基于光照分类的可变光照下人脸识别方法

针对人脸识别中的光照变化问题,借鉴“分而治之”的思想,提出通过光照分类来提高不同光照情况下人脸的识别率。根据人脸图像灰度随光照变化的分布特点,将图像划分为三类：无偏光类、左偏光类和右偏光类,分别在不同的光照子集中对人脸图像进行处理与识别,并在YALEB人脸库上完成实验验证。结果表明,该方法不需要进行光照归一化处理,有效减弱了光照不均匀对人脸识别的影响,在提高识别率的同时降低了运算量,识别率可从未分类前的86.7%提高到99.6%,对于可变光照下的人脸识别有一定的应用前景。     

AAM在多姿态人脸特征点检测中的应用

主动表观模型AAM是经典的特征点检测方法,但是受到其线性预测模型能力的限制,当初始位置偏离目标位置过大时,很难收敛到正确位置,因此传统的单一AAM模板很难满足多姿态人脸特征点检测的要求。针对此问题,提出了一种基于多模板AAM的人脸特征点检测方法：首先定义模板相似度和人脸特征点,将人脸姿态划分为若干类,每一类姿态训练一个特定的AAM模板;然后对测试样本,利用每个AAM模板搜索特征点,并计算搜索结果与模板的相似度,选择相似度最大的AAM模板的搜索结果作为最终的特征点检测结果。通过相似度选择模板的方法可以为AAM搜索提供相对偏离较小的初始位置,因此可以精确地检测特征点。在东方人脸数据库上的实验结果证明了模板选择的必要性和相似度定义的合理性。在整个数据库上的测试结果表明,92.11%的测试图像均可以通过相似度准则选择到正确的AAM模板,从而可以精准地检测特征点;99.92%的图像可选择到正确的AAM模板或其相邻模板,故可以检测到较为准确的特征点。