自适应局部综合特征加权的单样本人脸特征提取

为了有效地提取单训练人脸样本的特征,提出了一种新的人脸局部特征描述方法,改进了局部二进制模式的方向性描述单一的问题,并且加入了像素间变化趋势幅度的描述,称之为局部综合模式(Local Comprehensive Patterns,LCP).首先对人脸样本图像进行分块,然后每个的分块子图像进行改进LCP算子运算;其次考虑到每个子块的特征对整幅人脸图像的贡献度不一致,提出了贡献度图谱(Contribution Map,CM);最后根据贡献度图谱对每个子块的改进LCP描述进行自适应加权融合形成最终的人脸描述特征,最后在ORL和Yale B库上进行了有效性的测试,与现有的多种算法进行比对,所提出的算法对于非限定环境下人脸的识别有良好的效果.     

自适应判别分析在单样本人脸识别中的研究

在每个人只有单个样本(Single Sample per Person,SSPP)的情况下,很多人脸识别方法将不能很好地工作,因为它们需要每人有一个以上的样本来估计类内散布矩阵。为了解决这个问题,提出了一种自适应判别分析(Adaptive Discriminant Analysis,ADA)方法,借助于一个每人多样本的通用训练集,推断出每个对象的类内散布矩阵,然后再运用传统的经典方法进行特征提取。最后,在FERET及Yale两大通用人脸数据库上运用KNN及Lasso回归两种分类器对所提方法进行了实验,实验结果表明,与几种先进的方法相比较,ADA在处理SSPP问题上取得了更好的效果。     

人脸特征提取的快速算法实现

近年来,随着计算机技术的发展,人脸识别研究引起了学术界越来越多的关注。而在众多研究方向中,研究最多的是关于人脸正面模式的研究,本文介绍根据人脸的肤色特征以及相应的边缘检测技术来实现一种提取人脸器官的算法,这种算法对于嵌入式系统中有关人脸相关的应用具有一定的价值。     

NSCT域自适应人脸图像光照不变特征提取

为了减少光照变化对人脸识别算法的影响,提出了一种基于非下采样Contourlet变换(NSCT,nonsubsampled contourlet transform)的光照不变特征提取方法。人脸图像经过对数变换(LT)后,利用NSCT进行分解,得到图像的低频子带和高频方向子带;根据高频子带中NSCT系数的概率分布,给出各子带的自适应阈值,并采用折衷阈值函数进行滤波;对滤波后的子带进行NSCT逆变换,得到人脸图像的光照不变特征。在Extended Yale B和CMU PIE人脸数据库上的实验结果表明,本文方法能有效减少光照影响,显著提高了识别率。     

基于样本扩张和最大散度差融合的单样本人脸识别算法

为解决只有一个训练样本时最大散度差(MSD) 鉴别分析在人脸识别中的识别性能会降低这一问题,提 出一种基于样本扩张和MSD融合的单样本人脸识别算法。首先,根据人脸的对称相似理论 ,人脸样本的相关变化信息可 以从它的对称脸上提取,并且平均脸也具有要识别测试人脸的某些可能变化,提出组合原始 训练样本及它的虚 拟平均脸和虚拟对称脸作为新的训练样本集;然后,在新的训练样本集上应用类内中间值MS D鉴别分析算法得到最 优投影矩阵,从而可以基于这个最优投影矩阵计算训练样本和待测试样本的特征;最后利用 模糊决策方法进行分类。在ORL和FERET人脸数据库上的大量实验结果表明,本文算法可以提 高识别率,具有一定的鲁棒性。     

