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.     

基于深度学习和约束稀疏表达的人脸识别算法

目前的人脸特征匹配算法大多关注于单图像与单图像的匹配而不能有效利用图像序列之间的相关信息,因而提出了一种基于深度学习与约束稀疏表达的人脸特征匹配算法.通过CNN网络对人脸图像进行特征提取,并利用改进的稀疏表达方法自动选取相似的图像序列进行特征匹配,有效地利用了图像序列之间的相关信息.实验结果表明,该算法在LFW和AR数据库上取得了很好的效果并优于传统的SRC,L1-norm和CRC-RLS算法.      

基于图像梯度和2DPCA的单样本人脸识别

提出了一种基于图像梯度的2DPCA的算法用于单样本人脸识别。采用图像梯度方法进行人脸识别具有光照不变性、能提取丰富的局部纹理信息等优点,但是这种方法只考虑了图像的局部信息,并没有充分利用全局信息。基于这种问题,文章考虑融合全局和局部信息进行单样本人脸识别。对于全局人脸信息的提取,采用2DPCA方法,相对与传统PCA方法,2DPCA能够在不破坏图像二维结构的基础上进行全局信息提取。由于上述两种方法在图像匹配时所采用的匹配算法不一致,文章根据两种匹配方式的特点进行改进和融合,提出了一种新的匹配方案。实验证明,基于图像梯度和2DPCA的算法在单样本人脸识别问题上识别率优于传统方法。     

基于全局和局部特征的图像拼接方法

针对传统序列图像拼接算法中的误差累积问题,提出一种基于全局和局部特征的图像拼接方法. 同时拍摄大视场角、低分辨率全局图像和小视场角、高分辨率局部图像,利用深度学习替代传统算法提取两者匹配点,进而根据两者面积比等比例扩大全局图像的匹配点坐标,将局部图像无缩放地投影至全局图像所在平面,最后融合投影后局部图像的重叠区域,拼接形成一幅大视场角、高分辨率全景图像. 实验结果表明,该方法中深度学习快速且精准地实现了特征匹配,同时局部图像间相互独立,有效地解决了拼接顺序限制和拼接误差累积.      

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

融合主动外观模型与局部二元模式的人脸识别

提出一种新的人脸识别算法.首先,利用主动外观模型(active appearance model,AAM)提取人脸五官特征点,进而获得人脸区域的全局纹理特征;然后对人脸区域中的若干个局部子块进行加权局部二元模式(local binary pattern,LBP)的特征组合;接着分别对这两类特征进行最近邻法则匹配;最后,采用基于模糊综合的原理对这两大类特征进行数据融合,给出最终识别结果.实验表明该算法的有效性,能够很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能.     

用于面部虚拟整形的三维人脸重建系统设计

为解决面部整形手术成功率低的问题,设计了用于面部虚拟整形的三维面部重建系统。该系统首先利用高精度深度相机采集人脸多角度深度图像,将每幅深度图像分别转换为对应点云模型并进行去噪预处理。接着,将正面点云和侧面点云进行粗匹配实现点云拼接,并提出一种改进的精配准算法进行精配准,得到目标人脸三维点云模型。对点云模型网格化处理后,提出一种基于半边结构的细分算法来提高重建模形精度,最后完成贴图即可构建人脸模型。为了验证所设计系统的重建精度,设计了对比实验。结果表明:系统重构人脸与其他重建系统相比,提高了人脸精度,且与真实人脸间差距小于2 mm,可以将其应用于面部虚拟整形,从而对专业医师提供术前指导,提高手术成功率。     

基于肤色分割和模板匹配的人脸检测技术研究与实现

针对基于肤色分割方法利用特征点信息不充分的不足和基于模板匹配方法计算量大的不足,提出了基于肤色分割和模板匹配两种方法相结合的人脸检测技术.通过肤色分割方法研究,虽不能最终确认人脸,但可利用人脸特征确定人脸区域,并筛选出大部分的假脸区域,在模板匹配研究中,可以确认出人脸图像,并给出检测结果.     

