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.     

基于扩展轮廓的快速仿射不变特征提取

针对快速仿射不变特征提取算法分类识别能力较差的问题,首先找出了算法证明及计算过程中的不足;其次提出并证明了扩展轮廓的仿射不变性,并通过扩展轮廓修正了算法中不足;然后,通过仿真实验给出了算法中参数设置的区间,并确定了算法中组合函数的个数及幂次。实验对比了基于扩展轮廓的快速仿射不变特征提取算法与原始算法及多尺度自卷积矩算法的分类识别能力,结果表明,基于扩展轮廓的快速仿射不变特征提取算法的分类识别能力明显优于原始算法和多尺度自卷积矩算法。     

基于改进的HU不变矩的电力图元特征提取

对电力工程图纸进行矢量化的前提是正确识别出电力图纸中的每一个图元,因此,对电力图元的特征提取变得尤为重要.对原有的HU不变距进行了修正,用于对常见电力图元的特征提取,通过MATLAB编程得出提取的各个向量.实验结果表明,改进的HU不变矩具有良好的旋转、平移和缩放(RTS)不变性.     

小波和仿射不变矩的目标特征提取方法研究

不变矩是目标识别中重要而有效的特征提取方法。利用小波矩具有的多尺度、平移和旋转不变性进行特征提取,有较高的识别率。但当拍摄角度不同,图像发生形变,识别效果降低。针对这一问题,提出了一种将小波矩和仿射不变矩相结合用于目标特征新的提取方法,并验证本方法的鲁棒性更高,识别效果更好。     

基于二维人脸图像的特征提取技术研究

针对目前人脸识别中特征提取的技术特点,提出了一种基于二维人脸图像的特征提取方法,利用肤色分析及灰度投影对二维人脸的关键特征点进行定位、分析并提取.经实验证明,此方法能够对人脸区域的特征点实现准确、可靠的定位.     

基于知识库进行人脸图像特征提取的研究

采用区域性增强法对人脸图像进行预处理，用基于知识库的方法提取人脸几何特征．通过选用人脸上３２个特征点，结合人像学，美学原理及人脸识别的心理特征，提出一种简便的，高精度的“知识库”法和“区域处理”法，使人脸图像可有别于其它图像进行处理．     

基于不变矩和神经网络的三维物体识别

为了提高三维物体识别系统的识别率,研究了将三维物体的不变矩作为物体特征,结合改进的BP神经网络应用于三维物体分类识别。理论分析和仿真实验表明,利用三维物体的不变矩特征能够有效地进行识别,对不变矩特征进行主成分分析可以进一步提高识别性能,达到100%的识别率,并降低神经网络结构复杂性和减少训练时间。     

基于卷积神经网络的人脸图像特征提取

为了提高对人脸的自动识别和检测能力,提出了一种基于卷积神经网络的人脸特征提取技术。采用连续模板匹配技术进行人脸边缘轮廓的检测,采用Harris角点检测方法进行人脸的关键特征点定位,在人脸的分块区域内进行人脸的肤色特征分析和外包矩形轮廓区域特征提取,结合肤色特征对图像中人脸特征点进行图像重构和精确定位,对提取的人脸特征点采用卷积神经网络进行分类,实现对人脸图像特征的优化提取。仿真结果表明,采用该方法进行人脸特征提取的准确性较高,具有较好的特征匹配能力。     

人脸图像的LTP特征提取

人脸特征提取是人脸识别过程中的关键步骤.基于局部二值模式(LBP)理论,尝试了一种基于局部三值模式(LTP)纹理特征提取方法.在一个窗口中将邻域像素值与中心像素值和阈值t的和差进行比较,从而根据像素不同位置进行加权求和求出LTP正负值,即可求得灰度值,最终得到LTP特征提取结果.在MATLAB软件平台上进行了算法仿真,实验结果表明,与基于LBP局部纹理描述的算法相比,基于LTP局部纹理描述的算法具有更强的判别能力,特别是对于统一区域的噪声具有更强的鲁棒性.     

