单训练样本条件下的人脸识别算法研究

由于主成分分析法和线性判别分析法等传统方法对单训练样本的识别能力弱,甚至直接失效。本文提出了二维小波变换与矩阵的最大间距准则或矩阵的线性判别分析相融合的人脸特征提取算法。即首先将原图像进行三层二维小波变换,然后对每层的近似分量分别进行最大间距准则或线性判别分析处理,最后用欧氏距离判别。在ORL人脸数据库上取得的实验结果表明,本文提出的算法能够提高单训练样本条件下的人脸识别率,同时也满足实时性要求。     

基于中心对称梯度幅值相位模式的单样本人脸识别

针对传统人脸识别算法在单训练样本情况下识别 效果不佳的问题,提出一种基于中心对称梯度幅值 相位模式(CSGMP)的单样本人脸识别算法。首先,提取人脸图像的梯度幅值和相位信息;然 后,用一种新 的中心对称局部方向模式(CSLDP)算子对梯度幅值进行编码,再将梯度相位量化到8个区间 进行编码,将 二者融合形成人脸图像的CSGMP特征;最后,分块统计直方图特征信息,将所有块的直方图 串联后作为 人脸图像的特征向量,利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试的结果表 明,本文所提方 法简单有效,对光照变化、表情变化和部分遮挡等环境下单样本人脸识别具有较好的效果。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。     

基于子模式下LBP-HOG特征融合的单样本人脸识别方法

针对目前单样本人脸识别率不高这一问题,本文 提出一种基于子模式下的分层LBP和 金字塔模式HOG特征相融合的单样本人脸识别方法。该方法针对人脸不同部位对人脸识别所 做贡献的程度,先通过已有人脸不同部位的分类器将人脸不同器官提取出来并以此为基准将 其分为不同的子图像。然后针对LBP描述子提取的纹理特征数量较少且不能很好的描述图像 边缘和方向信息等问题,将分层LBP与金字塔不同层级的HOG特征相融合的方法作用在每一个 子图像上,得到每一个子图像的融合特征向量,计算训练样本与测试样本对应的每一个子图 像的融合特征的欧氏距离并且乘上预先设定的该子图像对应的权重参数,然后将它们相加得 到最终的欧氏距离,通过阈值判断该人脸所属id。最后通过在ORL人脸库上进行实验,结果 表明本文提出的方法比现有单样本人脸识别方法识别率更高。     

关于人脸识别算法对不同照明技术的鲁棒性研究

对于在正常照明技术下采集得到的人脸图像,现有的人脸识别算法如MTCNN算法、RetinaFace算法,已经能够取得相当高的人脸识别率。然而在某些特殊应用中,对于在特殊照明技术下采集得到的人脸图像,现有的人脸识别算法是否具有很好的鲁棒性,保持较高的人脸识别率,并没有确切的实验结果能够给出我们结论。本文收集了6 000多张在不同照明技术下得到的人脸图像作为我们的混合人脸数据库,并利用LBPH算法、卷积神经网络(CNN)、MTCNN算法、RetinaFace算法设计出了四种有效的人脸识别网络,分别对开源的WIDER FACE人脸数据库和我们的混合人脸数据库进行了测试。最终发现RetinaFace算法对于不同照明技术得到的人脸图像具有较好的鲁棒性。我们进一步利用深度学习标注工具对RetinaFace算法误判的人脸图像进行了标注,并将标注后的图像送入到RetinaFace人脸识别网络中重新训练,优化后的RetinaFace人脸检测模型得到了98.6%的人脸识别准确率,使得RetinaFace算法对不同光照条件的鲁棒性取得了进一步的提升。     

二代证人脸识别的多姿态虚拟样本生成方法

使用第二代身份证照片作为训练样本进行人脸识别属于典型的单样本问题,由于没有充分数量的训练样本,会造成常规的人脸识别算法识别率低下。甚至无效的问题。为此采用虚拟样本生成方法,并针对遇到姿态变化较复杂的人脸时,识别率不高的问题,提出了一种新的多姿态的虚拟样本生成方法,通过模拟人脸侧向旋转、俯仰和立体旋转等增加有效的训练样本。再使用鲁棒性较好的HMM进行人脸识别。在自建的身份证人脸库上进行测试,实验结果显示．该方法在一定程度上减弱了人脸姿态的变化对识别率的影响,并取得了较好的识别效果。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

