基于曲率信息的三维人脸面部特征提取

提出了一种基于曲率信息的三维人脸面部特征提取方法。首先根据几何约束和曲率信息得到由若干间断点描述的人脸五官区域轮廓线;其次采用边界连接及变形膨胀方法,得到完全闭合、但存在多余毛刺的区域边界;最后利用二维图像处理方法进行边界精确化处理,提取出比较精确的人脸面部特征区域。实验证明了所提方法对正面自然表情三维人脸模型的有效性。     

基于强度图和深度图的多模态人脸识别

提出将全局特征表征方法2DFLD、2DPCA与局部特征表征方法LBP相结合,应用到人脸二维强度图和三维深度图进行识别;对不同分类方法的识别得分再进行归一化加权融合。对比实验结果表明,LBP对2DFLD和2DPCA的识别结果有改善作用,二维强度图和三维深度图的得分归一化加权融合对整个识别率也有一定的改善,在CASIA3D人脸数据库上的识别率最高可达94.68%。     

基于侧面轮廓线和刚性区域的3维人脸识别

针对3维人脸识别问题,提出一种由粗到细的两步识别方法。首先结合几何约束与曲率信息定位特征点,根据特征点确定人脸对称面,提取人脸侧面轮廓线。利用轮廓线匹配作为排除算法,在识别初期迅速排除库集中不相似人脸以提高识别效率,剩余库集人脸采用一种具有表情鲁棒性的、基于区域的匹配方法进行识别,该方法自动切割人脸中受表情影响较小的刚性区域,并采用改进的迭代最近点算法对刚性区域进行匹配,为达到更好的识别精度,将各刚性区域的匹配结果采用加法规则融合。在3D_RMA人脸数据库的实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于改进的轮廓线算法的三维人脸识别方法

针对二维人脸识别中受表情、姿态以及光照等因素而影响识别率的问题,在分析人脸生理结构的基础上,提出了一种基于改进的轮廓线的三维人脸识别方法,即先提取三维人脸特征点,然后提取人脸轮廓线,最后利用人脸轮廓线和特征点构成的特征模型进行三维人脸识别。试验结果证明该方法提高了人脸识别率,并具有强抗干扰能力。     

基于轮廓线局部描述符的三维人脸识别

提出了一种基于等测地轮廓线的局部描述符来识别三维人脸。首先对三维人脸数据进行预处理, 得到统一的人脸区域并进行姿态归一化; 然后根据测地距离提取到鼻尖点相同距离的点组成等测地轮廓线, 对轮廓线进行重采样, 并对轮廓线上每个采样点的邻域提取局部描述符; 最后在建立测试人脸和库集人脸的点对应关系后进行局部描述符的加权融合和比较, 给出最终识别结果。算法在FRGC(face recognition grand challenge)v2. 0数据库上进行测试, 实验结果表明该方法具有较好的识别性能。     

基于PCA与LBP的人脸性别分类方法

主成分分析方法（PCA）和局部二元模式算子（LBP）相融合的特征提取方法结合了PCA在提取全局特征方面的优势和LBP在提取局部纹理细节方面的优势,能够从人脸图像中提取出较好的用于支持向量机（SVM）进行人脸性别识别分类的特征。在提取图像的LBP特征时,对传统的LBP方法做了改进,采用级联的方法提取图像的LBP直方图特征。并将提取出来的LBP特征与PCA特征相结合用于SVM,实验结果表明,LBP和PCA相融合的特征较单独的PCA特征和LBP特征在性别识别上具有明显的优势。     

基于立体视觉的三维人脸识别

1.引言 近年来生物特征在安全领域的应用越来越受到重视,人脸识别即为其中一个重要分支.迄今为止,人们已经提出了多种人脸识别的算法[1,2],大多数算法是针对二维图像设计的,具有识别速度快、方法直观的特点.存在的问题是很难克服光照、背景及表情等因素的干扰.本文尝试通过人脸的三维数据匹配进行人脸识别,以提高识别的可靠性.由于实验设备、速度及特征提取等多方面因素的影响,关于人脸三维识别的研究工作相对较少.Gordon[3]利用人脸深度图计算出人脸表面曲线的曲率分布并进行分析,得到人脸各个器官的位置及相关几何特征;Beumier和Acheroy[4]通过对人脸投影结构光提取人脸的三维信息,将人脸侧面轮廓曲线与人脸中线附近区域的灰度分布相结合作为识别特征.我们利用人脸的三维稠密数据同人脸三维模型进行匹配来实现人脸的识别,取得了满意的效果.     

