全局与局部特征融合在人脸识别中的应用研究

摘　要 主成分分析（PCA）和线性判别分析（LDA）是基于全局结构的特征提取方法,局部保持投影（LPP）和正交拉普拉斯脸（OLF）是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构。基于此,本文提出了一种全局与局部结构特征融合（GLSF）的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构。在ORL及Yale上的实验结果表明,GLSF方法比PCA、LDA、LPP、OLF等方法具有更高的识别率。     

基于局部四值模式的人脸识别

局部二值模式(LBP)作为经典的纹理特征描述方法广泛应用于纹理分类和人脸识别等领域。然而现有相关算法仅利用周围一个圆形邻域的信息,没有充分利用周围邻域的信息。为此,提出一种利用不同圆形邻域之间的微分结构信息进行联合描述的特征描述子,从而能够更加充分地利用邻域信息。由于所提方法在圆形邻域上每个坐标处有4种不同可能的取值情况,因此将这种模型称为局部四值模式(LQP)。在通用的人脸识别数据库FERET上的大量实验证明了所提算法的有效性。     

基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别方法研究

遮挡条件下的鲁棒人脸识别,目前在人脸识别领域逐渐被重视,被认为是难点问题之一. 本文利用稀疏表示理论满足人眼视觉特性及神经信息有效表达,且跟人脸固有特征具有的自然性是相吻合的特点,研究了彩色人脸图像色度信息有效融合策略,采用同伦算法解决稀疏表示模型中的l1范数问题,提出了一种基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别算法. 在AR数据库中的实验结果表明,与传统基于灰度转换方法人脸识别方法及SRC算法相比,本文所提基于同伦算法的稀疏表示人脸识别,具有很高的计算效率,而且有效融合了彩色信息,显著提高了在遮挡及非遮挡情况下人脸识别的效率及识别性能.      

分块双向2 DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。     

基于色彩和纹理特征融合的模糊人脸识别方法

基于纹理特征的方法被广泛应用于人脸识别。然而纹理特征依赖于图像的高频细节信息,当图像出现模糊时,单纯利用纹理特征的识别方法的识别精度会急剧下降。为了克服纹理特征的在模糊人脸识别中的不足,提出了一种基于色彩特征和纹理特征融合的识别方法。首先参照人类的对立色感知机制提取人脸的色彩特征;然后,将该色彩特征和纹理特征分别用于识别分类;最后,将二者的识别相似度进行融合,得到最终的识别结果。该色彩特征描述了图像的低频信息,其对图像模糊不敏感,并且与描述图像高频信息的纹理特征具有良好的互补性。在FERET 和AR 人脸库上的实验表明,融合色彩特征和纹理特征有效地提高了模糊人脸的识别精度。     

局部归一化融合EW-Gabor特征的光照变化人脸识别

针对光照变化人脸识别问题,提出了一种基于局部归一化融合熵加权Gabor特征方法。首先,计算类熵加权向量;然后,对图像进行局部归一化,并且计算输入图像的Borda计数,从而消除低值Gabor jet比较矩阵;最后,利用投票得分策略和k近邻分类器完成人脸识别。在扩展YaleB和AR人脸数据库上进行实验评估,在AR上的识别率可接近100%,相比其它几种较新的局部特征方法,本文方法取得了更高的识别精度,并且在一定程度上减少了计算开销。     

基于判别改进局部切空间排列特征融合的人脸识别方法

改进型局部切空间排列(ILTSA)是最近提出的一种流形学习方法。基于对ILTSA的线性逼近和判别拓展,该文提出一种新的称为判别改进局部切空间排列(DILTSA)的特征提取方法,并给出了理论证明和算法分析。基于最大邻域间隔准则和ILTSA, DILTSA能够同时保持类内与类间局部判别几何结构。此外,提出一种增强型Gabor-like复数小波变换以缓解照明和表情变化对人脸识别的影响。通过融合Gabor-like复数小波变换和原始图像特征,能够进一步提高人脸识别的准确率。在Yale 和PIE人脸数据库上的实验结果证明了所提方法的有效性。     