二代证人脸识别的多姿态虚拟样本生成方法

使用第二代身份证照片作为训练样本进行人脸识别属于典型的单样本问题,由于没有充分数量的训练样本,会造成常规的人脸识别算法识别率低下。甚至无效的问题。为此采用虚拟样本生成方法,并针对遇到姿态变化较复杂的人脸时,识别率不高的问题,提出了一种新的多姿态的虚拟样本生成方法,通过模拟人脸侧向旋转、俯仰和立体旋转等增加有效的训练样本。再使用鲁棒性较好的HMM进行人脸识别。在自建的身份证人脸库上进行测试,实验结果显示．该方法在一定程度上减弱了人脸姿态的变化对识别率的影响,并取得了较好的识别效果。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

基于Gabor和核监督局部保持投影的单样本人脸识别算法

针对目前主流人脸识别算法,在单样本条件下,当性能严重下降根本无法工作时,提出了一种结合Gabor和核监督局部保持投影的单样本人脸识别算法.选取数据库中中性表情的近正面人脸图像作为训练样本,通过几何变换产生15幅虚拟样本,对每幅样本图像提取Gabor特征,采用核监督局部保持投影方法进行特征提取,欧氏距离最近邻分类器进行分类.根据ORL数据库、Yale数据库和FERET数据库上的实验结果表明,核监督局部保持投影(GKSLPP)算法具有较好的识别效果.     

基于增强卷积神经网络的尺度不变人脸检测方法

针对非约束场景下小尺寸人脸检测困难的问题,提出了一种基于增强卷积神经网络的尺度不变人脸检测方法。首先,在SSD基础检测网络的两个浅层特征图上,通过协调聚合当前层特征图和前后两层特征图的特征信息,对当前层特征图的鉴别性和稳健性进行增强。然后,对两个增强特征图进行负样本筛选,通过增加分类的难度来降低由小尺寸锚框引起的人脸检测假正率上升。最后,为原始特征图和增强特征图设置了两种基于锚框尺寸的损失函数,并通过加权求和的方式对其进行融合。在FDDB和WIDER FACE数据集上的测试结果表明,文中所提方法比目前主流人脸检测方法具有更高的检测精度。     

一种雷达信号的单样本压缩采样方法

本文提出了一种雷达信号的单样本压缩采样方法。该方法在多相随机子采样FFT的模拟信息转换器（Analog to Information Converter,AIC）方案的基础上进行了改进,利用了雷达信号多个连续脉冲相关性较强的特点,提出了一种单样本压缩采样AIC,单个脉冲通过该AIC压缩得到单个样本值,实现了对稀疏信号的压缩采样。此方法降低了硬件电路复杂度,提高了压缩率,能够实现对雷达目标的位置和速度等参数的准确估计。仿真实验验证了此方法的有效性。      

Color image canonical correlation analysis for face feature extraction and recognition

Canonical correlation analysis (CCA) is a powerful statistical analysis technique, which can extract canonical correlated features from two data sets. However, it cannot be directly used for color images that are usually represented by three data sets, i.e., red, green and blue components. Current multi-set CCA (mCCA) methods, on the other hand, can only provide the iterative solutions, not the analytical solutions, when processing multiple data sets. In this paper, we develop the CCA technique and propose a color image CCA (CICCA) approach, which can extract canonical correlated features from three color components and provide the analytical solution. We show the mathematical model of CICCA, prove that CICCA can be cast as solving three eigen-equations, and present the realization algorithm of CICCA. Experimental results on the AR and FRGC-2 public color face image databases demonstrate that CICCA outperforms several representative color face recognition methods.     

基于人脸识别的人脸图像预处理研究

人脸识别是模式识别和人工智能领域的研究热点之一.根据人脸图像的特点以及后续处理的要求,本文中主要使用了各种滤波方法对人脸图像进行预处理,进行预处理后的人脸图像利用形态学和BP神经元网络实现识别,实验结果表明,本文方法取得较好的识别效果.     

