一种基于压缩感知的单样本人脸识别方法

针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.     

基于3D-2D映射的大姿态人脸识别

为了解决真实场景下大姿态人脸识别准确率低的问题，本文从数据增广的角度，围绕三维人脸信息数据进行大姿态人脸识别关键技术的研究与探索，提出了一个基于3D-2D映射的大姿态人脸识别算法框架.区别于当前基于3D点云数据的人脸识别算法，本文提出的方法主要利用3D人脸丰富姿态信息，通过3D-2D映射的姿态数据扩充方法，进而训练特定姿态人脸特征提取模型，然后集成到统一大姿态人脸识别框架中.本文提出方法的关键是利用注册3D人脸图像信息来辅助2D人脸多姿态识别，很容易集成现有的2D人脸识别方法到提出的框架中.实验表明，本文提出的方法在无约束真实场景下能够有效提升大姿态人脸识别准确率，同时不显著增加计算负担，为当前基于3D信息解决2D人脸识别问题提供了新思路.     

基于低秩矩阵分解和稀疏表达的人脸识别方法

为了提高稀疏表达在人脸识别过程中的精度,对采集到的人脸图像进行低秩矩阵分解,得到低秩矩阵和稀疏矩阵.通过去除稀疏矩阵,得要一个高度相关性的低秩矩阵样本,对样本稀疏表达后进行人脸识别.与传统的基于稀疏表达的人脸识别方法相比,该方法在识别精度上得到一定程度的提高,并在Yale和ORL人脸数据库的实验验证中取得了较好的识别效果.     

基于稀疏编码和机器学习的多姿态人脸识别算法

为改善多姿态人脸识别效果, 设计一种稀疏编码和机器学习相融合的多姿态人脸识别算法. 首先对多姿态人脸进行采集和预处理, 并提取基于稀疏编码的人脸图像特征; 然后采用主成分分析对特征进行处理, 降低多姿态人脸识别的特征维数, 提高多姿态人脸识别效率; 最后采用机器学习算法中的支持向量机建立多姿态人脸识别 分类器, 并采用标准人脸数据库和多姿态人脸数据库对算法性能进行验证. 验证结果表明, 该算法可有效提高多姿态人脸识别正确率, 大幅度减少多姿态人脸的平均识别时间, 取得了比对比算法更优的识别结果, 从而验证了该算法的优越性.     

基于图像重构和l_0范数稀疏表示的人脸识别算法

用现有的人脸识别方法处理人脸姿态和光照的变化仍有一定的难度,本文提出一种基于图像重构和l_0范数稀疏表示的人脸识别算法:首先,采用深度学习网络提取人脸特征;然后,根据提取的特征重构人脸图像;最后,用l_0范数快速稀疏分类的识别算法在重构图像上进行识别.基于FERET人脸数据库的实验结果表明,本算法可在姿态变化比较大的情况下保持较高的人脸识别率以及较快的识别速度.     

基于强度PCNN的静态图像人脸识别

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节,对于不同姿势、表情及面部明显遮挡物的人脸图像,具有较好的识别结果。该方法对于复杂人脸图像特征的提取,具有较强的鲁棒性。     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.     

一种新的三维面部数据局部匹配方法

传统人脸识别在非正常光照和姿势的情况下鲁棒性较低,针对该非正常角度下人脸数据的局部缺失导致识别率降低的问题,提出了一种解决局部匹配问题的方法.该方法通过引入基于曲率和径向距离的3D标志指示器进行3D人脸标志检测,采用注释人脸模型进行初始配准,以扩展可变模型框架即利用在拟合过程中人脸对称性的优点,使得局部匹配问题可以将缺失数据完整化,从而真正地实现姿态的不变性.论文在通用的3D人脸数据库FRGC v2及来自圣母大学的人耳数据库的集合F、G上进行了实验,验证了所提方法的有效性.     

基于多方向Gabor特征图稀疏表示的鲁棒人脸识别方法

为提高对光照、表情、姿态等可变因素的鲁棒性,提出一种基于多方向Gabor特征图稀疏表示的人脸识别方法.对人脸图像进行多方向多尺度Gabor变换,然后将同一方向不同尺度的Gabor特征进行融合得到多方向特征图,再对每个方向的融合特征图提取Gist特征并赋予自适应权重,接着将所有方向特征图的自适应加权Gist特征串联构成人脸图像特征向量,最后利用稀疏表示分类方法实现人脸识别.实验结果表明,本文算法在Yale、ORL和Extended Yale B人脸数据库上的平均识别率分别达到99.8%、99.7%和100.0%.      

基于视觉词袋模型的人脸识别方法

近年来,基于视频的人脸识别吸引了很多人的关注,同时,视觉词袋模型已成功应用于图像检索和对象识别中.论文提出了一种基于视觉词袋模型的人脸识别方法,该方法首先在兴趣点提取尺度不变特征变换的图像描述,这些兴趣点由高斯差分检测,然后基于k均值生成视觉词汇,并使用视觉单词的索引以取代这些描述符.然而,在人脸图像中,由于面部姿势失真,面部表情和光照条件变化,采用尺度不变特征变换描述符后识别效果并不理想.因此,论文使用仿射尺度不变特征变换描述符作为人脸图像表示法.在Yale及ORL人脸数据库上的实验结果表明,在人脸识别中,本文方法可以获得较低的错误率.     

