一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

基于视觉跟踪的实时视频人脸识别

目前基于深度学习的人脸识别方法准确率高,但是模型复杂,识别速度慢.为了实现监控视频中人脸的实时识别,提出了一种基于视觉跟踪的实时视频人脸识别(RFRV-VT)方法.首先将监控视频的帧序列分组,每一组中分为人脸识别帧和人脸跟踪帧;然后在人脸识别帧中使用基于深度学习的人脸检测和人脸特征提取方法,在人脸跟踪帧中使用基于核相关滤波(KCF)的视觉跟踪方法以加快识别速度.将该方法应用于数据集YouTube Faces(YTF)上进行测试,实验结果显示该算法在监控视频中具有实时性和较高的识别准确性(99.60%).     

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

基于人脸检测与跟踪的智能监控系统

针对现有视频监控系统的缺陷,提出一种新的基于人脸检测与跟踪的智能监控系统.利用对称差分算法,自动检测场景中的运动区域,限制搜索范围;然后利用BP神经网络对肤色进行识别,获得候选人脸区域,该方法比固定阈值肤色检测方法具有更强的环境适应能力;经过人脸验证,最终定位图像中的人脸;对检测出的人脸,提出了新的基于肤色信息和维护运动人脸缓冲池的方法,主动跟踪目标人脸.依据检测出的人脸信息和当前的日期、时间,建立相应的监控信息标注数据库,以供后期查询.实验表明,该系统能够实时可靠地检测、跟踪运动人脸,满足特定的监控要求.     

基于Shape Context的形状匹配方法的改进

传统的Shape Context算法只对简单的形状进行形状匹配.关注于人脸形状匹配和智能化视频监控应用,提出一种Shape Context形状匹配的改进方法,并将Shape Context的形状匹配运用到人脸的形状匹配中.本方法基于Shape Context算法,使用改进的边界提取算法,并融入了扩散滤波的预处理算法和数学归一化方法.本方法适用简单形状和人脸形状匹配,具有二维不变性,并且在智能视频监控中能得到稳定和有效的使用.     

基于距离密度聚类融合的视频人脸识别

针对视频图像的数量海量性及视频人脸运动性,提出基于距离和密度聚类融合的视频人脸识别方法,该方法同时考虑距离与密度在聚类中的相关性并进行融合处理,设计了聚类人脸识别程序流程,实验中对其聚类算法及视频人脸识别方法分别进行了测试.结果表明,提出的方法识别速度快、准确率高、误检率低,能达到数字视频监控系统对精度的要求,可满足视频监控中实时取证的需要.     

人脸检测方法研究

人脸检测是人脸识别的前提,同时在安全访问控制、视频监控、基于内容的检索等领域也有着广泛的应用。人脸相关的应用和研究受到越来越多的重视,本文通过对人脸检测方法的研究,证明各种方法的融合是今后人脸检测的主要方向。     

视频序列对称差分法检测与预测人脸技术

根据视频监控图像在时间和空间上的连续性和相关性,利用视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,改进了基于规则的人脸定位方法,利用人脸的几何特征,实现复杂视频图像中的多人脸检测。运用运动系数加上横向和纵向调节因子,对后续帧中的人脸加以预测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性,预测跟踪效果好。     

基于模块化2D-LDA的视频监控中的人脸识别算法

提出了一种基于扩展二维线性判别分析的人脸识别算法．通过扩充人脸样本,提高了人脸识别的性能．同时在视频监控的实际应用环境中进行了仿真,仿真结果表明,改进后的算法在性能和人脸识别精确度方面有了较大的提高．     

半监督局部线性嵌入算法在人脸识别中的应用

提高人脸识别算法的识别率,提出一种基于半监督局部线性嵌入(Semi-Supervised Locally Linear Embedding,SSLLE)的人脸图像识别方法。针对局部线性嵌入(Locally Linear Embedding,LLE)算法非监督学习的缺陷,引入半监督思想,在构造邻域的时候利用部分样本的标签信息来重新调整距离矩阵;使用调整后的距离矩阵进行线性重建从而实现数据降维。在Yale和ORL人脸库上的实验结果表明,能有效的提高人脸识别的性能。     

基于DCT的PCA及神经网络的人脸识别研究

PCA(Principal Component Analysis,也称为K-L变换)方法在许多人脸库的识别中取得了很好的效果,但运算量大;DCT(Discrete Cosine Transform)有较高的压缩性能并可通过快速算法来完成;集成的BP神经网络比单一BP网具有更好的泛化能力.针对上述特点,提出了一种新算法,首先用DCT处理原始人脸图像,然后用包含了原始图像大部分信息的少量DCT系数作PCA,最后用集成的BP神经网络进行识别.在ORL人脸库上的仿真试验结果表明,该方法是一种更为高效的识别方法.     

