基于卷积神经网络的猪脸特征点检测方法

针对牲畜面部识别在养殖行业广泛需求的问题, 提出一种基于卷积神经网络的猪脸特征点检测方法, 解决了猪脸特征点难检测的问题. 首先, 采集猪面部数据并进行特征点标注, 使用新的采集方法以解决猪口部通常不可见的问题； 其次, 对猪脸数据和人脸数据进行结构计算, 匹配相似度较高的猪脸和人脸, 构建猪脸人脸匹配数据集； 再次, 利用匹配数据集训练TPS(thin plate spline)形变卷积神经网络, 得到形变后的猪脸数据集以适配人脸特征点检测模型； 最后, 使用形变猪脸数据集对人脸特征点检测神经网络模型进行微调, 得到猪脸特征点检测模型. 实验结果表明, 用该方法进行猪脸特征点检测, 错误率仅为5.60%.     

基于LLE的彩色图象人脸检测

分析了人脸与非人脸之间的本质区别,提出了运用局部线形嵌入(LLE)的非线性降维方法,解决非线性结构的高维数据(图象)低维表示的问题,实现了高维输入数据点映射到一个全局低维坐标系,同时保留了邻接点之间的空间关系(即高维空间的几何结构).此算法不仅能够有效地发现数据的非线性结构,同时还具有平移、旋转不变性.运用LLE算法对图象进行降维,再对降维后的数据运用支持向量机(SVM)分类器进行人脸和非人脸的分类.实验结果表明,该人脸检测方法测率较高,并且不受姿态、表情和光照的影响.     

基于神经网络和人脸特征的密钥管理方法

利用神经网络的联想和记忆功能,将密钥嵌入用户的人脸特征中,给出了一种方便、安全的密钥管理方案.存贮密钥时,提取用户的人脸特征,将其离散化为二进制人脸特征序列,再把用户密钥和其人脸特征序列异或,利用异或得到的结果和一些随机序列训练广义回归神经网络.用户只需要保存训练好的神经网络参数,以及密钥与人脸特征序列异或所得到的结果,无需保存或记忆密钥.当需要获取密钥时,用户只要输入自己的人脸图像,即可由存贮的信息恢复出密钥;而攻击者即使获得了存贮的信息也不能从中得到密钥或用户的人脸特征信息.实验表明,本文给出的密钥管理方法是可行的.     

基于级联卷积神经网络的人脸关键点定位

由于人脸姿态、表情、遮挡物、光照问题的影响,人脸关键点检测时通常会出现较大的误差,为了准确且可靠地检测关键点,提出了一种基于级联卷积神经网络的方法。利用人脸检测器检测到的人脸图像作为输入,第一层卷积神经网络直接检测所有的5个人脸关键点。随后根据这些检测到的点裁剪出5个人脸局部图像,级联的第二层网络使用5个不同的卷积神经网络单独地定位每个点。在实验测试环节,级联卷积神经网络方法的使用将人脸关键点的平均定位误差降低到了1.264像素。在LFPW人脸数据库上的实验结果表明:该算法在定位准确性和可靠性上要优于单个CNN的方法以及其他方法,该算法在GPU(图形处理器)模式下处理一个人脸图像仅需15.9毫秒。     

复杂背景图像中彩色人脸的检测

提出了一种在复杂背景的图像中自动检测彩色人脸的方法.该方法首先在YCrCb和HSV色彩空间进行肤色和非肤色的分割,对检测到的肤色像素在CrCb空间中进行聚类,在每一聚类中心应用形态学算子除去一些较小的背景区域,然后进行区域合并形成候选人脸区域.在候选人脸区域内应用重复阈值法得到候选眼睛对,最后采用BP神经网络进行确认.实验结果表明这种方法在复杂背景的图像中检测人脸的正确率为90%.     

基于颜色分割和HOG学习机制的人脸检测

人脸检测在信息安全和处理等应用领域起到很重要的作用.提出了一种鲁棒的人脸检测算法.该算法结合了基于颜色分割的粗定位过程和基于Histogram of Oriented Gradient(HOG)特征的人脸精确定位过程.粗定位利用人脸的颜色特征,采用基于YCbCr空间的颜色分割方法,获得图像中有可能包含人脸的图像子区域;精确定位则采用HOG特征,并利用SVM进行分类,得到人脸的准确位置.实验证明我们的方法对不同亮度、各种年龄及性别、表情变化及部分遮挡的人脸都具有很强的鲁棒性.     

基于局部特征分析与最优化匹配的人脸识别算法

在分析传统弹性图匹配的基础上, 提出一种基于局部特 征分析(LFA)与最优化匹配的人脸识别算法. 该算法首先利用神经网络方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、 眼角、 眉心、 眉角、 嘴角等), 之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征. 这样人脸的每个特征点就被一系列的 Gabor小波系数所表示, 最后对待识人脸与人脸库中人脸的相应特征点的多尺度特征进行最优化匹配找出需要的人脸. 对最优化匹配方法给出了严格的数学证明, 同时也给出了Yale大学和ORL人脸库上的测试结果. 理论和实验证明, 该方法远优于传统的EigenFace方法, 同时能有效地克服光照变化对人脸识别的影响, 在一定程度上对表情的变化也有较好的鲁棒性 .     

