基于Radon变换的人脸识别

针对目前大部分的人脸识别算法不能同时克服光照、表情、遮挡等复杂条件干扰的问题,提出一种基于Radon变换的人脸识别算法。该算法首先采用一种光照归一化算法对人脸图像进行预处理,然后采用Radon变换提取人脸的不变特征,最后采用二维最近邻分类器进行人脸识别。通过在AR人脸库的人脸识别实验,说明了该算法对多种复杂条件下的人脸识别具有一定的鲁棒性和普适性。     

基于小波域奇异值分解的人脸识别方法

通过分析小波分解系数对光照、姿态、表情所表现出来的特性，选择了不同系数的组合进行奇异值分解，提高了在光照、姿态、表情变化等情况下人脸识别的鲁棒性。采用Harvard、Umist和Yale 3个人脸库对该文提出的方法进行了人脸识别实验。结果表明，基于小波分解系数优化组合的奇异值分解方法的识别率高于在原图上的奇异值分解方法。     

CLAHE优化低频DCT系数重变换的鲁棒人脸识别

针对光照、表情、姿态、遮挡等变化显著影响人脸识别系统性能的问题,提出了基于限制对比度自适应直方图均衡化（CLAHE）的低频离散余弦变换（DCT）系数重变换算法。将图像划分成多个互不重叠的局部小块,使用CLAHE对每个局部小块进行局部对比拉伸以实现去噪,通过缩减适当数目的低频DCT系数来消除人脸图像中的光照变化;利用核主成分分析进行特征提取,采用K-最近邻分类器以完成最终的人脸识别。在ORL、扩展YaleB和AR人脸数据库上的实验验证了所提算法的有效性和鲁棒性,实验结果表明,相比其他几种较为先进的人脸识别技术,所提算法取得了更高的识别率,同时大大降低了识别所用时间。     

融合整体与局部特征的人脸识别算法

针对光照、表情、遮挡物等因素的影响,本文提出了一种融合整体和局部特征的人脸识别算法。首先,通过KPCA提取人脸的全局特征;然后,采用简单的图像划分方法将人脸划分成均匀小块,并用KPCA方法分别提取各块特征;最后,基于D-S证据理论的原理对整体与局部特征进行决策级融合得出最终识别结果。实验表明,该算法适应性强,识别率高。     

基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法.首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。     

基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法。首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。     

基于曲波变换和余弦测度的人脸识别方法

人脸识别是一种常用的生物特征识别技术,广泛应用于门禁考勤、公安司法等领域。光照、人脸表情与姿态、遮挡等采集条件的变化对 现有人脸识别方法 影响较大,限制了其应用。提出了一种基于曲波变换和余弦测度的人脸识别方法,以提高人脸识别对采集条件的鲁棒性。首先,对待识别人脸图像进行曲波变换,依据曲波系数检测人脸区域的关键点;然后,提取各关键点在不同尺度和方向上的曲波特征,构建人脸特征描述子;最后,依据余弦测度、累加和运算和极值运算求取人脸的最优匹配结果。仿真实验表明,所提方法对光照、姿态、表情和遮挡等变化的鲁棒性强,且识别性能好。     

基于改进的RPCA人脸识别算法

针对人脸识别中存在遮挡、光照、表情变化等问题,提出了一种基于改进的鲁棒主成分分析的人脸识别算法,它利用人脸的稀疏误差成分准确判断出人脸图像之间的差异。该算法首先对人脸进行低秩恢复,得到表示人脸普通特征的低秩分量和描述人脸差分信息的稀疏误差分量,然后定义稀疏度和平滑度两种描述符来表示稀疏误差分量的特征,最后联合上述两种描述符对人脸图像进行分类判别。实验结果表明,在光照条件和遮挡区域随机的情况下,提出的采用误差图像进行分类判别的算法在处理遮挡、光照、表情变化等人脸识别问题上均具有优越的识别性能。     

类特定字典学习-局部核协同表示分类的人脸识别法

针对人脸识别中的光照变化和遮挡等固有难题,提出一种核函数和分块相结合的人脸识别方法。对人脸图像分块,利用高斯核映射各子块到更高维空间;结合类特定字典学习得到各子块对应的局部核协同表示的每类重构误差;根据重构误差的倒数以投票完成从人脸局部到全局的识别。在Extend Yale B,AR,CMU PIE人脸库上的实验表明:提出的方法不仅具有较高的识别正确率,同时对光照变化以及遮挡的人脸图像具有较强的鲁棒性。     

