基于形状参数回归的人脸对齐算法*

针对传统人脸对齐算法效率较低等问题,提出基于形状参数回归的人脸对齐算法.首先,采用人脸形状空间约束人脸,以低维形状参数刻画人脸形状.然后,在二级形状参数回归算法框架下,结合明确形状特征索引方法和多重随机特征选择方法,学习一系列形状参数回归量,最终刻画对齐的人脸形状.文中算法减少数据存储量,提高人脸对齐速度,在复杂人脸数据库上取得较好效果.此外,该算法能直接应用于手机、平板电脑等低端设备上.     

改进级联回归模型的人脸特征点定位

针对级联回归模型依赖形状初始化且结构复杂使其在人脸特征点定位中速度慢、精度低的问题,提出了改进的级联回归人脸特征点定位算法.采用仿射变换参数回归初始化人脸形状,使变换后的初始形状更接近真实人脸以提高模型的收敛速度和精度;在各特征点局部区域构造随机蕨局部学习器,并学习得到易于计算且高度稀疏的二值化特征应用提高模型的速度;对二值化特征使用全局线性回归求得形状增量,实现特征点定位.仿真实验结果表明:相比于原算法,所提算法在LFPW,HELEN,AFW库上定位误差平均降低了11%,定位时间平均减少了14%.     

基于尺度自适应与增量式学习的人脸对齐方法

针对传统基于回归的人脸对齐算法在人脸尺度归一化时会造成纹理的损失,以及为了提升算法模型的泛化能力必须扩充数据集重新训练而导致训练时间增加,甚至出现不收敛、不可计算等问题,提出一种基于尺度自适应与增量式学习（IL）的人脸对齐方法来提高定位精度。首先,建立初始人脸形状与标准人脸形状的映射关系;然后,通过映射关系实现纹理特征在原图上的提取和人脸尺度的归一化;最后,利用算法模型在新的数据集上进行增量式的学习,快速提高原模型的泛化能力。实验结果表明,与传统回归方法相比,所提方法有更高的对齐精度,特别是在AFW数据集（68个特征点）上提高了2~4个百分点;在10万级别的大数据集（5个特征点）上,所提方法的鲁棒性比基于深度学习的方法高1~2个百分点。同时,所提的增量式学习方法不仅适用于人脸对齐场景下的回归模型求解,还适用于其他应用场景下回归模型的求解。     

基于改进ASM的三维人脸自动对齐算法

针对传统三维人脸对齐算法需要大量人工操作和数据冗余的不足,提出一种基于改进主动形状模型的三维人脸自动对齐算法。该算法对二维人脸进行快速自动特征定位,根据三维人脸柱面展开的二维纹理图进行自动特征定位并分片。采用基于平面模板的重采样算法,自动实现三维人脸顶点稠密对齐。实验结果表明,该算法在提高运算速率的同时,得到的归一化结果与原始数据仍能保持99%形状相似度。     

多视角约束级联回归的视频人脸特征点跟踪

近年来,静态图像中人脸特征点检测算法得到了极大的改进,然而,由于真实视频中头部姿态、遮挡和光照等因素的变化,人脸特征点检测和跟踪仍然具有挑战性。为了解决这一问题,提出一种多视角约束级联回归的视频人脸特征点跟踪算法。首先,利用三维和二维稀疏点集建立变换关系,并估计初始形状;其次,由于人脸图像存在较大的姿态差异,使用仿射变换对人脸图像进行姿态矫正;在构造形状回归模型时,采用多视角约束级联回归模型减小形状方差,从而使学习到的回归模型对形状方差具有更强的鲁棒性;最后,采用重新初始化机制,并在特征点正确定位时使用归一化互相关（NCC）模板匹配跟踪算法建立连续帧之间的形状关系。在公共数据集上的实验结果表明：该算法的平均误差小于眼间距离的10%。     

基于分类外形搜索的人脸特征点定位

针对传统由粗糙到精准的人脸外形搜索方法,其每一次外形搜索需要在整个外形搜索空间进行,提出一种基于分类的外形搜索方法。该方法始于一个包含不同人脸形状的外形搜索空间,首先利用基于相关性的特征选择方法对随机森林分类器进行优化,利用训练的随机森林分类器将外形搜索空间分为若干个外形搜索子空间;然后根据输入样本和随机森林分类器确定与当前外形最接近的外形搜索子空间,并计算对应子空间的中心和对应样本的后验概率分布,方便后续阶段更好地进行外形搜索;最后采用级联回归进行人脸特征点定位。在300-W数据集上的实验结果表明,此方法不仅有效降低了外形搜索的时间,同时在无约束环境中具有良好的鲁棒性。     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。     

改进的显式形状回归人脸特征点定位算法

针对显式形状回归（ESR）人脸特征点定位精度低的问题,提出了改进的显式形状回归人脸特征点定位算法。首先定位出三点人脸形状代替人脸检测框作为初始形状的映射标准来得到更精确的初始人脸形状,然后采用像素块特征代替像素特征对抗光照变化来提高算法的鲁棒性,最后采用多假设融合策略代替平均法对多个定位结果进行最佳融合来进一步提高算法的定位精度。仿真实验结果表明,在LFPW、HELEN和300-W人脸库上,与显式形状回归算法相比,定位精度分别提高了7.96%、5.36%和1.94%。     

