基于一致判别相关分析的低分辨率人脸识别算法

相比于高分辨率（High resolution， HR）人脸图像，低分辨率（Low resolution， LR）人脸图像的识别效果较差。针对此问题，已有研究者提出基于典型相关分析和核典型相关分析的LR人脸识别算法，但其并未考虑样本的类信息和视图间的一致性。本文同时利用数据的类信息和视图间的一致性信息，提出一致判别相关分析（Consistent discriminant correlation analysis， CDCA），进而得到基于CDCA的LR人脸识别算法。该算法先利用主成分分析从HR和LR人脸图像中提取主成分特征，然后利用CDCA学习HR和LR人脸的特征投影矩阵，进而实现LR人脸识别。实验结果表明，相比现有的LR人脸识别算法，该算法具有较好的识别效果和鲁棒性。     

基于多姿态人脸图像合成的识别方法研究

为了解决多姿态人脸识别问题,提出基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间,然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像,实验表明ICA人脸识别算法要优于PCA人脸识别算法,并在此基础上用小波对人脸图像进行预处理,据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较,识别率得到了很大的提高。     

单幅图像超分辨重建的深度学习方法综述

图像超分辨重建（Super-Resolution,SR）是指利用信号处理和机器学习等方法,从单幅或者多幅低分辨率图像（Low Resolution,LR）中重建对应的高分辨率图像（High Resolution,HR）的技术。由于多幅LR图像之间亚像素位移的不可预知性,单幅图像超分辨重建（Single Image Super-Resolution,SISR）逐渐成为超分辨研究的主要方向。近年来,深度学习方法得到迅速发展,并广泛应用到图像处理领域。因此,针对单幅图像超分辨重建所使用的深度学习相关算法和网络模型进行系统的总结。介绍图像超分辨问题的设置和评价指标;讨论和比较单幅图像超分辨重建的深度学习算法,主要从网络结构设计、损失函数和上采样方式三方面进行论述;介绍常用的标准数据集,并选用基于不同网络模型的几种典型算法进行实验对比分析;展望图像超分辨技术未来的研究趋势和发展方向。     

基于双重残差注意力网络的图像超分辨率重构方法

图像超分辨（SR）方法通常利用深度神经网络学习从低分辨率图像（Low Resolution, LR）到高分辨率图像（High Resolution, HR）进行非线性映射重建。但是从LR图像到HR图像的映射往往是一个不适定问题,即存在无限的HR图像可以降采样到同一LR图像。为了解决该问题,本文对LR图像引入附加约束来减少可能的函数空间,并提出了基于双回归网络—双重残差注意力网络（Dual Residual Attention Network, DRAN）的图像超分辨率重构方法（DRAN-SR）。DRAN模型中原始网络负责将低分辨率（LR）图像重构为高分辨率（HR）图像,对偶回归网络负责估计下采样核和重构LR图像,从而形成一个闭环来提供额外的监督效果。实验结果表明,DRAN-SR比现有方法具有更好的峰值信噪比（Peak Signal to Noise Ratio, PSNR）和结构相似性（Structural SIMilarity, SSIM）。     

基于距离限定优化的人脸识别

针对现有人脸识别方法对人脸角度、表情、姿态等因素较为敏感且准确率低的问题,提出了一种基于距离限定优化算法的人脸识别模型。该模型对人脸识别方法的改进有两点：a)利用LBP算子提取人脸图像纹理谱特征图,然后与原始人脸图像的R、G、B通道进行融合,将融合后的图像矩阵作为神经网络的输入,丰富了人脸的纹理特征;b)对误差函数进行改进,使用阈值和边界值约束特征向量的距离,对模型构建新的优化目标,使得相同对象的人脸图像在特征空间中具有较小的欧氏距离,不同对象的人脸图像在特征空间中具有较大的欧氏距离。通过在非限制场景下的LFW人脸库上进行实验,表明该模型准确率分别达到99.15%,能有效地提高人脸识别准确率,具有很好的鲁棒性。     