增强LGBP融合广义平均神经网络的鲁棒人脸识别研究

针对人脸识别中由于人脸表情、姿态、尺度等变化而影响识别效果的问题,提出一种融合增强局部Gabor二值模式和广义平均神经网络方法。首先,对归一化的人脸图像进行多方向、多尺度Gabor小波滤波,将生成的Gabor幅值模式分成多个子区域;然后,利用增强局部二值模式对每个子区域进行操作形成特征向量;最后,利用广义神经网络进行识别。在ORL、FERET及LFW上的实验利用错误接受率、错误拒绝率等错误率和时间复杂度评估方法的有效性。实验结果表明,相比其它几种较新的方法,取得了更好的识别效果。     

基于SVM信息融合方法的人脸表情识别

提出一种基于支持向量机(SVM)的信息融合方法进行人脸表情识别．该方法首先对 预处理后的人脸图像进行局部特征和整体特征的提取;然后用最小距离分类器、最近邻距离 分类器、最大相关分类器、径向基函数(RBF)神经网络分类器进行表情识别;最后构造一 个三阶的多项式支持向量机对多个分类器的输出进行决策融合以达到人脸表情识别的目的．     

基于多特征集成分类器的人脸表情识别

提出基于多特征集成分类器的人脸表情识别新算法。新算法首先对预处理后的人脸表情图像通过3种不同的特征提取方法来提取不同类型的表情特征,然后对不同特征构造不同的分类器,最后构造一个基于神经网络的集成分类器模型,对这3个分类器的输出进行决策融合,从而实现人脸表情的最终识别。在JAFFE人脸表情数据库中的试验结果表明,所提算法的识别效果优于单个特征和单一的分类器。     

基于分数阶微分的卷积神经网络的人脸识别

近年来,人脸识别技术作为一种用来抓取生物面部特征信息以及匹配现有数据库中人脸数据的有力手段,以其无接触性、可远距离实施等优点在越来越多的场景中得到了应用.针对在自然无约束条件下,受到光照、姿势和背景环境等因素的影响,设备捕捉到的人脸图像在现有的人脸识别模型中识别率依然不足的情况,本文提出了一种基于分数阶微分改进的残差网络(ResNet)人脸识别方法.本方法通过在原有网络模型结构中增加注意力机制来增强人脸特征提取,融合不同通道和空间的信息提升网络的健壮性,同时利用分数阶微分对节点函数进行处理,增加卷积块提取更多的人脸细节信息,最后使用ArcFace损失函数来优化模型,在网络中进行迭代训练完成人脸识别.实验结果显示:改进后的网络模型在现有的一些数据集(如LFW、AgeDB-30、CFP-FP等)上表现出更好的识别性能和更强的鲁棒性.     

特定人的三维人脸模型生成与应用

计算机三维人脸对象的应用范围包括虚拟现实，辅助教学，远程会议，人机交互，游戏娱乐，电影制作等诸多方面，提出利用区域差值法的算法实现基于两幅人脸图像生成具有特定人特征的三维人脸模型，并在生成特定人三维人脸模型的基础上实现了基于MPEG－4的特定人的人脸动画功能，实验取得了良好的效果。     

基于WT-W2D2DPCA的人脸识别算法研究

人脸识别过程中,针对二维主成分分析(2DPCA)算法在特征提取和数据降维上存在的问题,本文首先引入双向二维主成分分析(2D2DPCA)算法,该算法同时考虑图像行与列方向上的信息.考虑到人脸图像存在信息冗余而影响识别率的问题,于是本文提出一种基于小波加权双向二维主成分分析(WT-W2D2DPCA)的人脸识别算法.该算法首先采用二级小波分解对人脸图像进行预处理,提取其低频部分;然后根据人脸图像的特性,将低频部分进行奇偶分解,并引入加权思想,重组低频人脸图像,最后在ORL人脸数据库上进行双向二维主成分分析.实验结果表明,该方法不仅克服了传统2DPCA系数矩阵大的问题,而且得到了比传统的2DPCA、2D2DPCA算法更好的识别效果.     

一个改进的球面谐波模型及其在光照人脸识别中的应用

从根本上解决人脸识别中的光照问题,仅从人脸的平面图像考虑是不够的,需更多地利用人脸的纹理和形状等本质特征。提出用中性人脸的形状来表示特定人脸的形状,并通过计算球面谐波基图像进行光照估计,实现光照补偿。对真实照片去光照的处理和在Yale B人脸库上的实验结果表明,该方法有效地利用了人脸的形状特征,能比较准确地估计出人脸的光照,明显地去掉光照不均的影响,识别率得到较大提高。     

基于子模式纹理分析的鲁棒人脸识别研究

面部识别(FR)系统可以自动识别或校验从数码相机或图像生成设备中获得的人脸图像,要从所获图像中提取面部特征,并与人脸数据库中的数据进行比对。目前,几乎所有的FR都面临与面部视角相关的障碍,包括光照不足和低分辨率,这些问题使其识别率大为降低。为了解决这个问题,提出了一种基于光照变化的人脸识别框架,该框架利用离散余弦变换的图像全变差最小化(DTV)及伽柏过滤器;并融合子模式分析(SMP)及区分性累计特征变换(DAFT),有效地解决了光照条件变化大的人脸识别问题。在AR及YaleB人脸数据库上的实验表明,与其它最先进的方法相比较,在处理光照条件变化很大的人脸识别问题时明显优于其它方法。     

基于注释人脸模型的三维面部数据局部匹配

传统人脸识别在非正常光照和姿势的情况下鲁棒性较低。针对非正常角度下人脸数据的局部缺失导致识别率降低的问题,提出了一种统一的解决局部匹配问题的方法。通过引入基于曲率和径向距离的3D标志指示器,进行3D人脸标志检测,采用注释人脸模型(annotation facial model,AFM)进行初始配准,扩展可变模型框架即利用在拟合过程中人脸对称性的优点,使得局部匹配问题可以将缺失数据完整化,从而真正地实现了姿态的不变性。最后,在通用的3D人脸数据库FRGCv2及来自圣母大学的人耳数据库的集合F、G上进行实验,验证了所提方法的有效性。