人脸识别:从二维到三维

人脸识别是生物特征识别技术的一个重要方向。虽然目前大部分研究都还只是针对二维人脸图像,但是3D人脸模型包含更丰富的人脸信息,有助于机器对人脸的识别。从二维到三维,人脸识别研究进入了一个新的阶段。从3D人脸数据的获取方式入手,介绍最近提出的一系列3D人脸识别算法,并进行归类。最后提出"有针对性地获取3D人脸模型数据是进行有效识别的基础"这一结论。     

基于3D人脸重建的光照、姿态不变人脸识别

待匹配人脸图像与库存原型图像之间姿态和光照的差异是自动人脸识别的两个主要瓶颈问题,已有的解决方法往往只能单独处理二者之-,而不能同时处理光照和姿态问题.提出了一种对人脸图像中的姿态和光照变化同时进行校正处理的方法,即通过光照不变的3D人脸重建过程,将姿态和光照都校正到预先定义的标准条件下.首先,利用先验的统计变形模型,结合人脸图像上的一些关键点来恢复较为精细的人脸3D形状.基于此重建的3D形状,进而通过球面谐波商图像的方法估计输入图像的光照属性并提取输入图像的光照无关的纹理信息,从而将光照无关的3D人脸完全重构出来,生成输入人脸图像在标准姿态和光照条件下的虚拟视图,用于最终的分类识别,实现了对光照和姿态问题的同时处理.在CMU PIE数据库上的实验结果表明,此方法可以在很大程度上提高现有人脸识别方法对于原型集合(gallery)和测试集合中图像在姿态和光照不一致情况下识别结果的正确性     

基于多通道Log-Gabor小波与(2D)^2PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale 人脸数据库上的实验结果表明,该算法具有较好的识别性能。     

基于样例学习的任意光照下的人脸3D重建方法

待匹配的人脸图像与数据库中的原型图像之间的光照差异是自动人脸识别的主要瓶颈问题之一。提出了一种基于样例学习方式的3D人脸形状重建方法,既可以生成任意光照条件下的数据库中人脸图像,也可以对待识别图像进行重新光照,合成无阴影的图像。该方法在建立人脸数据库时利用光度立体技术分离人脸图像的纹理和形状信息,并用多面体模型在最小二乘意义下恢复其3D信息并更新法向量场以克服阴影误差,从而可以利用计算机图形学的方法合成任意光照条件下和小角度姿态改变时的人脸图像;在识别时采用数据库中3D数据的线性组合形式对输入图像建模,以估计其3D信息,从而可以重新照明。在YaleB人脸数据库上的实验表明,在建立3D人脸数据库后,该方法可以快速恢复输入单幅图像中人脸的3D信息,并生成任意光照条件的该人脸图像。     

基于MobileNetV2与树莓派的人脸识别系统

人脸识别技术在安防,商业,金融等领域都有广泛的应用.针对目前人脸识别系统成本高,易用性低等现象,提出了基于树莓派(Raspberry Pi)实现人脸识别的方案.首先利用OpenCV计算机视觉库中的Harr级联方法,对图像中的人脸进行定位;然后利用改进的MobileNetV2网络模型对人脸进行特征提取和分类,得到一个优化的人脸识别模型;最后将模型移植到Raspberry Pi进行人脸识别.该模型对图库中的人识别准确率为95％,对陌生人识别准确率为80％.实验结果表明该系统进行人脸识别工作稳定,识别速度快,应用场景广.     

深度学习与人脸识别算法研究

目前人脸识别技术已经得到了较多的应用,包括在安检工作、金融工作以及交通等领域中,其稳定性强、识别精度高,市场应用前景广阔,能够为用户信息的识别提供更便捷的服务。随着对人脸识别研究的深入,出现了更多的算法,最初大多都是提取浅层特征来进行分析,并采用特征融合的方式识别,在最后的识别过程中主要利用了联合贝叶斯分布等机器学习分类器进行处理。这种方法虽然能够达到一定的识别效果,但是精度不高,容易受到多种外部因素(光照、遮盖等)的影响,降低了识别结果的准确性。本文主要对人脸识别的框架进行了研究与分析,首先设计了人脸识别框架,然后对深度学习人脸识别算法的几个重要组成部分进行了分析与研究,主要包括人脸对齐模块、人脸特征提取、人脸识别验证模块等。     