基于SIFT算法的可见光图像与红外图像配准

为实现可见光图像与红外图像的有效配准,结合两类图像的特点,提出基于特征的SIFT算法,并进行道路和人脸的可见光图像与红外图像配准实验。结果表明,SIFT算法对纹理结构简单、光滑图像提取的特征点较少;随着阈值提高,可见光图像与红外图像的匹配点数目增加,匹配稳定性降低。该算法可用于可见光图像与红外图像配准。     

三维双线性多分辨率形变模型研究

形变模型在计算机视觉和计算机图形学等领域均有广泛的应用.但现有形变模型的建立或依赖于不稳定的人脸图像对应光流算法,或需要大量的人机交互,而且基于随机梯度下降算法的模型匹配过程常收敛于局部最优值.针对这些缺陷,提出三维双线性多分辨率形变模型.首先基于人脸关键特征分割和网格重采样建立原始人脸的自动稠密对应;然后经紧致凸松弛将模型匹配问题转化为两个双线性规划问题,最后通过基于内点方法的全局优化算法求解.基于模拟和真实数据的实验表明:该模型在最优性、模型匹配速度、收敛性和对噪声异常点的鲁棒性优于传统的形变模型.     

基于多分支CNN和多尺度特征融合的非受控人脸年龄估计

现有的人脸年龄估计不能很好地兼顾全局-局部细节的特征表达,因而非受控人脸年龄估计的精度存在一定的提升空间。为解决此问题,提出了一种基于多分支卷积神经网络(convolutional neural networks,CNN)和多尺度特征融合的非受控人脸年龄估计方法。该方法根据人脸关键点对人脸图片剪裁得到包含人脸的全局图像和分别包含眼睛、鼻子、嘴巴的局部图像;使用多分支CNN网络提取对应的深层全局特征和局部特征,使用多尺度特征融合网络探索局部特征间的相关性信息从而进行局部特征选择;将融合的局部特征与全局特征拼接得到兼顾全局-局部细节的年龄特征;使用softmax损失函数优化模型进行人脸年龄估计。根据MORPH Album2、FG-NET、LAP2016人脸年龄数据集上的实验结果表明,提出的方法是有效的。     

基于稀疏编码的提取人脸整体特征算法

为了提高特征的分类效果 ,提出了一种新的基于稀疏编码的人脸特征提取方法。稀疏编码是去除图像冗余的一种有效方法 ,适于描述具有 non- Gaussian分布的图像集合。和基于主成分分析 (PCA )的传统方法相比 ,利用稀疏编码提取的特征具有更好的分类特性。根据稀疏编码的聚类特性 ,利用模糊 C均值聚类对稀疏编码基函数进行初始化以进一步提高特征的可分性。人脸识别的试验结果表明 ,该方法明显优于传统的“特征脸”方法 ,是一种有效的图像整体特征提取方法     

基于形状的遥感图像检索系统

研究了基于内容的遥感图像库的快速检索系统．系统采用基于形状全局特征与局部特征相结合的两步检索策略，由简单的全局特征来过滤掉大部分的非相关形状，利用矢量近似方法来对所属类别进行快速定位，缩小搜索空间；局部特征相似性是通过形状小波变换系数之间的距离直接计算的．仿真试验表明，该查询结构能够高效准确地对高分辨遥感图像和航片进行检索．     

基于曲率和纹理信息的三维人脸特征提取

针对目前三维人脸特征提取方法对表情很敏感的缺陷,通过借鉴曲面曲率生动描述人脸形状的特点和人脸特征区域纹理不受表情影响的特点,提出了一种基于曲率和纹理信息的三维人脸特征提取方法。实验分析说明该方法有效利用了三维人脸的深度信息和人脸纹理对表情和姿态不敏感,具有较好的准确性和鲁棒性。     

