基于非线性特征和线性映射的多视角低分辨人脸识别算法

针对分辨率变化、视角变化和认证集单样本等实际条件下的人脸识别问题,提出了一种基于回归的人脸识别算法。该算法采用核主成分分析法（kernel principal component analysis）分别提取侧面低分辨率和正面高分辨率人脸特征,利用 Procrus-tes 分析建立每一种侧面视角低分辨率 KPCA 特征和正面高分辨率 KPCA 特征间的映射关系,从而获得对应的回归模型。根据这些回归模型,即可得到测试侧面低分辨率人脸对应的正面高分辨率 KPCA 特征,并通过最近邻分类器进行识别。在标准图库上的实验表明,与基于线性模型的人脸识别对比算法相比,本文所提算法识别率提高了4％至36％,而在线测试时间仅比最快的对比算法多1．087 ms。     

基于偏最小二乘的人脸超分辨率重构

提出了一种基于偏最小二乘(PLS)的超分辨率重构方法用于快速恢复高分辨率人脸图像.该算法利用主成分分析(PCA)方法将所有高、低分辨率人脸图像投影到各自的特征子空间中,通过PLS对高、低分辨率投影变量之间的统计关系进行回归建模.当输入的低分辨率人脸图像给定时,对应的高分辨率人脸图像可以由训练后的回归模型导出.实验结果表明,在离线训练的情况下,所提出的算法可以快速地给出令人满意的重构解.     

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.     

基于学习的人脸图像超分辨率重构算法

提出了一种新的基于学习的人脸图像超分辨率重构算法,利用高分辨率图像和低分辨率图像的拓扑结构相似性,将现有的低分辨率人脸图像在低分辨率人脸图像字典中展开,在保持系数不变的同时将字典换为高分辨率人脸图像字典,最终得到待重构的高分辨率人脸图像.在系数估计时,使用主成分分析的方法,同时加入了最小全变分作为约束,算法充分利用了不同人脸图像之间的相似性和人脸图像本身的内部相关性.实验结果表明,结果既保持了对原有图像的忠实性,又比较适合人眼观察.     

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%).     

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.     

基于相关滤波算法的光照变化人脸识别

为了减少人脸识别中由于光照变化而严重影响识别性能的问题,设计了一种基于相关滤波器的最优相关滤波算法.采用二维主成分分析法重构人脸图像,生成相关性过滤器(OPICF)及重构相关性滤波器(RCF);再将测试图像投影到二维子空间,利用重构相关性滤波器重构图像;最后,根据提前设定的光照容限阈值完成人脸的识别.在扩展Yale B人脸数据库上对提出的算法进行了有效性验证,结果表明,本文算法有更高的识别率.     

一种基于人工免疫的小波特征集合最近邻人脸识别算法

将人工免疫及集合最近邻方法应用于人脸检测中,实现一种基于特征的人脸检测算法.首先对人脸图象进行多分辨率小波分解,用低频分量来描述人脸识别,实现数据压缩,并有效削弱光照的影响;然后对小波低频图象进行傅立叶变换,分析变换后的系数矩阵,取得人脸图象的特征向量;采用了人工免疫中的克隆选择算法,对一个人的多张不同表情的人脸图像进行训练,产生一个简约特征集合,用这个简约集合代表此人的人脸特征数据库;就待识别人脸而言,以待识别人脸到人脸数据库中各个人脸特征集合的集合最近邻作为识别结果.实验结果表明,人工免疫算法可以有效地获取训练样本的人脸特征集简约集合,再通过集合最近邻进行人脸识别,可以提高准确率.     

基于深度学习的人脸识别方法研究综述

针对基于深度学习的人脸识别这一生物特征识别领域的研究热点进行了综述.阐释了人脸识别及深度学习模型的基本结构;总结了该技术在国内外的研究现状及其应用,如基于卷积神经网络(CNN)的人脸识别方法、深度非线性人脸形状提取方法、基于深度学习的人脸姿态鲁棒性建模、有约束环境中的全自动人脸识别、基于深度学习的视频监控下的人脸识别、基于深度学习的低分辨率人脸识别以及其他基于深度学习的人脸信息的识别等;分析了当前人脸识别技术在深度学习应用中存在的问题及发展趋势.     

