基于多尺度训练库与多特征融合的人脸识别

针对光照差异、表情变化、遮挡等因素造成人脸识别率低的问题,提出一种基于多尺度训练库和加权特征的鲁棒性人脸识别算法。首先根据不同大小的图片具有不同信息量的特点定义并建立多尺度训练库,然后采用RPCA方法对人脸图像进行分解,之后进行HMLBP特征和Eigenface特征提取,最后引入一个权重因子将两种特征进行加权融合,并采用基于稀疏表达的方法对人脸图像进行识别。实验结果表明,相比其他人脸识别算法,本文提出的算法对标准人脸库保持较高识别率,最高可达99%,同时对遮挡人脸库也具有较好的识别效果,鲁棒性较高。     

人脸显性特征的融合构造方法及识别

 目前的人脸识别研究中,面部几何特征没有得到很好的利用.本文阐述了几何特征对于人脸识别的重要性,在此基础上提出了一种提取面部几何特征的新方法;通过融合几何信息和纹理信息构造出一种面部显性特征,并给出了相应的人脸识别方法.这种新的人脸识别方法相对于基于统计学习的子空间方法具有一定的优势,同时也可作为后者的有益补充.实验表明,本文提出的人脸表示特征及识别方法对人脸表情变化和环境光照变化均有一定的鲁棒性.     

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。     

光照健壮人脸识别的低秩相对梯度直方图特征

为了进一步提升人脸梯度特征的光照健壮性,本文结合低秩分解能有效分离图像本质特征和噪声的特性,提出了一种光照健壮的低秩相对梯度直方图特征提取方法。首先,通过对人脸图像进行相对梯度运算获得了图像的相对梯度幅值图像和各像素的梯度方向信息。然后,为了去除相对梯度图像中由于非均匀光照而引入的光照边缘误差,利用低秩分解将相对梯度图像分解为低秩分量和稀疏噪声分量之和。最后,结合人脸图像的梯度方向信息对相对梯度图像的低秩分量进行离散化、滤波和局部二值模式编码形成了人脸的低秩相对梯度直方图特征。在经典的FE-RET子集以及具有代表性的YaleB和PIE光照子集上的实验显示：低秩相对梯度直方图特征的人脸识别性能显著优于相对梯度直方图特征、方向梯度幅值模式特征和图像低秩特征等方法的性能;在YaleB子集上,低秩相对梯度直方图特征的人脸识别精度比相对梯度直方图特征的人脸识别精度高至少4％。实验结果证明,低秩相对梯度直方图特征对光照变化,尤其是非均匀光照变化的人脸识别具有很强的健壮性。     

基于迹变换和旋转增量调制特征的模糊人脸识别

为提高各种不同特殊场景下的模糊人脸识别精确性和鲁棒性,本文提出一种基于迹变换和旋转增量调制编码的特征提取方法.该方法将通信语音编码技术与图像变换技术相结合,首先通过迹线旋转扫描整幅图像,并对迹线上的采样信息进行增量调制编码,从而获得多角度的全局有序结构特征,然后用支持向量机对样本图像的这些特征进行训练以分类并识别图像.实验结果表明,在各种不同模糊级的低质量人脸数据库上,本文方法对不同光照变化、不同拍摄角度、不同遮挡等不同场景的人脸图像均能取得较好的识别效果,与一些传统方法相比识别性能大幅提升,相对于VGGNet和Sphereface两种先进方法在三组不同模糊度测试图像集的平均识别率分别提高2.18％和2.20％,具有更高的识别精度和更好的鲁棒性.     

基于稀疏表示与特征融合的人脸识别方法

针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题,提出一种基于稀疏表示与特征融合的人脸识别算法。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,提取干净人脸图像的LBP,HOG,Gabor三种特征向量;然后对部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL,Extended Yale B和AR数据库上进行实验,结果表明,该算法优于利用单一特征识别的方法,并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。     

应用特征串行融合的人脸识别算法

针对光照和姿态变化对人脸识别性能的影响,文章提出一种融合局部特征和全局特征的人脸识别算法。该算法首先对图像作Gabor变换,提取局部特征,再对图像作奇异值分解,提取全局特征,然后将全局特征和局部特征串行融合作为图像的特征,最后运用最近邻分类方法得出识别结果。在ORL标准人脸库上的实验结果表明,该算法能够有效消除光照和姿态变化对人脸识别效果的影响。     

基于单演主方向中心对称局部二值模式的单样本人脸识别

本文针对单样本情况下传统人脸识别方法在姿态、表情和光照等变化下识别效果不佳的问题,提出一种基于单演主方向中心对称局部二值模式的单样本人脸识别模式的单样本人脸识别算法.首先用多尺度的单演滤波器提取人脸图像单演局部幅值和局部方向信息,并求取主方向,生成主方向模式图;然后用CS-LBP算子进行编码,得到特征;最后对不同单演尺度空间中的特征分块统计特征直方图并运用直方图相交进行分类识别.在AR、Extend Yale B人脸数据库的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.     

