位

本文提出了一种基于积分投影的快速人脸定位算法。该算法利用积分投影法预测人脸可能的范围与位置，并且根据该结果定制出人脸模板，然后在限定的范围内利用此模板采用模板匹配的方法定位人脸，从而实现了快速又可靠的人脸定位。     

一种基于肤色和主元分析的人脸检测方法

提出一种基于人脸肤色统计模型和主元分析(PCA)的人脸检测和定位方法。对现有的高斯肤色模型进行改进，并提出一种新的简便有效的候选人脸区域定位方法，最后采用基于主元分析的人眼检测算法完成对候选区域的检验。实验证明该方法可以有效地运用于多人脸，不同尺寸和复杂背景的情况，具有良好的检测效果。     

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。     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

基于均匀LBP和稀疏编码的人脸识别算法

人脸识别一般都要先对人脸特征做维数约简,再做识别。有些传统的维数约简算法对训练样本的数量有一定的要求,比如对分类比较有效的LDA算法。而现实应用中,数据库往往只能为每个人脸对象提供数量非常有限的图片,甚至是单样本。提出一种基于均匀LBP(Local Binary Pattern)算子和稀疏编码的人脸识别方法,使用少量关键特征代替维数约简过程,解决训练样本稀少的问题。在Stirling人脸库上进行测试,获得较高的识别率和鲁棒性,证实了算法的有效性。     

人脸识别理论研究进展

综述了人脸识别理论的概念和研究现状,讨论了其中的关键技术和难点以及应用和发展前景,最后对人脸识别研究中应注意的问题提出了我们的看法     

基于Adaboost和PCA的嵌入式人脸识别方法

针对传统的Adaboost算法和主成分分析(PCA)算法用于人脸识别时在环境与姿态等非约束性条件下识别率大大降低以及要求训练样本符合高斯分布的缺陷,提出了一种融合Adaboost和PCA的与或关联决策方法.一方面,在需要安防模式时开启或决策,拒绝近似全部负样本的请求,最大限度保证识别的正确率;另一方面,在需要访客模式时开启与决策,以减少正样本的丢失.在Samsung 2440嵌入式Linux平台上采用该方法进行人脸检测时,基于2种决策方法,分别满足各自阈值.实验结果表明:该方法在嵌入式平台运行稳定,适合推广于智能家居控制与楼宇自动化控制.     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其特点是能有效地抽取图像的局部特征，正是这些特征使此类模式区别于彼类．在ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

基于多域特征提取和决策层融合的人脸识别

为了提取人脸图像丰富、有效的互补特征集,建立三种基于空域、频域和u域(分数阶傅立叶域)的特征提取模型,分别为基于局部二元模式(LBP)的空域多分辨率特征提取模型与基于频域和u域混合特征提取模型。在决策层,用加权和的方法对三种模型得到的相识度矩阵进行融合得到总的相识度矩阵,用最近邻分类器进行分类得到识别结果。实验表明,该方法能提取出丰富、有效的判别特征,与基于单一特征形式的人脸识别方法相比,识别效果得到了较高的改善。     

基于故障检测率的主元个数确定方法

主元个数是PCA模型的关键参数,其选取直接决定PCA的故障诊断性能;针对传统主元个数选取方法主观性较大,且不考虑故障诊断要求的缺点,提出一种改进的主元个数确定方法;该方法将传统的累积方差贡献率与故障检测率相结合,首先利用累积方差贡献率初步确定主元个数,然后确定满足故障检测率要求的主元个数,将两个主元个数进行比较,从而获得最佳主元个数;与单纯累积方差贡献率方法相比,提高了主元模型的精度,减少了以往方法中人为因素的影响;通过对卫星控制系统的故障检测,证实了该方法可大大提高故障检测准确率。     

基于PCA和LDA统一化原理的增强型线性鉴别分析准则

主分量分析(PCA)和线性鉴别分析(LDA)是模式识别领域的使用最为广泛的两种特征抽取方法,而在图像识别中经常采用的是PCA LDA方法来代替单纯的LDA。本文提出一种增强型线性鉴别准则(ELDA),将PCA的优点和LDA的优点充分地融合在一起,不仅解决了PCA过程中使用最小距离方法时识别精度相对低的缺点,而且解决了LDA过程中当类内散布矩阵奇异时投影向量的求解问题,也就是说可以使用该方法来替代PCA LDA的两步骤方法。另外,该方法在识别精度上比PCA和LDA或PCA LDA方法都有较大的提高,通过在ORL、Yale和NUST603人脸库上的实验验证了该算法的有效性。     

人脸遮挡区域检测与重建

提出一种基于模糊主分量分析技术(FPCA)的人脸遮挡检测与去除方法.首先,有遮挡人脸被投影到特征脸空间并通过特征脸的线性组合得到一个重建人脸.计算重建图与原图的差图像,加权滤波后并归一化作为被遮挡的概率,以此概率为权重由原图和重建图合成新的人脸.在后续迭代中,根据遮挡概率使用模糊主分量分析进行分析重建,并使用累积误差进行遮挡检测.实验结果表明,算法可精确定位人脸遮挡区域,得到平滑自然的重建人脸图像,优于经典的迭代PCA方法.