人脸特征点定位的自适应窗回归方法

针对显式形状回归（ESR）对于一些面部遮挡、面部表情过大样本定位精度低的问题，提出一种自适应窗回归方法。首先，应用先验信息为每张图片生成精确的人脸框，用人脸框的中心点对人脸进行特征映射，并进行相似变换得到多个初始形状；其次，提出一种自适应窗口调整策略，基于先前回归的均方误差自适应地调整特征窗口大小；最后，基于互信息（MI）的特征选择策略，提出新的相关性计算方法，在候选像素集中选出最相关的特征。在三个公开数据集LFPW、HELEN、COFW上，相较于ESR算法，所提方法的定位精度分别提升7.52%、5.72%和5.89%。实验结果表明，自适应窗回归方法可以有效提高人脸特征点定位精度。     

基于几何特征与新Haar特征的人脸检测算法

针对普通Adaboost算法训练时间长,对复杂背景下(暗光、多角度、多姿态等)人脸检测识别率较低的问题,提出了一种改进的结合肤色检测及几何特征的Adaboost算法.采用肤色粗检筛选出候选人脸区域,同时采用新的非对称的Haar特征来训练分类器,进一步加强检测性能,提升鲁棒性和复杂背景下的宽容度实验将此算法应用到一个嵌入式系统中,结果表明:在各种复杂背景下的人脸检测中鲁棒性和宽容度均提升很多,误识率进一步降低,并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性.     

基于傅里叶变换特征遗传算法的人脸识别

提出了一种基于傅里叶变换特征遗传算法的人脸识别方法。首先对人脸图像进行傅里叶变换,并去掉不包含识别信息的零频率分量。然后以人脸图像傅里叶变换的模作为描述人脸模式的特征,考虑到并不是所有傅里叶特征都包含较好的分类信息,应用遗传算法进行特征选取。实验结果表明：给出的方法不仅具有较好的识别性能,而且可以在一定程度上减少人脸模式的存储空间。     

基于多级纹理频谱特征与PCA的人脸识别算法

针对主成分分析(PCA)算法在人脸识别中识别率低的问题,提出一种图像纹理频谱特征与PCA相结合的人脸识别算法。该算法利用纹理单元算子提取人脸图像纹理频谱特征,然后用PCA对所提取的特征降维,最后利用最近邻(KNN)分类器进行人脸识别。在ORL人脸库和Yale人脸库上对所提出的算法进行了测试,识别率均高于PCA、模块化二维PCA(M2DPCA)等方法,分别为96.5%和95%。实验结果表明了该算法的有效性和准确性。     

基于统计模型与Gabor小波的人脸对齐

将基于Gabor小波的人脸特征点跟踪算法与基于统计模型的主动外观模型AAM人脸特征点定位方法结合起来,实现视频中人脸的自动对齐。先利用Gabor小波进行特征点跟踪,其结果作为AAM的初始形状。利用AAM的全局形状和纹理信息作为约束,对Gabor小波的局部跟踪错误进行校正。实验表明,该方法是有效的。     

典型相关分析融合全局和局部特征的人脸识别

为了提高人脸的识别率,提出一种典型相关分析融合全局和局部特征的人脸识别算法（SUB-CCA）。通过划分子模式方式避免人脸识别存在小样本、非线性问题,并提取局部特征,采用主成分分析提取人脸图像的全局特征,并采用相关分析算法对全局、局总特征进行融合,消除特征间冗余信息,降低特征维数,采用投票法得到人脸识别结果,并采用3个人脸数据集对算法性能进行测试。仿真结果表明,相对于参比算法,SUB-CCA提高了人脸识别的识别精度。     

一种融合多模式单演特征的人脸识别方法

为了更好地利用单演幅值和区域主方向信息,分别提出了一种单演韦伯差异激励局部块二值模式和单演区域主方向模式,并在此基础上进一步采用分块子模式策略融合两种特征。该方法首先对单演幅值求取差异激励,将差异激励分解为正值和幅值图像;然后对正值和幅值图像采用基于分块的局部二值模式编码,采用主成分分析方法求取单演区域主方向,并对主方向进行均匀量化,再采用异或编码。在获取两种特征后,采用分块子模式的策略对两种特征进行加权融合。在AR和CAS-PEAL上的实验表明,MWLMBP和MDOP两种特征提取方法能够有效提取图像的判别信息,进一步融合两种特征的方法能够有效增强特征的分类能力,提高特征的识别性能。     

基于划分的有监督局部切空间排列的人脸识别*

为了解决流形学习不能充分利用样本类别信息的问题,提出了一种基于划分的有监督局部切空间排列算法,并将其应用于人脸识别。新算法采用基于动态粒子群算法的有监督的K-均值聚类算法确定样本的聚类中心,将样本划分为有重叠的块。新算法在利用数据类别信息的同时保持了流形的局部几何结构,提高了流形学习对图像的识别能力,能更好的适用于人脸识别。通过在ORL数据库上与其他流形方法比较,验证了新算法的有效性。     

基于改进PCA的人脸识别算法

针对传统主成分分析法在特征提取中出现的耗时过长、平均对待所有像素点等问题,提出一种双中心羽化加权双向PCA(Bidirectional WPCA,BD-WPCA)的算法。算法首先将训练人脸样本和测试人脸样本图片进行双中心羽化加权处理,以增加人脸主要器官在识别中所占的比重;再用双向PCA算法分别在行和列方向上降维并提取特征;最后用K近邻法匹配分类。实验结果表明,该算法在降低运算耗费时间的同时能获得较高的识别率,具有可行性。     

基于级联式Boosting方法的人脸检测

提出一种基于级联式Boosting方法的人脸检测算法。先用PCA方法对人脸图像进行特征参数的提取,在此基础上,利用算法中的每一个Boosting分类器学习的历史信息,基于线性回归特征消除（RFE）策略,消除AdaBoost中的冗余,据此判别一幅图像是否为人脸图像。在ORL人脸图像库的仿真实验结果显示,这种方法明显提高了检测性能,证明了该算法是有效的。