融合奇异值分解和线性鉴别分析的人脸识别算法

本文提出了奇异值分解（SVD）和线性鉴别分析（LDA）相结合的人脸识别算法。理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合才能改善识别率。SVD和LDA之间有着明显的互补之处，LDA在fisher准则下能最大限度地把不同的类别区分开来，但作为一种子空间方法，LDA敏感于位移、旋转等几何变换。而作为一种代数特征提取方法的SVD则具有位移、旋转不变性等优点。因此，将这两种方法相结合就有可能提高分类性能（好于单独的SVD方法和单独的LDA方法）。在ORL数据库上的实验表明，SVD和LDA相融合的识别方法的确提高了人脸识别率。     

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。     

多分类器融合的指纹全局特征协同识别

指纹识别是生物特征识别中的热点,指纹全局特征识别具有明显的优势,但是单一分类器一般不能取得满意的识别效果。本文采用贝叶斯理论分析了常见的积、和、中值以及投票多分类器融合方法,并根据实际的选举情形,对投票法进行了2种改进。然后对3种指纹全局特征协同识别分类器:灰度值、主分量以及方向场分类器进行决策层融合,并采用了一种崭新而高效的协同模式识别方法。对FVC2002指纹库的实验表明:该方法具有较好的分类性能,预处理与特征提取简单、计算复杂度低、识别速度快、对污损指纹具有可靠的识别率、鲁棒性强,而且应用于身份认证中也取得了较好的认证效果。     

基于ILDP的噪声鲁棒人脸识别

针对局部方向模式(LDP)采样不充分和对噪声敏感的缺点,提出了一种改进的LDP(ILDP)人脸描述方法,利用局部井型邻域的梯度信息描述人脸特征。首先,将中心像素的井型邻域根据采样半径分成两个3×3的子邻域,每个子邻域包含按照原来相对位置排列的8个像素;然后,将两个子邻域与Kirsch模板卷积分别得到两组边缘梯度值,ILDP仅使用两组梯度值中各自最大值的方向编码成一个二位八进制数,产生ILDP码;最后,在人脸描述阶段将人脸图像进行分块并把每块转换成ILDP图,再对ILDP图进行直方图统计,将所有子块的直方图连接生成人脸特征。实验结果表明,ILDP比其它同类基于局部纹理特征的单一人脸描述器在对抗随机噪声方面更具鲁棒性。     

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.     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

图像特征融合在人脸识别中的应用研究

主成分分析(PCA)和线性判别分析(LDA)是基于全局结构的特征提取方法,局部保持投影(LPP)和正交拉普拉斯脸(OLF)是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构.基于此提出了一种全局与局部结构图像特征融合(GLSF)的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构.在ORL及Yale上的实验结果表明,GLSF方法比PCA,LDA,LPP,OLF等方法具有更高的识别率.     

基于多尺度局部二元模式共生直方图的红外人脸识别

不同尺度的局部二元模式(LBP)提取了红外人脸图中不同的微结构局部特征。为了挖掘不同尺度中局部特征的相关性,提出了一种基于多尺度LBP 共生直方图的红外人脸识别方法。传统的多尺度LBP 特征提取方法,丢失了对多尺度特征间相关性信息的提取。为了充分考虑微结构间的相关统计信息,提出了多尺度LBP 共生直方图表示方法,以提取包含在红外人脸图像中的有用鉴别特征。多尺度LBP 共生直方图特征表示方法不仅可以消除环境温度对红外人脸图像特征提取的影响,而且还可以增强对局部特征表示的鉴别性。实验结果表明:多尺度局部二元模式共生矩阵可以增强对红外人脸鉴别特征提取的有效性,提出的红外人脸方法的性能优于基于传统多尺度LBP 和单尺度LBP方法,在相同环境情况下和在环境温度变化情况下可以达到99.2%和91.2%的识别率。