一种光照不变人脸识别的预处理算法

提出了一种新的光照不变人脸识别的图像预处理算法称为分段局部归一化方法(SLN)。其思想是对图像像素分段,使得每段中各像素对应的物体表面点具有相近的表面法向量分布,因而对光源具有相似的灰度响应,然后局部归一化在各段中进行以削弱光照影响。该算法首先建立物体的朗伯(Lambert)表面反射模型,用奇异值分解方法估计出人脸形状的平均表面法向量分布矩阵,根据法向量方向利用聚类算法对像素进行分段,然后在各段中进行局部的像素归一化处理,最后传统的人脸识别算法如PCA在归一化后的图像中进行。在Harvard和YaleB人脸图像库中的识别试验表明,该算法能有效地提高在非均匀光照条件下的人脸识别率。     

基于形态学商图像的光照归一化算法

复杂光照条件下的人脸识别是一个困难但需迫切解决的问题,为此提出了一种有效的光照归一化算法.该方法根据面部光照特点,基于数学形态学和商图像技术对各种光照条件下的人脸图像进行归一化处理,并且将它发展到动态地估计光照强度,进一步增强消除光照和保留特征的效果.与传统的技术相比,该方法无须训练数据集以及假定光源位置,并且每人只需一幅注册图像.在耶鲁人脸图像库B上的测试表明,该算法以较小的计算代价取得了优良的识别性能.     

基于小波变换和去噪模型的光照不变人脸识别

针对正面光照人脸识别的难点,提出了一种应用小波变换和去噪模型的光照不变人脸识别算法。利用对图像的高频小波系数进行处理并运用去噪模型,提取光照人脸图像中的光照不变量,同时增强图像边缘特征,这有利于提取的光照不变量保持更多的人脸识别信息。在Yale B和CMU PIE人脸库上的实验结果表明,所提算法可以显著提高光照人脸图像的识别率。     

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GPU图像去噪总变分对偶模型的并行计算

研究基于总变分(TV)的图像去噪问题,针对中央处理器(CPU)计算速度较慢的问题,提出了在图像处理器(GPU)上并行计算的方法。考虑总变分最小问题的对偶模型,建立原始变量与对偶变量的关系,采用梯度投影算法求解对偶变量。数值实验分别在GPU与CPU上进行。实验结果表明,总变分去噪模型对偶算法在GPU设备上执行的效率高于在CPU上执行的效率,并且随着图像尺寸的增大,GPU并行计算的优势更加突出。     

基于对数函数的非局部总变分图像修复模型

针对基于总变分最小化的图像修复模型容易造成阶梯效应及假边缘的问题,提出了基于对数函数的非局部总变分图像修复模型。新的总变分能量泛函的被积函数为一个关于梯度幅度的对数函数。在总变分模型与各向异性扩散模型的偏微分方程框架下,首先,从理论上证明了对数总变分模型满足良好扩散所需的所有性质,并对其局部扩散行为进行了理论分析,证明了其在等照度方向及梯度方向扩散的良好特性。其次,为考虑图像块的相似性及避免局部模糊,采用非局部对数总变分进行数值实现。实验结果表明,与经典的总变分修复模型相比,基于对数函数的非局部总变分模型对图像修复的效果良好,避免了局部模糊,且在图像平滑区域能较好地抑制阶梯效应;与基于样例的修复模型相比,所提模型对纹理图像能获得更为自然的修复效果。实验结果表明,与三类总变分模型和基于样例的修复模型相比,所提模型的性能最优,且与各对比模型的平均结果（图2、图3、图4）相比,其结构相似性指数（SSIM）分别提高了0.065、0.022和0.051,峰值信噪比（PSNR）分别提高了5.94 dB、4.00 dB和6.22 dB。含噪图像的修复结果表明所提模型具有较好的鲁棒性,对含噪声的图像也能获得良好的修复效果。     

有效用于人脸识别的光照不变特征表示算法

在光照变化环境下,人脸识别的鲁棒性是人脸识别系统中一大挑战。针对光照变化对人脸识别的影响,对经典光照不变特征表示算法进行了研究,提出一种基于局部标准差光照不变的人脸特征表示算法及其加权形式。结合完备线性鉴别分析（Complete-Linear Discriminant Analysis,C-LDA）算法提取特征,在Extended Yale-B与YALE 人脸库中,与其他处理光照变化的经典方法相比,如多尺度Retinex（Multi Scale Retinex,MSR）、韦伯脸（Weber-Face,WF）和局部归一化（Local Normalization,LN）,提出的算法能获得更高识别率。     

基于加权分块稀疏表示的光照鲁棒性人脸识别

针对光照变化对人脸识别的效果带来严重影响,提出一种对人脸识别的光照变化具有鲁棒性的方法,即基于加权分块稀疏表示的人脸识别方法。该方法首先对人脸图像进行离散余弦变换（DCT）,通过去除 DCT 系数的低频部分来移除光照变化分量。通过反离散余弦变换得到光照归一化后的人脸图像,将人脸图像分块,独立地对每个子块作基于稀疏表示的分类,并对每个子块的分类结果进行加权投票得出测试人脸图像的类别。在 Yale B、extended-Yale B、CMU-PIE 和 FERET 人脸库上进行实验,实验结果表明该方法适用于光照鲁棒的人脸识别。     