采用LBP金字塔的人脸描述与识别

为了有效地提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于LBP金字塔特征的人脸描述与识别算法.首先通过多尺度分析构建人脸图像金字塔;然后采用LBP算子提取各层图像的LBP特征谱,建立图像的LBP金字塔;最后对LBP金字塔各层特征谱进行分块统计,并将各层的统计直方图序列连接起来作为人脸的鉴别特征用于分类识别.该算法在ORL和FERET人脸数据库上取得了较高的人脸识别率.实验分析表明,LBP金字塔特征具有较强的人脸描述能力和可鉴别性,且对光照、人脸表情及位置的变化具有较高的鲁棒性.     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

一种基于局部描述符的三维人脸识别方法

提出一种局部描述符进行三维人脸识别。每个采样点的局部特征定义为该点根据其法向量与3个主轴之间的角度自适应选取的邻域点集向人脸主轴平面投影所得的面积。文中提出的三维人脸识别算法首先对人脸进行预处理,归一化到较统一的姿态后,提取与鼻尖等距的轮廓线,并对轮廓线进行重采样以剔除无用点。然后对每个采样点提取局部特征。最后建立人脸之间的点对应关系,将加权融合后的局部特征用于识别。通过实验认证,文中方法识别效果较好,且对遮挡和噪声有较好的鲁棒性。     

基于特征区域自动分割的人脸表情识别?

针对目前三维人脸表情区域分割方法复杂、费时问题,提出一种人脸表情区域自动分割方法,通过投影、曲率计算的方法检测人脸的部分特征点,以上述特征点为基础进行人脸表情区域的自动分割。为得到更加丰富的表情特征,结合人脸表情识别编码规则对提取到的特征矩阵进行扩充,利用分类器进行人脸表情的识别。通过对三维人脸表情数据库部分样本的识别结果表明,该方法可以取得较高的识别率。     

基于分块CBP特征和稀疏表示的三维人脸表情识别

在三维人脸表情识别中,基于局部二值模式（LBP）算子算法与传统的特征提取算法相比具有特征提取准确、精细、光照不变性等优点,但也有直方图维数高、判别能力差、冗余信息大的缺点.本文提出一种通过对整幅图像进行多尺度分块提取CBP特征的CBP算法,能够更有效的提取分类特征.再结合使用稀疏表达分类器实现对特征进行分类和识别.经实验结果表明,与传统LBP算法和SVM分类识别算法对比,文中算法用于人脸表情的识别的识别率得到大幅度提高.     

融合Gabor、LBP与LPQ特征的面部表情识别

针对传统的Gabor无法兼顾识别率与实时性的缺点,提出了一种融合Gabor、LBP、LPQ三种特征的表情识别算法.首先采用Gabor变换提取人脸图像的边缘信息,根据获得的变换表征结果,提取其LBP特征及LPQ特征;通过PCA算法对提取的特征进行降维,并对降维后的LBP特征及LPQ特征进行直方图操作;最后,设计基于ELM神经网络面部表情分类器.应用JAFFE人脸表情数据库的测试结果表明,该方法比传统方法具有更高的识别准确度和更快的识别速度.     

