融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。     

基于二维线性判别分析的彩色人脸识别

为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.     

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.     

基于SSD与FaceNet的人脸识别系统设计

人脸识别技术广泛应用于考勤管理、移动支付等智慧建设中。伴随着常态化的口罩干扰,传统人脸识别算法已无法满足实际应用需求,为此,本文利用深度学习模型SSD以及FaceNet模型对人脸识别系统展开设计。首先,为消除现有数据集中亚洲人脸占比小造成的类内间距变化差距不明显的问题,在CAS-IA Web Face公开数据集的基础上对亚洲人脸数据进行扩充;其次,为解决不同口罩样式对特征提取的干扰,使用SSD人脸检测模型与DLIB人脸关键点检测模型提取人脸关键点,并利用人脸关键点与口罩的空间位置关系,额外随机生成不同的口罩人脸,组成混合数据集;最后,在混合数据集上进行模型训练并将训练好的模型移植到人脸识别系统中,进行检测速度与识别精度验证。实验结果表明,系统的实时识别速度达20 fps以上,人脸识别模型准确率在构建的混合数据集中达到97.1%,在随机抽取的部分LFW数据集验证的准确率达99.7%,故而该系统可满足实际应用需求,在一定程度上提高人脸识别的鲁棒性与准确性。     

基于LM算法神经网络的人脸识别

本文主要描述了将通过主成分分析（PCA）算法得到的人脸图像特征矩阵输入到神经网络中进行学习训练,之后输入测试集人脸特征矩阵进行识别判定。通过使用LM算法作为BP神经网络的训练算法并利用Matlab软件进行仿真实验,得到快速、准确的人脸识别系统。实验证明,基于LM算法的BP网络在人脸识别领域具有良好的应用前景。     

基于降维压缩法的图像重构

针对人脸图像易受环境因素的影响造成缺失或者受噪声污染,提出了从有限的信息中重构完整的图像矩阵的方法． 首先利用奇异值压缩降维的方法提取人脸图像的特征值,并运用基于凸优化的矩阵填充技术对缺失的图像矩阵进行有效重构,然后采用固定点迭代算法,通过Ｍａｔｌａｂ语言编程,进行分裂法迭代,在选取合适参数的情况下使运行程序快速收敛至目标矩阵,减小了运行时间． 分析峰值信噪比随奇异值个数的变化关系,对人脸图像的保真度进行评估,通过对不同采样率下人脸图像重构效果的对比,运行时间的分析,得出降维压缩技术能够有效实现图像矩阵填充的结论．     

基于二维人脸图像的特征提取技术研究

针对目前人脸识别中特征提取的技术特点,提出了一种基于二维人脸图像的特征提取方法,利用肤色分析及灰度投影对二维人脸的关键特征点进行定位、分析并提取.经实验证明,此方法能够对人脸区域的特征点实现准确、可靠的定位.     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于正投影视图的多姿态人脸识别算法

提出了基于正投影视图的多姿态人脸识别技术,根据特定人的正投影视图建立出特定人的3D模型,将3D模型进行任意角度的投影产生出多姿态人脸图像,基于该正投影视图和生成的多姿态图像进行多姿态人脸识别．实验结果表明该算法识别的正确率远高于基于单前视图的算法．     

基于直接LDA的人脸识别方法研究

为了研究加权的类间离散度矩阵对人脸识别率的影响以及寻找影响识别率的因素,分别采用零空间投影法和非零空间投影法直接求解Fisher准则线性判别问题。零空间投影保留最具判别能力的样本类内离散度矩阵的零空间,非零空间投影保留样本类间离散度矩阵的非零空间,两种方法都很好地避免了高维小样本问题。通过对Yale人脸库的图像进行试验,结果表明类内离散度矩阵的零空间投影法要优于类间离散度矩阵的非零空间投影法,而加权值修正对识别率的影响并不明显,它的应用是有一定前提条件的。     

基于子模式的单样本人脸识别方法

针对在单样本人脸识别中每类个体的鉴别性特征难以提取的问题,提出一种基于子模式的单 样本人脸识别方法．所提方法考虑了人脸的不同部位对人脸识别精度有不同的贡献度,并引入外部 人脸数据集来训练学习得到每类个体的鉴别性特征．在进行人脸识别时,采用人脸校准算法提取人 脸的５个基准点,并以此为中心将人脸划分成５个固定大小的子模式．在每个子模式的特征提取 上,引入外部人脸数据集,并结合ＳＶＭ 算法训练得到属于每个子模式的分类器．最后,对每个子模 式的分类结果做加权融合,得到最佳识别对象．在３个公开的人脸数据集Ｅｘｔｅｎｄ－Ｙａｌｅ－Ｂ,ＯＲＬ,ＡＲ 上与现有方法进行实验比较,结果表明所提方法在识别精度上有较大提升．     

基于局部保持投影的统计不相关复合信息投影

为解决在人脸识别领域的特征提取问题,提出了一种基于局部保持投影(Locality Pre-serving Projections,LPP)的统计不相关复合信息投影(UMIP).该方法是基于线性投影的子空间方法,将原始人脸图像看作是一个矩阵,通过相应的代数方法,抽取得到保持原始样本分布信息的低维子空间信息.在UMIST和Yale标准人脸图像库上的实验结果表明,UMIP算法提高了识别率.     