Research on a face recognition algorithm based on 3D face data and 2D face image matching

Under the condition of weak light or no light, the recognition accuracy of the mature 2D face recognition technology decreases sharply. In this paper, a face recognition algorithm based on the matching of 3D face data and 2D face images is proposed. Firstly, 3D face data is reconstructed from the 2D face in the database based on the 3DMM algorithm, and the face depth image is obtained through orthogonal projection. Then, the average curvature map of the face depth image is used to enhance the data of the depth image. Finally, an improved residual neural network based on the depth image and curvature is designed to compare the scanned face with the face in the database. The method proposed in this paper is tested on the 3D face data in three public face datasets (Texas 3DFRD, FRGC v2.0, and Lock3DFace), and the recognition accuracy is 84.25%, 83.39%, and 78.24%, respectively.     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。     

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。     

单幅图像的快速去雾算法

雾的存在使得户外图像的处理变得困难。雾、霭、烟等现象会使彩色图像退化,对比度降低。介绍了一种单幅图像的去雾新算法,不需要分割图像,直接利用高斯低通滤波器分离出背景空气光,利用改良的暗通道法对大气光进行估计,结合雾天图像的物理模型对图像进行复原,最后再对图像的饱和度进行校正,得到最终的复原效果。该算法的主要优点是速度快,...     

基于人脸识别技术的英语在线考试系统

以提升在线英语考试效率、公正性和准确性为目的,设计基于人脸识别技术的英语在线考试系统.首先进行人脸图像采集、预处理、特征提取和图像分类处理,然后根据人脸特征信息与账号信息验证参考人员身份真实性,最后根据验证的参考人员信息进行试卷自动生成、答题、试卷提交、自动阅卷与评分,完成英语在线考试.实验结果表明,该系统能够快速、准...     

Multi-manifold metric learning for face recognition based on image sets

In this paper, we propose a new multi-manifold metric learning (MMML) method for the task of face recognition based on image sets. Different from most existing metric learning algorithms that learn the distance metric for measuring single images, our method aims to learn distance metrics to measure the similarity between manifold pairs. In our method, each image set is modeled as a manifold and then multiple distance metrics among different manifolds are learned. With these distance metrics, the intra-class manifold variations are minimized and inter-class manifold variations are maximized simultaneously. For each person, we learn a distance metric by using such a criterion that all the learned distance metrics are person-specific and thus more discriminative. Our method is extensively evaluated on three widely studied face databases, i.e., Honda/UCSD database, CMU MoBo database and YouTube Celebrities database, and compared to the state-of-the-arts. Experimental results are presented to show the effectiveness of the proposed method.     

基于自适应3DLBP特征的人脸深度图像识别

针对人脸深度图像的分类识别问题展开研究,提出一种自适应3DLBP(3D Local Binary Pattern,3DLBP)特征提取算法.该特征提取算法以机器学习理论为基础,首次将反馈学习理论与3DLBP特征提取过程相结合,以保证特征提取算法对训练样本集的变化具有理想的普适性;同时,为了提高自适应特征提取算法的稳定性,提出使用多分类器对反馈学习过程进行优化.实验结果表明,自适应3DLBP特征对训练样本集的变化具有较好的有效性和稳定性,在FRGCv2.0人脸数据库上取得了理想的识别效果.     

Subclass linear discriminant analysis for video-based face recognition

We present a novel subclass Linear Discriminant Analysis algorithm for feature extraction that copes with the severe pose, expression and illumination changes present in faces extracted from far-field video streams with subjects unconstrained in their motion and uncooperative to the system. Our novelty lies on the efficient automatic generation of subclasses from the gallery faces, by exploiting their different visual appearance and not constrained by their numbers per class. The proposed feature extraction algorithm is integrated in our complete face recognition system, with modules for preprocessing, classification, and decision fusion. We demonstrate the capability of the new algorithm to automatically generate discriminable subclasses and the resulting improved classification accuracy on a challenging video-based dataset, comprising low quality and resolution faces, as well as large variations in visual appearance. Our results indicate superior recognition rate compared to any systems in the CLEAR 2007 evaluation, running on that dataset.