三维人脸数据的获取及人脸特征自动定位

介绍了一种快速获取人脸三维面貌数据的结构光相移测量技术,并利用这种高速的相移技术在获取三维面貌数据的同时获得人脸纹理背景图像,结合二维人脸图像中的人脸特征识别手段,应用到三维人脸图像中,可以让计算机自动提取人脸图像的主要特征点.首先介绍了高速相移技术的基本原理,介绍了二维人脸图像中的积分投影方法来求取人脸轮廓粗略位置的方法,接着介绍了将二维图像做纹理映射到三维数据里面的方法,结合三维高度信息的曲线分析、曲率判断等,快速的提取出了人脸的三维特征.经实验验证,此方法对于三维人脸特征的自动定位有很高的准确性和通用性.     

基于全局与局部特征融合的人脸识别方法

针对现有预处理算法存在的缺陷及单一人脸特征在识别中的局限性,本文在基于双眼独立动态阈值的人脸预处理方法的基础上,研究全局特征PCA、2DPCA与局部特征LBP、Gabor,分析对比这几种特征的识别效果及适用情况;根据对这几种特征的研究分析,采用特征融合的方式对PCA和LBP特征进行融合;实验结果验证了在ORL库和ESSEX库上采用决策级融合的识别率优于特征级融合及单一特征的识别率。      

基于轮廓线的三维人脸识别的改进算法

对已有的基于轮廓线的人脸识别方法进行了改进,在人脸的任意位置利用PCA自动确定人脸纵方向,采用网格配准方法提取对称面和对称轮廓线。通过计算对称轮廓线上的曲率,提取其他3条横向轮廓线。对提取的4条轮廓线进行重采样和归一化,截取轮廓线的有价值部分作为ICP算法的输入,进行人脸识别。试验证明,该算法将人脸识别率从原来的86.5%提高到了94%,降低了误识率。     

基于多尺度LBP的人脸识别

提出一种基于多尺度LBP(Local Binary Pattern)的人脸识别算法。建立人脸图像高斯差分尺度空间,计算尺度空间图像的LBP特征,将LBP特征图像划分为互不重叠的特征区域,然后分别进行直方图统计,最后将所有区域的LBP直方图序列连接起来得到多尺度LBP特征,采用最近邻分类器对人脸图像分类识别。实验分析表明,多尺度LBP特征具有较强的人脸图像描述能力,能够提取到更加丰富的全局信息,鲁棒性强,在识别率和识别速度上均比SIFT算法高。     

改进的HOG和Gabor,LBP性能比较

为了实现复杂环境下的人脸特征有效表达,提出一种改进的梯度方向直方图(HOG)人脸识别方法.首先以人脸图像网格作为采样窗口并在其上提取HOG特征;然后将所有网格HOG特征向量进行组合,实现整个人脸特征表达;最后采用最近邻分类器进行识别.另外,比较了该方法与Gabor小波和局部二值模式(LBP)2种著名的人脸局部特征表示方法的优劣.实验结果表明,在调优的HOG参数下,在具有光照和时间环境等复杂变化的FERET人脸库中,较少维数的HOG特征比LBP特征有更好的表现,而且HOG特征提取时间和特征向量维数比Gabor小波方法更具有优势.     

基于局部形状图的三维人脸特征点自动定位

准确定位人脸特征控制点是三维人脸识别的关键技术之一。提出了一种新的三维人脸特征点自动定位方法,结合局部形状索引与基于局部形状图(LSM)的统计模型,通过误差分析自适应地确定局部形状图的统计半径,实现任意姿态下的三维人脸鼻尖和内眼角的自动精确定位。在CASIA 3D人脸数据库的比较实验结果表明,该方法比基于先验信息和基于曲率分析的定位方法都具有更高的定位精确度。     

面向非特定表情的加权和稀疏分类方法

针对在非特定人脸表情识别中,表情纹理特征的利用率不高问题,提出了一种改进的加权局部二值模式（LBP）和稀疏表示相结合的人脸表情识别方法。为了有效利用面部器官的局部纹理信息,采用改进的加权LBP算子提取人脸局部纹理特征,然后用获取的特征值组成训练样本,最后根据稀疏表示理论进行表情分类。在 JAFFE和CK人脸库上的实验结果表明,该方法对非特定人脸表情的识别效果有了明显提高。