基于特征加权的人脸识别

现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上,人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用,分别采用三种加权方法对人脸图像进行了预处理,并应用流行的人脸识别方法（联想记忆、主分量分析和Fisher线性判别分析）进行识别。最后用标准人脸库ORL进行了实验,实验结果表明特征加权方法对人脸识别是有效且通用的。     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。     

基于TI-SPCA的人脸自动对齐及识别框架

随着人脸识别算法在众多应用领域的迅猛发展,作为人脸检测和人脸识别中间步骤的人脸对齐算法日益受到重视。针对平面内的人脸图像旋转问题,提出一个基于TI-SPCA（Transformation Invariant Symmetrical Principal Components Analysis）的人脸自动对齐方法及其识别框架。不同于传统的人眼对齐方法,TI-SPCA通过最小化重构图像和扭曲图像之间的误差得到一个旋转不变的特征空间,最终实现无人为干涉的全自动对齐。为了将其性能与人眼对齐方法的性能进行比较,并展示其优势,文中分别在ORL数据库和FERET数据库上通过两种不同对齐方法的输出图像从视觉效果上直观地展现。进一步地,为了验证对齐后的图像在识别算法中的有效性,结合三种距离函数和四种局部算子进行了对比实验,实验结果表明了基于TI-SPCA的全自动对齐方法在人脸识别中的有效性。     

基于SVD的成长性人脸识别研究

为提高人脸识别率,设计了基于SVD的成长性人脸识别方法.该方法将人脸识别从图像扩充到视频领域,通过不同尺度对人脸进行划分和特征提取,从而得到人脸的多尺度特征,分层次进行多尺度特征匹配,利用特征的可分辨度对各帧特征进行比较,并通过对应位置寻优累积特征,使人脸识别具有成长性.实验结果表明,基于SVD的成长性人脸识别方法通过一定的时间累积可以达到100%的识别率,具有良好的应用价值.     

基于局域二值模式与支持向量机的年龄估计

为了解决在人脸识别过程中由于年龄的变化而使人脸识别率急剧下降的问题,可在识别过程中加入快速、准确的年龄估计。提出了一种基于局域二值模式LBP（Local Binary Pattern）与支持向量机SVM（Support Vector Machine）回归相结合的年龄估计方法。对于人脸图像首先采用基于局部纹理特征的LBP算子进行人脸纹理特征提取;然后用基于整体特征的PCA方法对提取出来的纹理特征向量进行降维;最后使用SVM回归进行训练得到全局年龄函数,建立纹理特征向量与年龄之间的对应关系。实验结果表明,这种方法可以快速有效地对人脸图像进行年龄估计。     

基于Cost-Sensitive主成分分析的人脸识别

目前现有的人脸识别算法寻求最高的正确识别率,且假设所有的错误分类具有相同的错分代价,但此假设在现实的人脸识别系统中往往不成立。为此,提出一种基于代价敏感（Cost-Sensitive）主成分分析的人脸识别方法,该方法在主成分分析理论中引入一个代价敏感函数,将不同错误识别所造成的损失进行分类划分,以确定不同的损失代价,实现更精确的人脸识别。在AR、FERET和UMIST人脸数据集上的实验结果表明,与经典的基于子空间的人脸识别方法相比,提出的方法以最少的代价达到了较高的k最近邻分类识别精度。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。     

基于自归一化神经网络的低分辨率人脸识别

为了解决传统人脸识别算法对低分辨率人脸图片识别效果不佳的问题,提出了一种轻型判别自归一化神经网络,能够从高分辨率及其对应的低分辨率图像中提取具有判别性的特征,并将特征耦合映射到共同的子空间。该模型引入缩放指数线性单元,具有自归一化属性,能够加速收敛。为了最小化类内距以及扩大类间距,基于高低分辨率图像特征之间的判别性和相似度,对现有的损失函数进行了优化,从而使得相同类别的特征更紧凑。提出的方法在一个标准人脸数据集以及两个监控数据集上的识别率分别达到了95.57%、94.10%和84.56%,优于其他算法,适用于非限制条件下的低分辨率人脸识别。     