基于视频监控的人脸识别方法

目前人脸识别方法主要针对静态图像进行识别,而在监控视频中,不同视频帧人脸具有相关性且只有部分人脸能够有效反映人脸信息。根据监控视频中人脸图像变化特性,提出了一种基于监控视频的人脸识别方法。首先通过结合人脸检测与跟踪技术获得视频人脸序列,然后以视频人脸序列中部分人脸图像识别结果为导向选取全部人脸序列图像中的代表人脸图像进行识别,最后根据选取的全部人脸图像识别结果综合反映人脸信息。实验结果表明,该方法能够在确保识别率和误识率的前提下有效提升监控视频中人脸识别的实时性。     

基于概率神经网络的人脸图像精准识别系统设计

针对当前识别系统在识别多角度人脸图像时存在正确识别率低的问题,引入概率神经网络,设计基于概率神经网络的人脸图像精准识别系统。首先,从路由器选型、摄像头装置选型两个方面进行系统硬件设计;其次,从建立识别模型、人脸图像特征提取、多角度人脸识别3个方面进行系统软件设计;最后,进行对比实验。实验结果表明,与对照组相比,该系统的识别率更高,识别精度符合预期要求。     

面向单幅图像的逼真3D人脸重建方法EI北大核心CSCD

针对3DMM参数拟合方法生成的纹理过于粗糙、结果不够逼真的问题,提出一种基于深度学习的单幅图像逼真3D人脸重建方法.首先构建RP-Net回归网络和包含5万幅人脸图像的数据集,从输入图像中学习参数,并拟合人脸模型生成3D人脸几何;然后通过构造多层次的损失函数进行弱监督学习,包括低水平的像素损失、地标损失和高水平的身份损失;最后通过纹理映射的方式生成逼真的人脸纹理.在2个通用人脸数据集和1个人工生成的人脸数据集上与最近的3D人脸重建方法进行对比实验,并对影响重建的光照、表情和转向等因素进行实验,根据SSIM和PSNR对3D重建结果进行量化分析.实验结果表明,所提方法面向单幅图像可以生成准确的3D人脸形状和逼真的人脸纹理;与最近的3D人脸重建方法相比,该方法的训练时间和迭代次数分别降低了6%和13%,SSIM值增加0.005~0.010,PSNR值平均提高0.03~0.08 dB.     

结合2DWT和Fisherfaces的人脸特征提取新方法

针对人脸表情变化对人脸识别的影响,提出一种结合小波变换(DWT)、特征脸方法(PCA)和线性判别法(LDA)的人脸特征提取新方法.首先将人脸图像通过二维小波变换(2DWT)提取其低频分量,然后将低频图像经过PCA变换映射到一个低维空间,最后在低维空间中利用LDA方法进行人脸特征的提取.通过此方法,采用ORL人脸库和Yale人脸库进行测试,我们可实现更准确的特征提取,并有效解决表情变化对人脸识别的影响问题.实验结果显示,本文方法在提高人脸识别率的同时,也提高了人脸识别速度.     

基于机器学习的人脸图像识别研究

为提高人脸识别的准确性和效率,文章提出一种基于机器学习的人脸图像识别方法。首先,采集大量人脸图像数据,通过局部二值模式提取人脸图像的特征;其次,利用主成分分析法完成特征降维;最后,将降维后的特征输入模糊径向基函数（Radial Basis Function,RBF）网络,实现人脸图像识别。实验结果表明,该方法具有较好的特征提取效果,可有效识别人脸图像。     

基于人脸标准化的纹理和光照保持3D人脸重构

现有人脸纹理重建方法对于人脸的皱纹、胡须、瞳孔颜色等重建效果往往不够细致.为了解决此问题,文中提出基于人脸标准化的纹理和光照保持3D人脸重构.首先对2D人脸图像标准化,使用光照信息和对称纹理重构人脸自遮挡区域的纹理.然后依据2D-3D点对应关系从标准化的2D人脸图像获取相应的3D人脸纹理,结合人脸形状重构和纹理信息,得到最终的3D人脸重构结果.实验表明文中方法有效保留原始2D图像的纹理和光照信息,重构的人脸更自然,具有更丰富的人脸细节.     