基于QR分解与2DLDA的单样本人脸识别

提出了一种新的基于矩阵的QR分解与2DLDA的单样本人脸识别算法(QR decomposition+2DLDA).利用矩阵的QR分解,将单样本人脸图像进行QR分解后提取有效的部分信息构成虚拟图像,结合原训练图像生成新的训练样本集,应用2DLDA进行特征提取和识别.在ORL人脸数据库上对算法进行了实验,实验结果表明此算法的识别效果不仅优于PCA、SPCA、(PC)2 A、E(PC)2 A算法,而且对于光照、表情等因素具有良好的鲁棒性.     

镜像图与粗细层次结合的稀疏人脸识别方法研究

人脸在实际环境中,伴随着各种不可预知的情况,会呈现出复杂多变的特性.为了提高人脸识别率及更好的显示人脸特征,本文提出一种镜像图与粗细层次结合的稀疏识别新方法.该方法首先利用人脸的镜面性生成新的人脸图像,将原来的人脸训练样本和新生成的镜像图样本结合起来,使用粗细层次结合的分类方法来进行识别.新方法一方面增加了训练样本的数目,克服由于光照和姿态等外部因素带来的影响,另一方面选取合适的训练样本,丢掉不合适样本对于人脸识别所造成的不利影响.实验结果表明,新方法在人脸识别率上有了明显的提高.     

基于单视图的多姿态人脸图像生成技术研究

该文提出了一种基于单视图或小样本的多姿态人脸图像生成技术,它首先利用一个特征点集表示人脸,然后基于二元高次多项式函数最小二乘方法对人脸各姿态之间的特征点集坐标变化进行拟合,形成全局的变形域,最后由单视图通过变形映射生成多姿态人脸图像。实验结果表明,利用单视图和生成的多姿态图像进行多姿态人脸识别,正确率得到大大提高,证明该文人脸图像生成技术十分有效。     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

人脸识别技术发展现状与未来趋势分析

人脸识别技术指基于人的脸部特征,对输入的人脸图像或视频流进行判断,依据脸的位置、大小和主要器官提取出人脸中所蕴含的身份特征,并与已知的人脸进行对比,从而识别人脸身份的一种技术,并且广泛应用于各领域。基于此背景,文章对几类常见人脸识别技术进行介绍,并对人脸识别的应用现状进行研究,探究当前人脸识别技术在各个领域的应用状况,同时对现状进行分析,提出未来人脸识别技术的发展趋势。     

人工智能平台在人脸识别中的应用

主要描述基于Docker、Kubernetes、TensorFlow、Caffe、Keras实现在GPU上进行并行计算的人工智能训练平台、识别平台、推理平台所涉及的技术和实现思路,在此技术方案的基础上如何以多租户及自服务方式按需申请资源使用人脸可视化建模服务、训练服务、推理服务,通过大量人脸图像及不同算法进行多次训练达到提高人脸识别的准确率的目的,最终能够在高铁、银行、无人商店等场合下开展人脸验证、人脸识别、人脸聚类等相关业务应用,提升用户体验及满意度。     

人脸识别技术研究进展分析

人脸识别技术主要是生物识别技术中的一种,其工作原理是利用人脸的五官、肤色进行身份的识别。通过视频采集设备采集人脸的视频,并且对视频中的人脸进行检测,从实现人脸的识别。人脸识别技术是人工智能研究的主要方向,因此要注重人脸识别技术研究现状,阐述人脸识别技术的相关特点,分析人脸识别方法,确定人脸识别技术的发展方向。     

基于小波变换的人脸识别技术研究

文章提出了基于小波分解与PCA变换相结合的人脸特征提取方法,首先对人脸图像进行二维小波变换,对变换后的低频分量做PCA变换以提取人脸特征,最后,使用SVM分类器进行人脸识别。为了验证方法的有效性,文章以ORL人脸库作为测试数据库,前5幅人脸作为训练样本,后5幅人脸作为测试样本,实验结果表明该方法能有效的识别处理过的人脸图像。