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换（NSST）与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。     

基于AAM-SIFT特征描述的两级SVM人脸表情识别

采用AAM定位特征点、尺度不变特征变换（SIFT）描述特征的方式提出一种基于AAM-SIFT的表情特征提取方法。该方法用特征点周围区域梯度方向直方图描述表情特征;同时根据不同子区域对表情的贡献不同,将特征点分组并赋予不同权重,并用两级支持向量机（SVM）对融合的加权特征进行分类识别。在标准表情库和多姿态表情库上的验证结果表明,该方法能有效提高正面人脸表情的识别率,对一定偏转角度的非正面人脸表情也保持较好的鲁棒性。     

拉普拉斯滤波结合CS-LBP的单样本人脸识别

针对传统的人脸识别算法在单训练样本的情况下识别率不佳的情况,提出一种结合拉普拉斯滤波与中心对称局部二值模式的人脸识别算法（LFCLBP）。对原始人脸图像进行拉普拉斯滤波处理;然后对图像提取梯度幅值和梯度相位信息,对梯度幅值用CS-LBP算子编码,再将梯度相位量化到16个区间进行编码,将二者融合成人脸图像的LFCLBP特征;分块统计直方图特征,将所有分块的直方图串联起来作为人脸图像的特征向量,并用最近邻分类器识别。在YALE人脸库和AR人脸库上进行测试,测试结果表明该算法有效,在光照变化、表情变化和部分遮挡等环境下对单样本人脸图像具有较好的识别效果。     

半随机子空间的LDA人脸识别方法

小样本问题和对局部变化（如遮挡、表情、光照等）识别的不鲁棒性是线性判别分析（LDA）在处理人脸图像时所常面临的问题。针对LDA的这些不足,提出了一种基于LDA的半随机子空间方法（SemiRS-LDA）。与传统的基于整个人脸样本特征集采样的随机子空间方法不同的是,SemiRS-LDA将随机采样建立在人脸图像的子图像上。该方法首先将人脸图像集划分成若干个子图像集,然后将随机子空间方法应用于每个子图像集上并构建多个LDA分类器,最后使用投票方法将各分类器进行组合。在两个标准人脸数据库（AR、ORL）上进行了实验,结果表明了所提方法不仅能获得较高的识别性能,而且对图像的光线、遮挡等也具有较强的鲁棒性。     

基于局部结构的多尺度协作表示人脸识别算法

人脸识别在实际应用中,往往存在无法获取足够多的训练样本的情况,而在小样本情况下,协作表示的识别性能会受到严重影响。多尺度块协作表示算法能有效集成不同尺度下的分类结果,但其分类框架中子块的计算是相互独立的,忽略了块之间的结构关系。而局部结构法将图像划分为多个局部区域,每个局部区域的重叠块分布在相同的线性子空间中,该子空间可以反应块之间的结构关系,能提高多尺度块协作表示在小样本下的鲁棒性。因此提出了基于局部结构的多尺度块协同表示算法（Local Structure based Multi-Patch Collaborative Representation,LS_MPCRC）,在Yale B和AR人脸库上的实验结果证明,该算法在训练样本数目较少时具有优秀的识别性能。     

融合单演特征和CS-LBP的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种融合单演幅值、相位和方向的单演中心对称幅值相位方向模式（MCSLBP）的人脸识别方法。首先采用中心对称局部二值模式（CS-LBP）对同一尺度下的单演幅值进行编码,并将单演相位量化到4个区间进行编码,同时对单演水平方向和垂直方向进行二值编码,然后将三者融合成MCSLBP特征;最后对不同单演尺度空间中的MCSLBP模式图进行分块,提取每一小块的直方图特征并串联后用最近邻分类器进行分类识别。在CAS-PEAL和AR人脸库上的实验结果表明,MCSLBP方法对具有光照、表情和遮挡变化的单样本人脸识别具有较好的识别效果。     

基于BEMD和分形维数的人脸识别方法

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法（BEMD）结合分形维数（Fractal dimension）进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量（BIMF）,然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。