提高人脸识别率的重光照算法

在逃犯追缉领域,基于人脸识别的逃犯鉴别技术受到高度重视。但是,各种恶劣的光照条件严重影响了对目标人脸的辨识。因此,如何排除光照干扰成为一个迫切需要解决的问题。本文提出一种新的重光照算法,利用自商图像算法求出人脸纹理特征,再利用辅助光照集合来归一化人脸光照分量,最后合成新的人脸图像用于人脸识别。在AR、CMU_PIE、CSA_Lighting库上进行人脸识别测试,结果表明改进的新算法有效地减轻了光照影响,提高了人脸正确识别率。在实际的追逃图片处理中也明显改善了追逃效率。     

基于局部定性表达的光照不变人脸识别方法

提出一种局部定性特征表达方法称为局部序映射(LOM)作为光照不变表达用于人脸识别。该特征表达像素在其邻域中所处的序阶位置,反应了图像像素在局部区域内的相对关系,因而对光照引起的图像大面积灰度变化有很好的不敏感性。同时提出一种针对序定性特征的逻辑距离度量,用于特征空间中最近邻分类器的相似性度量准则。 在Extended YaleB 光照变化人脸测试库中的实验表明了本文局部序映射表达的光照鲁棒性及逻辑距离度量的有效性。     

人脸光照问题研究综述

光照是影响入脸识别率的关键因素,它已成为人脸识别技术发展的瓶颈。在光照变化对入脸图像影响分析的基础上,按照处理方式的不同对光照处理方法进行了分类和评价。从基于不变特征的方法、光照变化建模的方法、人脸图像归一化的方法和基于SFS的方法等四个方面介绍了相关的算法和理论,分析了各种方法的优缺点,并提出了关于人脸光照问题的进一步研究方向。     

基于HMM的单样本可变光照、姿态人脸识别

提出了一种基于HMM的单样本可变光照、姿态人脸识别算法.该算法首先利用人工配准的训练集对单张正面人脸输入图像与Candide3模型进行自动配准,在配准的基础上重建特定人脸三维模型.对重建模型进行各种角度的旋转可得到姿态不同的数字人脸,然后利用球面谐波基图像调整数字人脸的光照系数可产生光照不同的数字人脸.将产生的光照、姿态不同的数字人脸同原始样本图像一起作为训练数据,为每个用户建立其独立的人脸隐马尔可夫模型.将所提算法对现有人脸库进行识别,并与基于光照补偿和姿态校正的识别方法进行比较.结果显示,该算法能有效避免光照补偿、姿态校正方法因对某些光照、姿态校正不理想而造成的识别率低的情况,能更好地适应光照、姿态不同条件下的人脸识别.     

一种光照变化条件下的人脸识别方法

针对光照变化引起的人脸识别问题,提出一种区域光照人脸识别方法。首先采用区域划分技术将人脸图像分为4个区域,以区域范围内的灰度变化作为光照影响人脸显示的度量值,对受光照影响区域进行频域光照归一,再以区域为单位采用支持向量机进行识别,最后对识别结果进行融合。实验表明,该方法可以在光照变化条件下获得较好的人脸识别率。     

深度人脸识别的光照分析

光照是影响人脸识别效果的重要因素,针对当前人脸数据建库技术构建满足光照分析需求的数据库难度较大的问题,开展基于三维人脸模型的深度人脸识别光照分析研究.首先,借助三维人脸模型,根据人脸基图像表示理论提出一种对应任意光照的人脸图像生成方法,用于构建光照分析所需的人脸图像库;然后,利用构建的多光照人脸图像库分析不同光照采样方案对人脸识别模型性能的影响,探索建库所需的最优光照采样方案;最后,借助虚拟数据具有准确光照标注的优势,基于多任务学习框架测试不同光照标注方法对识别网络训练效果的影响,进一步提高深度人脸识别网络对光照变化的鲁棒性.通过在虚拟数据和真实数据上开展的不同光照采样方案及标注方法对人脸识别模型性能影响的实验得出,使用适量基图像光照构建数据库是一种有效的光照采样方案,而准确的光照标注可进一步提升人脸识别率,对应的识别模型在具备极端光照的测试集上的人脸识别率可达98%以上.该研究提高了深度人脸识别模型的性能,为构建人脸图像库的光照采样策略和光照标注方法提供了依据.     

基于隐马尔科夫模型的人脸识别

对于人脸识别系统来说,人脸图像的特征提取和匹配是决定人脸识别系统性能的关键所在。文中提出基于隐马尔科夫模型的人脸识别方法。首先,根据人脸的特点建立马尔科夫模型,然后对图像进行预处理,再利用采样窗对人脸图像进行采样并进行离散余弦变换,提取变换后的系数作为观察向量。最后对人脸图像进行HMM训练,训练结束后即建立了一个人的HMM。基于DCT系数的二维隐马尔科夫模型由于充分利用了人脸图像的二维统计特性,具有较高的识别率。实验结果证明此方法在准确性方面具有良好的性能。     

改进型Gabor自商图算法及其在人脸识别中的应用

光照变化是影响人脸识别系统性能的关键问题之一,针对该问题提出了一种改进的基于Gabor特征的自商图算法。对人脸图像采用改进的加权Gabor滤波器进行平滑的Gabor特征提取,使用自商图像的方法求取图像的光照不变特征;对得到的自商图像用直方图截断等方法进行归一化;在Extended Yale B与CMU PIE人脸库上通过基于皮尔逊相关系数的最近邻方法进行实验。实验结果表明,与传统算法相比,该算法可以大幅度提高人脸识别率。     

TV改进算法及其在人脸识别中的应用

针对传统全变分（TV）模型在测试过程中存在的问题,将弹性网引入TV模型中,采用二次多项式对TV模型所丢弃的人脸低频信息进行光照归一化处理,并提取图像的高频信息,在YaleB图像库中测试其性能,仿真实验结果表明,相对于TV模型,TV＋二次多项式模型能够有效提高图像识别率。