基于特征融合的人脸识别

针对单一的人脸特征在识别中的局限性,提出了一种基于特征融合的人脸识别方法,首先利用主成分分析获得原始输入图像的特征脸,经图像重构处理得到原始图像的余像,然后抽取余像的特征脸,最后将两种特征脸按一定的权重融合成一个组合特征进行人脸识别,通过针对ORL人脸数据库的实验表明:该特征融合方法的人脸识别是行之有效的,优于传统特征脸的方法,识别率可以达到91.5%.     

基于支持向量机的人脸识别算法

特征提取是人脸识别问题中的一个普遍问题,主要是指通过变换将图像空间中的人脸转化到人脸特征空间中,其目的是用最少的数据量表示原始图像的最多的信息.其中Fisher脸法是常用的特征提取方法,本文采用Fisher脸法和支持向量机的方法,构造了一个能够将图像数据空间的人脸映射到人脸特征空间中,并实施识别的实验系统.分析了该系统的构成与特点,并给出了实验测试结果.     

基于小波变换和支持向量机的人脸识别研究

人脸识别是机器视觉、模式识别等领域的研究热点,具有广阔的应用前景.文章利用小波变换对人脸图像进行预处理,减少表情变化对人脸识别的影响;根据PCA法,将处理后的人脸图像映射到相互正交的特征脸坐标轴上,实现了特征降维;利用支持向量机分类模型对人脸图像在特征脸坐标轴上的投影向量进行识别,并在ORL和Yale人脸库上进行实验,...     

基于特征脸和神经网络的人脸表情识别方法

当前人脸检测系统主要使用的是基于主成分分析算法和神经网络技术,本文提出了识别不同特征点的另一种技术,所提出的识别系统用来实现特征提取、主成分分析和人工神经网络,即用特征脸和主成分分析算法进行人脸识别.在主成分分析算法中,通过识别初始人脸图像集得到特征向量和特征脸,然后这些人脸被投射到特征脸上以计算权重,这些权重建立人脸数据库以便通过神经网络进行人脸识别.测试结果表明,其准确率达82.1%,达到了理想效果.     

低分辨率人脸序列的超分辨率重构识别

针对低分辨率人脸序列的识别这一问题,提出了一种超分辨率重构识别算法.该算法利用低分辨率序列中所提供的关于同一人脸的不同信息,先重构出一幅具有更高分辨率的人脸图像,然后再进行基于Gabor特征的人脸识别.实验结果表明,该算法能够显著提高人脸识别率.     

基于特征脸的人脸识别系统

提出了一种快速有效的人脸识别系统．针对特征脸方法只能识别标准正面人脸的局限性，设计了前端处理模块，首先计算待识别图像中人脸的倾斜角度，进行相应角度的旋转，然后剪切出人脸图像，进行尺寸调整，经过此处理后再进行特征脸识别．利用ORL人脸库和自建人脸库进行仿真实验，实验结果表明，本识别系统速度快，误识率低，具有实用性．     

基于支持向量机的人脸识别算法研究

对基于支持向量机的人脸识别算法进行了研究,并通过仿真实验验证算法的有效性.通过缩小图像的尺寸和离散余弦变换(DCT)来实现图像的预处理,应用基于类内平均脸的主成分分析(PCA)提取人脸图像的特征,应用支持向量机(SVM)实现人脸图像识别.还重点对影响人脸识别系统速度和识别准确率的相关因素进行了研究,为研究人脸识别技术的应用提供理论依据.     

基于混合Gauss模型的鲁棒性人脸识别算法

针对人脸图像受表情、光照、角度变化等因素影响,传统算法难以获得较理想的人脸识别结果问题,提出一种基于混合Gauss模型的鲁棒人脸识别算法.先将每副图像划分成子块,提取其方向梯度直方图特征,并加入子块相应的空间位置信息产生人脸图像的局部特征向量;再采用全部图像的局部特征向量训练混合Gauss模型生成人脸特征向量;最后采用最小二乘支持向量机建立人脸识别分类器,实现人脸匹配与识别.采用ORL,Yale和CIGIT人脸库进行仿真对比测试,仿真结果表明,该算法的人脸识别率高于其他人脸识别算法,对光照、角度、表情等有较强的鲁棒性,且可以获得更快的人脸识别速度.     

基于人脸轮廓的人脸归一化方法

人脸识别作为生物识别技术的一种,具有无接触、安全和方便的特点.人脸识别技术广泛应用于人机交互、交易认证及安防等领域,一直是生物识别技术研究的热点.人脸检测、特征定位、人脸归一化和特征提取是人脸识别研究的重点,决定着人脸识别系统的最终性能.设计了基于人脸轮廓的人脸归一化方法,根据归一化中出现的问题,进一步提出了人眼位置与人脸轮廓结合的人脸归一化方法.实验结果表明在Yale人脸图像库上人眼位置与人脸轮廓结合的人脸归一化方法具有更高的正确率.     