结构化低秩字典学习的人脸识别

目的 现实中采集到的人脸图像通常受到光照、遮挡等环境因素的影响,使得同一类的人脸图像具有不同程度的差异性,不同类的人脸图像又具有不同程度的相似性,这极大地影响了人脸识别的准确性。为了解决上述问题对人脸识别造成的影响,在低秩矩阵恢复理论的基础上提出了具有识别力的结构化低秩字典学习的人脸识别算法。方法 该算法基于训练样本的标签信息将低秩正则化以及结构化稀疏同时引入到学习的具有识别力的字典上。在字典学习过程中,首先利用样本的重建误差约束样本与字典之间的关系;其次将Fisher准则应用到稀疏编码过程中,使其编码系数具有识别能力;由于训练样本中的噪声信息会影响字典的识别力,所以在低秩矩阵恢复理论的基础上将低秩正则化应用到字典学习过程中;接着,在字典学习过程中加入了结构化稀疏使其不丢失结构信息以保证对样本进行最优分类;最后再利用误差重构法对测试样本进行分类识别。结果 本文算法在AR以及ORL人脸数据库上分别进行了实验仿真。在AR人脸数据库中,为了分析样本不同维数对实验结果造成的影响,选取了第一时期拍摄的每人6幅图像,包括1幅围巾遮挡,2幅墨镜遮挡以及3幅脸部表情变化以及光照变化（未被遮挡）的图像作为训练样本,同时选取相同组合的样本图像作为测试样本,无论哪种方法,图像的维度越高识别率越高。对比SRC （sparse representation based on classification）算法与DKSVD （discriminative K-means singular value decomposition）算法的识别率可知,DKSVD算法通过字典学习减缓了训练样本中的不确定因素对识别结果的影响;对比DLRD_SR （discriminative low-rank dictionary learning for sparse representation）算法与FDDL （Fisher discriminative dictionary learning）算法的识别率可知,当图像有遮挡等噪声信息存在时,字典低秩化可以提高至少5.8%的识别率;对比本文算法与DLRD_SR算法可知,在字典学习的过程中加入Fisher准则后识别率显著提高,同时理想稀疏值能保证对样本进行最优的分类。当样本图像的维度达到500维时人脸图像在有围巾、墨镜遮挡的情况下识别率可达到85.2%;其中墨镜和围巾的遮挡程度分别可以看成是人脸图像的20%和40%,为了验证本文算法在不同脸部表情变化、光照改变以及遮挡情况下的有效性,根据训练样本的具体图像组合情况进行实验。无论哪种样本图像组合,本文算法在有遮挡存在的样本识别中具有显著优势。在训练样本只包含脸部表情变化、光照变化以及墨镜遮挡图像的情况下,本文算法的识别率高于其他算法至少2.7%,在训练样本只包含脸部表情变化、光照变化以及围巾遮挡图像的情况下,本文算法的识别率高于其他算法至少3.6%,在训练样本包含脸部表情变化、光照变化、围巾遮挡以及墨镜遮挡图像的情况下,其识别率高于其他算法至少1.9%。在ORL人脸数据库中,人脸图像在无遮挡的情况下识别率达到95.2%,稍低于FDDL算法的识别率;在随机块遮挡程度达到20%时,相比较于SRC算法、DKSVD算法、FDDL算法以及DLRD_SR算法,本文算法的识别率最高;当随机块遮挡程度达到50%时,以上算法的识别率均不高,但本文算法的其识别率仍然最高。结论 本文算法在人脸图像受到遮挡等因素的影响时具有一定的鲁棒性,实验结果表明该算法在人脸识别方面具有可行性。     

一种新的低秩分块稀疏表示的人脸识别算法

针对 人脸图像中表情变化、遮挡、光照的问题,本文提出了一种新颖的基于低秩分块稀疏表示的 人脸识别算法。该算法采用了一种新的结构不相关的低秩矩阵恢复方法,同时采用离散余弦 变换方法联合处理人脸图像中遮挡、掩饰和光照的问题,对处理过的图片采用一种独特的重 叠分块方法,利用冗余信息有效地提高了算法的识别率。在分类阶段,利用Alignment pool ing的方法,有效地提高了识别速度。该算法在标准人脸数据库上进行了多次实验,实验结 果表明：与现有人脸识别算法相比,算法的识别准确率和计算效率都得到了一致提高。     

基于总变分模型的光照不变人脸识别算法

提出了一种基于L1总变分模型的对数商图像光照不变人脸识别算法。用L1总变分模型作为低通滤波算子对图像平滑滤波,得到图像光照分量的估计,然后在对数域中定义原图像与其光照分量的商为光照归一化图像,并用该图像作为光照不变量进行人脸识别。基于L1总变分模型的平滑滤波具有较好的边缘保持作用,能有效地消除光晕现象,并且参数设置简单。在YaleB和CMU PIE 人脸图像库上的试验结果表明,该算法能有效地提高人脸识别系统在不同光照条件下的识别率。     