人脸检测与识别

人脸是人主要的身份特征之一,人脸识别在信息管理、身份验证、视频监控、机器视觉等领域有着重要的实用价值.本文以中央民族大学信息工程学院本科生人脸数据库为背景,从应用的角度出发,开发了基于人脸识别的学生身份确认系统.整个系统主要分为图像预处理、人脸检测和人脸识别三个部分.图像预处理包括图像大小归一和图像灰度均衡;人脸检测采用Harr分类器;利用PCA（主成分分析）获得投影矩阵和维数适中的能够表征人脸的特征向量;基于最近邻原则,进行人脸匹配.系统测试结果表明,该系统能够完成基于人脸识别的学生身份信息查询功能.     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

基于改进的SIFT算法的图像检索

探讨基于内容的图像检索.经典的尺度不变特征检测和匹配算法SIFT,具有旋转、缩放、仿射的不变性,因而在图像匹配、图像检索领域得到越来越广泛的应用.但其主要针对灰度图像,并且当图像中存在多个相似区域时,SIFT算法得到的特征向量就有很大的相似性,容易造成误匹配.为了得到更好的检索效果,在SIFT算法基础上加入颜色不变量特征,构造颜色特征向量,并且建立一个用来区分相似局部特征的全局向量,在检索实验中取得了比较理想的效果.     

基于语音与人脸参数化表示的跨模态稠密深度

为了提高跨模态人脸表示与合成的性能,针对语音与人脸图像2种模态数据,提出一种基于人脸参数化表示与稠密深度网络相结合的面部生成方法。针对输入语音模态,通过对信号进行频谱变换,将一维时域信号转换到二维频率域,可提取频域上稳健的特征描述;针对输出图像模态,利用主动外观模型对不同面部区域独立建模以降低区域间的相关性,并提取紧凑的人脸参数化特征;为了获得有效的跨模态学习性能,提出采用稠密连接的深度卷积神经网络学习语音、图像2种模态的回归预测,并通过预测的人脸参数进行面部重构,所采用的深度网络模型可以加强特征传播与特征复用,有利于增强面部细节的合成。在2组音视频数据集上验证了提出方法的有效性。     

全局重建和位置块残差补偿的人脸图像超分辨率算法

针对传统基于学习的人脸图像超分辨率算法存在高频细节信息损失过多问题,提出一种全局重建和位置块残差补偿相结合的人脸图像超分辨率新算法.首先利用高、低分辨率训练集所有样本,使用基于权值学习的全局重建算法得到初步的人脸图像,再结合图像模糊和下采样过程,产生高、低分辨率残差图像训练集,最后使用基于位置块的残差补偿算法,对初步的人脸图像进行高频细节补偿得到最终结果.对比实验结果表明,相比同类基于学习的人脸图像超分辨率算法,在将人脸图像分辨率提高4×4倍的情况下,新算法的平均峰值信噪比可提高0.65～3.55dB,可以更好地重建出局部高频细节信息.     

一种基于面部纹理特征融合的人脸表情识别方法

针对人脸表情识别领域受噪声和遮挡等因素影响识别率不高的问题,结合局部和全局特征,提出一种基于面部表情的情感分析混合方法。首先,通过将梯度直方图(HOG)与复合局部三元模式(C-LTP)融合来进行特征提取;其次,将HOG和C-LTP提取的特征融合到单个特征向量中;最后,采用多类支持向量机分类器把特征向量进行情感分类;最后,将提出的方法在3个公共表情图像数据库中与现有的表情识别方法进行对比实验。结果表明,提出的方法在MMI,JAFFE,CK+数据库上的正确识别率分别为98.28%,95.75%,99.64%,平均识别率比其他方法高出10%,优于其他现有的方法。提出的表情识别方法,可有效促进人机交互系统的发展和计算机图像理解的研究,对实现人体语言与自然语言的融合,以及语言与表情连接模型的建立与实现具有重要意义。