用于人脸识别的人脸图像标准化算法

人脸图像的标准化，作为人脸图像预处理过程，是计算机人脸识别中很重要的一个环节。论文给出了一种改进的人脸图像标准化算法。该算法首先利用人脸图像的垂直灰度投影曲线确定脸的左右边界；接着根据人脸图像的水平灰度投影曲线来确定眼、嘴的位置；然后依据确定的眼、嘴以及脸的左右边界这些参数对图像进行剪裁和缩放；最后获得人脸的标准图像。采用ORL人脸数据库进行仿真实验，结果表明，该算法基本消除了背景、头发、服装等干扰，保留了人脸识别所需的主要信息，更利于后续的特征提取与识别，解决了常规方法不适合侧面人脸图像或者闭上双眼的人脸图像的问题，是一种有效的方法。     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

结合小波低频子带的主成分分析方法

针对单样本人脸识别问题,提出了一种结合小波低频子带的主成分分析方法.为了加强单样本图像的分类信息,该方法将原训练样本与其小波低频子带重构图相结合,然后对结合的训练样本进行主成分分析.在ORL人脸库上的实验结果表明,当训练集中每个人只有一幅人脸样本图像时,文中方法的识别率比标准特征脸法高3.6%,而所使用的特征脸个数减少14.8%.     

基于特征偏移的人脸图像质量评价及影响因素研究

针对低质量人脸图像阻碍识别系统性能提升的问题,本文提出了一种无参考的人脸图像质量评价方法,并使用该方法评估了不同类型的图像退化对人脸图像质量的影响程度.该方法使用一种集群卷积网络结构,模拟人脸图像退化过程中的特征偏移,根据特征偏移量和图像信息量之间的相关性,完成人脸图像质量分数计算.使用遗传算法对构成集群网络的网络单元进行筛选,可使用更小网络规模实现同等性能.以质量评价算法为工具进行实验,研究评估了不同图像退化类型对人脸识别的影响,为指导今后人脸质量相关研究得出了有益结论.在主流人脸数据集上进行的实验证明,通过筛选数据库中低质量分数的人脸图像,可以进一步提升现有人脸识别系统的性能,且识别率提升表现出良好稳定性.该方法复杂度低,无需训练,与FaceQNet等最新方法相比,在FNMR和EER指标上显示出明显优势.     

基于K-L变换的人脸自动识别方法

研究了利用计算机实现的人脸自动识别方法。在传统的“特征脸”方法基础上，提出了一种改进的人脸自动识别方法。该方法对于经过预处理的标准人脸图像，以类间散布矩阵为产生矩阵，通过Ｋ－Ｌ变换降维并提取人脸图像的代数特征。同时，利用遗传算法进行特征选择，以构成有利于分类的自适应子空间。在此子空间内，将图像进行正交分解，然后分别对各类训练样本进行二次Ｋ－Ｌ变换，进一步构成其旋转子空间，从而最终实现了一个分层次的最小距离分类器。实验表明，本方法识别率较高，且对于人脸的姿态、表情及光照条件均具有一定的不敏感性。     

人脸识别系统的设计与实现

随着社会信息化、网络化的发展,自动身份认证逐渐成为一种趋势,人脸识别以其特有的便利性成为当前研究的热点.在学习前人的图像处理技术基础上,综合考虑各方面条件,在算法上采用人脸识别领域中的HAAR方法对人脸进行检测,采用PCA方法进行人脸特征提取;在图像显示上采用JavaWeb开发的SSH框架对图像进行处理,将C++图像处理的便利条件和Java Web开发的友好效果结合起来.最终实现的功能是:从人脸图像库中找出与上传人脸最相似的前三个人脸图片,并显示他们的信息.     

Exploiting Effective Facial Patches for Robust Gender Recognition

Gender classification is an important task in automated face analysis. Most existing approaches for gender classification use only raw/aligned face images after face detection as input. These methods exhibit fair classification ability under constrained conditions, in which face images are acquired under similar illumination with similar poses. The performances of these methods may deteriorate when face images show drastic variances in poses and occlusion as routinely encountered in real-world data. The reduction in the performances of current gender classification methods may be attributed to the sensitiveness of features to image translations. This work proposes to alleviate this sensitivity by introducing a majority voting procedure that involves multiple face patches.Specifically, this work utilizes a deep learning method based on multiple large patches. Several Convolutional Neural Networks(CNN) are trained on individual, predefined patches that reflect various image resolutions and partial cropping. The decisions of each CNN are aggregated through majority voting to obtain the final gender classification accurately. Extensive experiments are conducted on four gender classification databases, including Labeled Face in-the-Wild(LFW), CelebA, ColorFeret, and All-Age Faces database, a novel database collected by our group. Each individual patch is evaluated, and complementary patches are selected for voting. We show that the classification accuracy of our method is comparable with that of state-of-the-art systems. This characteristic validates the effectiveness of our proposed method.     

面向中医望诊的人脸图像配准

对可疑病人脸色与病例库中标准病例脸色之间的配准进行了研究.从人脸检测、特征提取到人脸配准,提出一套解决方案和实现算法.将基于肤色模型和动态外观模型的人脸多特征点精确定位方法相结合,应用于面向中医望诊的人脸图像特征定位中,利用所得特征点对人脸划分区域,在各区域内提取颜色特征,实现了基于颜色的图像配准.     

压缩域上人脸识别的研究

DCT变换被广泛采用在图象和视频压缩标准中(如JPEG,MPEG,H.261/H.263).而对于这些压缩图象的处理,传统的手段是先解压到空间域,再进行处理和识别,因而增加了计算复杂性.针对这个问题,运用压缩域上图像处理技术,提出了人脸特征表达的方法,并构造DCT域上人脸识别系统.在人脸标准库FERET上的测试,提出的算法与经典的特征脸法和PCA LDA法相比较,不仅提高了精度,而且降低了计算复杂性.