基于尺度不变特征变换的平面旋转人脸检测

针对平面旋转人脸检测的问题,改进了传统的尺度不变特征变换(SIFT)算法,利用其旋转、缩放、平移及部分仿射不变性完成平面旋转人脸的检测。首先通过模板与对比度加权的方法对SIFT关键点进行裁减,以提高计算效率并过滤无效关键点,然后提出一种更精确的主方向计算方法确定关键点主方向,通过Adaboost算法训练人脸公共特征分类器并计算关键点的匹配率作为置信权值,完成平面旋转人脸的检测,并根据关键点主方向进行扶正。最后通过实验与传统方法进行了对比,结果表明:本文方法在保证检测率的同时,在扶正精确度、检测速度方面均有较大提高。     

仿射不变的快速局部特征描述子算法

在局部图像特征的研究中,提出了一种用于实时图像匹配的仿射不变快速局部特征(Affine invariant fast local feature,AIFLF)描述方法。在兴趣点的局部邻域内利用归一化的梯度值建立基于仿射不变矩的描述子。模拟实验中,将利用Harris-Laplacian检测子的本文算法与经典SIFT算法进行了对比。结果表明:在识别率相当的条件下,本文算法运行时间明显小于SIFT描述子。在标准评估图片和移动机器人平台拍摄的定位图片构成的数据集下,本文算法在尺度、视角和旋转变换中的匹配效果好于经典的SIFT算子和SURF算子。     

基于不变性特征的水下目标特征提取

针对水下成像环境的特殊性和复杂性,分析了在离散状态下比例因子对不变矩特征的影响,构造了基于区域矩的仿射变换不变量,以克服水下不确定因素给目标识别带来的困难,为了验证所提取特征的有效性,对球体、椭球体、三棱柱和四棱柱4类水下目标进行了特征提取试验．仿真试验结果表明,该方法在对简单背景水下图像的特征提取上能够取得较好的效果,可有效地克服水下图像灰度分布不均和环境不确定因素的干扰,实现了对水下目标的区分．     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

基于局部多特征融合的三维人脸识别方法

为了克服表情变化对三维人脸识别的影响,提出一种基于局部多特征融合的三维人脸识别方法.该方法首先根据中心侧影线提取鼻尖点,并以鼻尖点作为基准点制定窗口; 然后利用形状索引值在窗口内提取关键点,并计算每个关键点和其区域的多维度特征后将其融合成特征向量; 最后采用相似度匹配方法进行人脸识别,并以匹配点数最多的特征向量作为最终的识别结果.实验结果表明,该方法的识别率到达97.7%,且具有较好鲁棒性,同时优于文献[4]、[6]和文献[7]的方法; 因此,该方法可为有效解决表情变化对三维人脸识别的影响提供参考.     

基于低秩表示投影的无监督人脸特征提取

为了构造数据之间的自适应邻接图,同时克服稀疏表示系数和协同表示系数互相独立、提取全局信息弱的缺陷,提出采用低秩表示(low-rank representation, LRR)系数构造权重矩阵的流形学习算法,即低秩表示投影(low-rank representation projections, LRRP)和判别低秩表示投影(discriminative low-rank representation projections, DLRRP)。在新算法中,将低秩表示系数表征的样本之间的邻接关系保留在特征空间;同时利用低秩系数的聚类性质,在优化目标中加入类内散度最小化项,计算出具有判别性的投影矩阵。试验结果表明,在真实人脸图像库上与其他几种流形学习算法相比,LRRP和DLRRP能够取得更好的识别率。提出的新算法是有效的特征提取算法,能够丰富流形学习框架。     

基于特征融合的水下目标识别方法

针对传统Hu氏不变矩易受摄像头径向畸变影响造成水下目标识别率低的问题,提出一种基于改进的Hu氏不变矩提取形状特征的方法,该方法依据摄像头的径向畸变模型重新恢复目标像素坐标与其灰度值的映射关系,构造出新的具有平移、缩放和旋转不变形的形状特征向量.同时为消除形状特征向量信息间的冗余问题,根据相关向量线性组合不改变向量自身性...     

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．     

基于低分辨率局部二值模式的人脸识别

为提高人脸识别的准确度,提出了一种基于低分辨率局部二值模式的人脸识别方法。该方法将原始人脸图像滤波下采样处理成低分辨率图像,将其划分成若干块矩形块图像,对每一块图像进行局部二值模式计算,统计出每一块LBP图谱的直方图,再连接在一起成为这幅图片的最终特征向量。经实验表明,该算法在ORL和YALE上均取得了更好的识别效果,且对光照、表情、姿势等的变化具备鲁棒性。