等效偶极矩法分析金属天线电磁辐射特性研究

文章用等效偶极矩方法分析金属天线的电磁辐射特性。以矩量法和RWG基函数为基础,金属天线被剖分成一定数量的三角形网格。把三角形面元对等效成电偶极子模型,当2个电偶极子模型之间的距离大于某一临界距离时,两三角形面元对之间的作用(采用一点数值积分时需4次计算)等效为两电偶极子之间的作用(仅需1次计算)。等效偶极矩法简单、易操作,数值结果表明了该方法与原方法几乎相同的计算精度。     

基于贝叶斯判别器的面部检测

 提出了1种基于PCA(主成分分析)的贝叶斯判别器用于检测灰度面部图像.为检测面部图像,首先用PCA减低训练图像的维数以为判别器提供教好的图像描述.训练图像包括面部图像和非面部图像并给出正确标识,用EM算法学习图像的特征向量.在构建好学习模型后,用贝叶斯后验概率检测未知样本.模型参数估计和判别原则都是基于最大似然度.在估计了概率密度函数后,贝叶斯判别器可产生最小的误差,为分类的教优准则.本方法用2356副面部图像和3780非面部图像作为学习样本,学习过程获取面部图像与非面部图像的差异而构建判别模型.训练图像包括不同位置,不同表情,不同亮度条件的同一对象图像.训练模型用于检测205副面部图像,实验结果在文章第4部分给出.     

一种基于像素标记的二值图像区域围线追踪方法

在研究了多种二值图像连通区域围线追踪算法的基础上,提出了一种改进型的二值图像连通区域围线追踪算法。该算法在已有围线追踪算法的基础上,通过定义特定追踪方向,使得追踪过程始终按照逆时针或顺时针方向沿着连通区域边缘进行。在追踪过程中对像素点进行多次标记,通过在按照追踪方向确定的像素点基础上判断像素标记值来确定下一次待追踪像素点的选取。由于对像素点进行多次标记,有效区分了一次追踪像素点和二次追踪像素点,解决了追踪过程中出现的追踪间断现象,使得追踪结果呈现一条完整围线。实验结果表明,此方法可以快速有效地完成二值图像连通区域的围线追踪和提取。     

基于四元数的彩色人脸识别

为充分挖掘人脸模式样本之间的鉴别信息、强化不同样本之间的区分性,以利于增强识别系统鲁棒性、提高人脸正确识别率,提出一种新颖的基于四元数的彩色人脸识别算法．将定义于实数域的PcA方法以及Fisher鉴别分析法向四元数体作合理推广,得到定义于体上的广义主成分分析方法及广义线性鉴别分析法,将这2种方法用于彩色人脸识别,从而得到全新的识别算法．该算法巧妙地将彩色像素的R、G、B3个分量结合在一起,从数学上有机融合具有丰富鉴别信息的肤色成分以及反映人脸轮廓形状信息的灰度成分,较传统仅利用灰度信息的识别方法,具有更稳定的性能以及更高的正确识别率．提出的关于共轭四元数矩阵正交特征矢量集的获取方法,数学上有详细的推导证明,该方法在理论上合理,同时在自己建立的彩色人脸库上进行的实验表明,该方法可行且实用．     

Incremental Face Clustering with Optimal Summary Learning Via Graph Convolutional Network

In this study, we address the problems encountered by incremental face clustering. Without the benefit of having observed the entire data distribution, incremental face clustering is more challenging than static dataset clustering. Conventional methods rely on the statistical information of previous clusters to improve the efficiency of incremental clustering; thus, error accumulation may occur. Therefore, this study proposes to predict the summaries of previous data directly from data distribution via supervised learning. Moreover, an efficient framework to cluster previous summaries with new data is explored. Although learning summaries from original data costs more than those from previous clusters, the entire framework consumes just a little bit more time because clustering current data and generating summaries for new data share most of the calculations. Experiments show that the proposed approach significantly outperforms the existing incremental face clustering methods, as evidenced by the improvement of average F-score from 0.644 to 0.762. Compared with state-of-the-art static face clustering methods, our method can yield comparable accuracy while consuming much less time.     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

基于协同学的人脸分类集成

提出了一种基于协同学的人脸分类集成方法.选择不同的训练样本作为原型模型,以增加原型模型的多样性;识别时,将序参量转化为后验概率,分别运用投票法和基于和的后验概率集成方法进行识别,并提出了一种改进的基于和的后验概率集成方法,来提高集成的效果.另外,将核主分量分析和协同模式识别进行结合,在运用协同模式识别之前,先采用核主分量分析获得原始图像的最优非线性表示,以提高模式的可分性,并消除图像冗余信息的影响,然后再进行协同人脸分类.对Y a le人脸库中的图像进行识别实验,结果表明所提方法的有效性,取得了比经典的协同模式识别方法和核主成分分析更好的结果.     

复杂光照场景下基于MTCNN的人脸检测

为了提高复杂光照条件下的人脸检测识别率,提出了一种基于Retinex图像增强技术应用于多任务卷积神经网络(multi-task cascaded convolutional networks,MTCNN)的人脸测算法。算法用Retinex理论对图像进行增强,能明显提高MTCNN在不同光照场景下的人脸检测精度,同时使面部五个关键点的定位更准确。实验证明,在复杂光照场景下,该方法比原始MTCNN网络的人脸检测具有更好的效果,有利于后期的人脸对齐及分类任务。