Recognizing faces using Adaptively Weighted Sub-Gabor Array from a single sample image per enrolled subject

In this paper, we propose a new approach for face representation and recognition based on Adaptively Weighted Sub-Gabor Array (AWSGA) when only one sample image per enrolled subject is available. Instead of using holistic representation of face images which is not effective under different facial expressions and partial occlusions, the proposed algorithm utilizes a local Gabor array to represent faces partitioned into sub-patterns. Especially, in order to perform matching in the sense of the richness of identity information rather than the size of a local area and to handle the partial occlusion problem, the proposed method employs an adaptively weighting scheme to weight the Sub-Gabor features extracted from local areas based on the importance of the information they contain and their similarities to the corresponding local areas in the general face image. An extensive experimental investigation is conducted using AR and Yale face databases covering face recognition under controlled/ideal condition, different illumination condition, different facial expression and partial occlusion. The system performance is compared with the performance of four benchmark approaches. The promising experimental results indicate that the proposed method can greatly improve the recognition rates under different conditions.     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

基于深度学习的多模态融合三维人脸识别

二维人脸识别受光照、遮挡和姿态的影响较大.为了克服二维人脸识别的缺点,本文提出了一种基于深度学习的多模态融合三维人脸识别算法.该方法首先使用卷积自编码器将彩色图像和深度图进行融合,将融合后的图像作为网络的输入进行预训练,并且设计了一种新的损失函数cluster loss,结合Softmax损失,预训练了一个精度非常高的模型.之后使用迁移学习将预训练的模型进行微调,得到了一个轻量级神经网络模型.将原始数据集进行一系列处理,使用处理之后的数据集作为测试集,测试的识别准确率为96.37%.实验证明,该方法弥补了二维人脸识别的一些缺点,受光照和遮挡的影响非常小,并且相对于使用高精度三维人脸图像的三维人脸识别,本文提出的算法速度快,并且鲁棒性高.     

改进单尺度Retinex的光照人脸识别

经典Retinex算法假设场景中光照是平缓变化的,当光照变化比较强烈时,易产生“光晕”现象,为了提高光照条件变化下的人脸识别率,提出一种改进单尺度Retinex的光照人脸识别方法。采用双曲正切函数代替Retinex的对数函数对人脸图像进行亮度和对比度非线性增强;利用双边滤波代替Retinex的高斯滤波消除“光晕”,采用Retinex消除光照不利影响,采用K近邻算法建立人脸分类器。结果表明,改进Retinex降低了时间复杂度,图像增强效果优于同类算法,提高了人脸识别率,很好地解决了“光晕”问题,具有光照鲁棒性,可适用于光照变化较强条件下的人脸识别。     

Independent component analysis in a local facial residue space for face recognition

In this paper, we propose an Independent Component Analysis (ICA) based face recognition algorithm, which is robust to illumination and pose variation. Generally, it is well known that the first few eigenfaces represent illumination variation rather than identity. Most Principal Component Analysis (PCA) based methods have overcome illumination variation by discarding the projection to a few leading eigenfaces. The space spanned after removing a few leading eigenfaces is called the “residual face space”. We found that ICA in the residual face space provides more efficient encoding in terms of redundancy reduction and robustness to pose variation as well as illumination variation, owing to its ability to represent non-Gaussian statistics. Moreover, a face image is separated into several facial components, local spaces, and each local space is represented by the ICA bases (independent components) of its corresponding residual space. The statistical models of face images in local spaces are relatively simple and facilitate classification by a linear encoding. Various experimental results show that the accuracy of face recognition is significantly improved by the proposed method under large illumination and pose variations.     

基于PCA特征基压缩传感算法的人脸识别

针对人脸识别对遮挡、表情和光照的鲁棒性问题,提出基于PCA特征基压缩传感算法的人脸识别方法。利用双向二维主成分分析提取图像行列2个方向的特征并进行降维,建立反映人脸特征投影矩阵,作为压缩传感算法的超完备基。通过求解最小化l1范数,寻求图像在该超完备基上的稀疏表示,以得到一组最优稀疏系数重构各类图像,求取测试图像与各类重构图像的最小残差进行分类识别。实验结果表明,该方法在较低的人脸特征维数下具有较高的人脸识别率,能有效提高人脸识别对遮挡、表情和光照的鲁棒性。     

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。