基于2DPCA和Fisher的嵌入式人脸识别系统的实现

使用人脸类Haar特征进行人脸检测,采用2DPCA与Fisher结合的降维算法得到人脸特征子空间,将经过PC机得到的样本特征子空间文件通过网络传输到嵌入式平台,结合最近邻算法识别人脸,实现了一种嵌入式人脸识别系统,较好地解决了嵌入式人脸识别系统由于图像处理数据巨大而造成处理效率低的难点。基于EELiod270嵌入式开发平台实现了该系统,结合实际图片进行了人脸识别测试,实践结果表明系统效果良好。     

基于改进的有监督无参局部保持投影算法的人脸识别

针对局部保持投影算法的无监督性质和参数选择复杂性问题,提出一种改进的有监督无参数局部保持投影算法(supervised dice parameter-free locality preserving projection, SdPLPP)。SdPLPP算法使用广义Dice系数构建近邻矩阵,有效避免局部保持投影(locality preserving projection algorithm, LPP)算法参数选择调整的问题,采用监督模式对数据进行特征提取。SdPLPP在Iris数据集进行了图像可视化试验,直观分析试验分类后的样本距离值与算法性能的关系,并在ORL, Yale, FERET 3种人脸库上进行试验,通过对人脸数据的特征提取,采用最近邻分类法统计识别率,验证SdPLPP算法的有效性。试验结果表明:在人脸识别率方面, SdPLPP算法优于PCA, ULDA, LPP, SPLPP和EP-SLPP的算法,并优于已提出的其他有监督无参数局部保持投影算法。     

遗传算法与ICA相结合的多姿态人脸识别算法

为了解决多姿态人脸识别问题,提出了基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA提取不同姿态人脸的特征子空间,然后利用遗传算法（GA）优化不同姿态的特征子空间,最后利用通过训练得到的姿态转换矩阵得到代表待合成的正面人脸特征系数,并直接进行分类比较。通过实验,验证了新方法对人脸识别率有较大的提高,并进一步简化了识别过程。     

KSLPP：新的人脸识别算法

针对人脸识别中的特征提取问题，提出了一种新的核有监督保局投影人脸识别算法,即KSLPP.该算法通过非线性映射将人脸样本投影到高维空间，通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信息，提取人脸的非线性特征.采用最小近邻分类器估算识别率.采用AT&T人脸库以及Yale人脸库，对该方法进行了测试.结果表明，与Eigenface、Fisherface以及Laplacianface等方法相比，该方法具有较好的识别率.     

基于人脸融合的去身份隐私保护方案

随着人脸识别、人脸检测技术的发展,恶意用户批量收集人脸图像并进行身份识别、人脸替换等操作严重侵犯用户的个人权益。针对现有隐私保护方案对图像改动大且图像质量低的现状,提出一种去身份人脸图像隐私保护方案,通过建立人脸属性模板库,根据隐私保护强度筛选模板图像进行人脸融合,达到降低人脸识别正确率、去除人脸身份信息的目的,同时保持图像质量在较高水平。方案没有对攻击模型做过多假设,以LFW数据集为测试集进行隐私保护处理,并调用百度AI人脸对比接口进行人脸相似度检测。统计结果证明,方案能够降低人脸识别算法正确率,在去身份隐私保护的同时保持图像质量在较高水平。     

人脸识别系统的研究与实现——图像获取、定位、特征提取和特征识别

人脸识别技术,是当前一个热门的科研课题,具有广泛的应用前景。本系统采用摄像头获取人脸图像,通过图像预处理、人脸检测和定位、特征提取、特征学习和匹配实现了人脸识别。本文重点介绍了人脸识别系统的设计、图像预处理、特征定位和提取、人脸识别等主要技术。在进行人脸特征定位时,主要对眼角、鼻尖、鼻子两侧、两边嘴角以及下巴进行定位,提出了采用中线向上查找法,改进了由上往下的查找方式,使查找的准确性和速度得以提高。通过测试表明该系统具有一定的人脸识别功能,能够对正面的人脸进行识别。     

基于ARM的小区安防人脸识别系统

针对小区安防,利用嵌入式技术进行了基于ARM的人脸识别系统的设计。系统使用三星S3C2440开发板,在OpenCV库的基础上,使用Bandelet变换对人脸图像进行预处理,使用2DPCA算法对变换图像进行主成分分析,并把人脸信息保存至数据库,通过Euclidean算法确认人脸是否可识别。嵌入式系统相比较于未经过Bandelet变换处理的人脸识别系统在识别率上有了进一步提升,可有效地应用在小区安防。     

一种基于相关反馈的视频人脸算法

在保局投影算法(LPP)及支持向量机(SVM)的基础上提出了一种基于相关反馈的视频人脸识别算法． 该算法通过合理的数据建模提取出视频中的时空连续性语义信息,同时能够发现人脸数据中内在的非线性结构信息而获得低维本质的流形结构,还能通过反馈学习来增加样本的标记类别．在UCSD/Honda视频人脸数据库和自采集数据库上进行比较的实验结果表明,该算法能够获得更好的识别效果．