基于双目被动立体视觉的三维人脸重构与识别

提出一种基于双目被动视觉的三维人脸识别方法, 该方法采用非接触式的人脸信息采集技术, 利用图像中弱特征检测方法实现双目视觉中的人脸检测与初步视差估计, 运用基于复小波的相位相关技术对人脸表面进行亚像素级小区域匹配, 重建人脸三维点云信息. 通过可调训练次数的神经网络技术实现多层次人脸曲面重建, 并结合人脸2D图像对重构曲面进行仿射归一, 继而迭代地进行特征提取与识别过程. 实验结果表明, 双目视觉方法使人脸信息采集过程友好隐蔽; 在对应点匹配中, 运用复小波的相位相关算法可获得密集的亚像素精度配准点对, 用神经网络方法可正确重建人脸曲面. 识别过程对环境以及人脸位姿表情等鲁棒性强. 该系统成本十分低廉, 适合在许多领域推广应用.     

基于多分辨率下节点图像融合的人脸识别方法

人脸识别是人机接口和生物信息领域研究的重要方面,得到广泛的关注,人脸特征提取是其重要环节之一。为了克服人脸光照和表情变化对特征提取的影响,提出在小波包分解后的多分辨率下利用(2D)2PCA提取人脸特征进行识别的方法,主要创新包括：（1）以小波包分解所有节点图像为研究对象;（2）提出以识别率来选取“成功”节点;（3）提出一种融合节点图像的方法。首先通过二层小波包分解获取节点图像,采用(2D)2PCA方法提取所有节点图像的特征矩阵,并利用最邻近分类器获取其识别率,然后在选取“成功”节点图像的基础上,构建了一个融合方法进行人脸识别。用CMU PIE和Yale 库中的样本进行对比测试,结果表明本方法的高效性,同时也说明融合多分辨率下的节点图像能有效提高识别率。     

基于无人机数据采样的人脸识别研究方法

提出了一种基于无人机数据采样的人脸识别研究方法.针对无人机采集的图像或视频数据进行人脸识别应用,采用深度学习算法对此进行研究,通过线下采集获取目标人脸,对采集到的目标人脸进行数据增强扩充数据集,进而增加入物识别准确率,使用训练好的Facenet网络对目标人脸进行特征提取,获得目标人物人脸特征并建立人脸特征库.在人脸检测...     

关键点匹配三维人脸识别方法*

提出了一种新颖的三维人脸识别算法,其基本思路是,把代表人脸的三维点云沿X、Y或Z轴旋转,反复多次把3D人脸关键点投影到2.5D图像上,然后提取2.5D图像的关键点并进行标记,而用这些比原来小得多的关键点代替原来的面扫描。面对未知的待测人脸首先通过执行相同的多视角特征点提取技术提取关键点,然后应用一个新的加权特征点匹配算法进行识别。通过用GavabDB三维面部识别数据集进行试验评估,这个方法对中性表情人脸可获得高达94％的识别精度,对人脸表情辨识（如微笑）的准确率也超过了88％。实验结果表明,此方法在识别精     

基于Adaboost与LDP算法的人脸识别研究

针对人脸识别过程中识别时间和成功率等问题,提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法,去除图像中的非人脸部分,减少图像的大小,节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验,实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少,改进后的LDP算法与传统LDP用时相差不大,但是识别成功率有所提高。     

基于深度可分离卷积的轻量化人脸识别方法设计

针对传统人脸识别方法识别精度较低的问题,提出基于深度可分离卷积的轻量化人脸识别方法。构建深度可分离卷积的轻量级卷积神经网络模型,采集人脸图像并进行预处理,从而增强数据集,采用多任务卷积神经网络提取人脸特征,完成人脸识别方法的设计。实验结果表明,该方法优于其他方法,人脸识别的准确率保持在90%以上,识别精度较高。     

基于姿态校正与虚拟样本的多姿态人脸识别

研究人脸识别问题,提高多姿态识别精度.针对训练样本不足,当测试人脸图像姿态变化较大时,就会降低一致性,使得识别精度急剧下滑(低于60％),甚至出现无法识别的情况.为解决因训练样本不足导致识别精度低下的问题,根据正弦变换的改进型姿态校正人脸识别策略,在保留人脸图像的纹理信息的情况下,将多姿态样本校正为正面人脸图像,利用二次多项式变换方法增加虚拟训练样本,解决了实际情况中只能获取一个正面或侧面训练样本的问题,于是采用子空间的特征提取方法进行仿真,在保证时间消耗的情况下,识别率相比传统模型提高了19个百分点,达到77％,表明改进方法能对多姿态人脸进行有效识别,并提高了识别精度.     

基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。