字典学习优化结合HMAX模型的鲁棒人脸识别

针对人脸识别中由于姿态、光照等变化而影响识别性能的问题,提出了字典学习优化结合HMAX模型的人脸识别方法。首先,使用样本图像和从样本获得的仿射包模型联合表示一幅图像;然后,利用HMAX模型提取C2特征,并利用字典学习优化特征矩阵;最后,将视觉注意模型与原始模型的C2特征进行组合,并利用支持向量机完成分类。在Caltech和AR人脸数据库上的实验结果表明,相比其他几种较新的人脸识别方法,提出的方法取得了更好的识别性能,对人脸表情和光照变化具有鲁棒性。     

一种快速张量分解算法及其在人脸识别中的应用

基于张量代数的人脸识别技术对姿态、光照和表情的变化具有很好的鲁棒性.本文在高阶奇异值分解的基础上,提出了一种基于特征空间的快速张量分解算法.首先使用传统的子空间学习方法对观测图像进行降维,然后在低维的特征空间对训练数据进行张量分解.通过在Weizmann人脸数据库上进行人脸识别实验,验证了本文方法的有效性.     

基于因子分析的实用人脸识别研究

该文针对实用人脸识别中的光照、表情、姿态等变化问题,通过因子分析和数据挖掘提出一种鲁棒的人脸识别方法。本文首次提出基于因子分析的人脸识别方法,并分析基于内容与风格信息的因子分析模型的人脸识别方法与基于Fisher线性判别分析的人脸识别方法的一致性。为了提高该方法的鲁棒性,通过两因子方差分析与加性模型分离人脸内因子与外因子,降低风格信息对人脸观察特征的影响。实验结果表明:此方法比Fisher脸方法具有更高、更稳健的性能,特别是在Fisher脸方法无能为力的复杂环境下能表现出较好的性能。     

多尺度分块协同表示的选择性集成人脸识别算法

为了进一步改善人脸识别系统在小样本条件下的识别性能,本文在图像分块协同表示分类算法的基础上,提出了一种新的基于多尺度分块协同表示选择性集成的人脸识别算法。该算法首先通过对各个尺度下的图像子块进行总变差加权,突出具有鉴别能力的局部关键特征子块的判别作用;其次通过多尺度分块协同表示的选择性集成,显著地提高了分类器的泛化能力和稳健性。对于三种不同采集条件下涵盖各种光照、表情和姿态变化的标准人脸数据库进行数值实验,实验结果表明新算法比现有的稀疏表示分类算法具有显著的识别性能和鲁棒性。      

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

通用学习框架结合2DPCA的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于SIFT算法的多表情人脸识别

目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低,多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用SIFT算法对多表情人脸进行识别,在多表情人脸库上进行了两类仿真实验:实验一中对比了同一个人的不同表情的识别效果,实验二中对比了两个不同的人的相同表情的识别效果,实验结果表明SIFT算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对Jaffe表情库进行仿真实验,取得了当阈值T=0.35时对多表情人脸图像的正确识别率95.69%,实验结果表明,将SIFT算法应用于多表情人脸识别有巨大的潜在科研价值。     

基于分形编码和奇异值分解的混合人脸识别方法

该文提出了一种新的基于分形编码的人脸识别方法。在分形近邻距离的基础上,提出了分形奇异值近邻距离,并把分形编码和局部奇异值分解结合起来,提高了识别率。实验结果表明,与仅仅使用分形近邻距离相比,该算法对光照变化、表情和姿态变化具有更大的容忍度,而且训练时间短,识别率高。     

基于块双向Fisher线性判别分析人脸识别

为解决二维Fisher线性判别(2DFLD)分析需要较多系数用以表示图像的特征阵、只考虑了图像的列间相关性从而忽略行间相关性以及作为全局特征提取方法可能会失去一些重要的局部特征等问题,提出一种基于块双向二维Fisher线性判别分析(B2DFLD)算法。首先利用块图像获取保持重要局部信息;然后基于行列双向投影,获取提取特征信息;最后计算特征阵的Frobenius距离,并进行分类。在ORL、YALE与FERET人脸数据库上进行了实验,并同传统的8种人脸识别方法比较。实验结果表明,在确定图像块大小、改变训练样本数以及特征维数的前提下,本文方法的最好识别率都高于93.08,平均误识率高于0.15,明显优于其他方法,表明本文方法对有光照、表情以及遮挡的人脸图像识别具有较高的鲁棒性。