基于小波变换和PCA分析的人脸识别方法及实现

针对传统的特征脸对光线、角度、尺寸等因素比较敏感的问题，在二次小波变换的基础上，对人脸库进行主成分分析（PCA），提取特征脸和代数特征，并用BP神经网络对人脸进行识别，该算法充分利用小波变换和神经网络的自适应特性，得到较好的识别效果．     

基于RBF网络的人脸识别和表情分析方法研究

为解决人脸识别过程中出现的无法有效区分多姿态人脸的问题,进一步提高人脸表情识别率。本文在分析现有人脸表情识别方法的基础上,提出新的识别技术,即采用基于径向基函数(RBF)神经网络的方法,首先对图像皮肤和非皮肤像素进行分离,把人脸区域从检测到的皮肤区域中提取出来,然后以人脸表情数据库JAFFE为测试数据库,对人脸图像进行Gabor小波变换(GWT)和离散余弦变换(DCT),最后将该算法用于径向基函数神经网络的训练过程,建立相应优化模型,并将其应用到人脸表情的识别中,研究结果表明,具有收敛速度快、识别率高等优点,比文献中的方法提高了3%和8%的识别率。     

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.     

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.     

多信息融合的实时人脸检测算法

提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集．用AdaBoost算法从特征集中学习区分人脸与非人脸模式的有效规则,构成人脸检测级联分类器．实验表明,综合使用多信息的人脸检测器性能,比单独使用灰度信息的检测器有显著的提高．     

基于全卷积神经网络的多尺度人脸检测

如何快速而准确地定位到人脸,针对这个问题,提出了一种基于全卷积神经网络的多尺度人脸检测方法.首先用全卷积层替换VGG网络中的全连接层,然后用二分类代替分类层,最后进行该算法下的人脸检测,通过对待检测的图片进行多尺度变换并将其输入到全卷积神经网络中,得到相应的概率矩阵,人脸图框通过非极大值抑制法获取.试验结果表明,该算法的准确率较高,检测时间短,性能较好.     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

一种新的多视角背景下人脸检测方法

针对实际生活中普遍存在的多视角、多人脸检测问题,提出了一种新的分类器训练方法及人脸检测的解决方案;首先采用NPD差分特征对人脸特征进行描述,NPD特征通过判断两个像素值间相对差异对人脸进行描述,其特征值可从二维表直接获取,能大大节省训练时间;同时提出了一种深度二叉特征树结构来训练分类器,可有效结合特征间的关联性,将训练得到分类器与肤色算法相结合来提高检测速度;通过在CMU人脸数据库上对所提出算法进行验证,仿真结果证明在多人脸、多视角检测背景环境下,该算法较Ada Boost算法在检测率提高了8.7%,误检率降低了4.1%,检测速度提高了27.7%。     

基于四元数的彩色人脸检测

针对彩色图像提出基于四元数的人脸检测算法,从数学上解决传统方法将肤色检测与人脸最后确定分开进行而导致检测率较低、程序复杂度高的弱点,将人脸肤色信息与反映轮廓形状的灰度信息进行融合同时作计算处理,提高了检测速度,且增强了算法的鲁棒性.首先简单概述作者提出的检测系统,然后按算法流程分块说明系统每部分的主要内容,其中包括:定义于实数域的广义瑞利商以及Fisher鉴别分析法在四元数体上的推广;基于四元数的Fisher鉴别分析法在人脸检测中的应用原理;彩色人脸样本集的收集与预处理;彩色非人脸样本的收集及其分类的原因和分类原理;多尺度检测中的融合问题;多组检测结果的综合判断问题.数学上严密的推导表明,基于四元数的检测算法合理可行,满足实时性要求.大量实验测试结果显示,此算法快速有效,具有较强的鲁棒性.     

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.     

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.     

基于相似性约束的面部幻象在人脸识别中的应用

为了根据低分辨率（LR）人脸图像生成高分辨率（HR）图像以提高人脸识别率,设计了四个相似性约束函数,提出了基于相似性约束的面部幻象方法。首先利用LR-LR约束计算出输入的LR人脸图像与训练集中各LR人脸图像之间的相似性;然后利用LR-HR约束描述输入的LR人脸图像与HR训练图像之间的局部结构相似性,同时增强相邻幻象图像块之间的平滑约束;最后利用空间相似性约束减少远离幻象图像块的那些图像块的影响。在FERET、Yale及ORL三大通用人脸数据库上的实验结果表明,相比其它几种较为先进的面部幻想生成方法,所提方法得到的幻想图像分辨率更高,此外,所提方法得到了更高的识别率。     

基于核偏最小二乘回归的人脸识别

在采用主成分分析进行人脸重构和识别时,仅从样本自身提取特征向量会导致识别误差。因此,在参考主成分分析的基础上,采用偏最小二乘回归进行人脸图像的训练和识别,并对偏最小二乘回归引入核函数。在ORL人脸数据库上的实验结果表明,偏最小二乘回归明显优于主成分分析,同时核偏最小二乘回归也显著提高了识别正确率。