基于LTP和局部PCA的低分辨率人脸识别算法

针对单特征提取人脸识别算法识别率较低的问题,提出一种基于多特征融合的低分辨率人脸识别算法.首先,利用局部三值模式(local ternary pattern, LTP)和局部主成分分析(principal component analysis, PCA)提取低分辨率人脸特征,将其分割成若干块并统计各子块的特征直方图;其次,融合各子块的局部主成分分析和局部三值模式的直方图并级联各个分块,作为新的人脸特征;最后,通过卡方距离度量训练集和测试集直方图的相似度,采用最近邻算法识别相似度.实验结果表明,所提算法对环境和光照变化更具鲁棒性,识别率得到有效提升.     

基于DTW的LPM在面部遮挡人脸识别中的应用

针对面部遮挡人脸识别问题中遮挡源变幻莫测、遮挡位置、大小及形状未知而导致从人脸图像中分割遮挡区域困难的问题,提出了基于动态时间规整(DTW)的局部分块匹配(LPM)算法。首先,将人脸图像划分成若干大小相等且互不重叠的局部小块;然后,借助于光栅扫描顺序将各个小块按照前额、眼睛、鼻子、嘴巴和下巴的顺序连接成一个单一序列;最后,计算查询人脸与注册人之间图像到类的距离,并利用动态时间规整的设计思想寻找查询序列与所有注册序列之间的最佳对齐方式。在两个公开人脸数据库FRGC2.0、AR及一个户外人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,所提算法取得了更高的识别率,此外,所提算法无需任何训练过程,计算成本低,更适合应用于现实面部遮挡人脸识别中。     

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。     

基于改进R-LDA的ANN在人脸识别中的研究

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。为了做到这点,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。提出了一种经过全新衡量的标准化参数,它基于FR系统,能够提高在某些环境约束下的识别率。该方法基于常见的正规线性判别分析(R-LDA),并且包含了具有突出分类能力的可以提高人脸识别率的人工神经网络(ANN)。改进的R-LDA算法解决了在所有FR中出现的小样本容量(SSS)问题,同时,ANN对于检测人脸的正面图像很有用处。在ORL及FERET人脸数据库上进行了实验,结果表明,与其它的常用方法相比较,取得了更好的识别效果。     

基于虚拟曝光融合的光照自适应人脸图像增强方法

为了提高复杂光照条件下的人脸识别性能,提出一种基于虚拟曝光融合的光照自适应人脸图像增强方法。该方法针对检测到的人脸图像,计算其平均亮度,并与经由统计学习得到的正常光照人脸图像的亮度区间进行比较,判定其光照水平,分为低光照、高光照或正常光照,然后基于相机响应模型采用虚拟曝光融合的方法对低光照和高光照人脸图像进行光照增强处理,此过程循环迭代处理直到增强的人脸图像平均亮度达到正常水平。这种光照自适应增强后的人脸图像可作为输入无缝接入现有的人脸识别算法中,从而改善人脸识别系统性能。在Extended Yale B和CMU_PIE人脸图像数据库上的实验结果表明,该方法能有效提高复杂光照下的人脸识别率。     

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．     

利用位置字典对的人脸图像超分辨率方法

针对基于稀疏表示的人脸超分辨率算法存在的字典尺寸大、训练时间长等问题,提出一种基于位置字典对的超分辨率重建方法.由于同一位置的人脸图像块具有相似的结构和内容,更有可能用相同的字典原子进行线性组合表示,因此把训练人脸图像按位置分块,首先为每个位置训练一个位置字典对,利用获得的多个位置字典对,对低分辨率测试人脸图像进行基本重建,然后应用残差补偿方法对位置块进行补偿.实验结果表明,由所提方法重建的人脸图像具有更好的视觉效果,与应用原始图像块进行稀疏表示的图像超分辨率算法相比,平均图像结构相似度指标值提高了0.082,同时字典训练时间缩短了约5倍.     

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。     

一种基于小波分量变换的人脸图像光照归一化算法

基于小波变换原理,提出一种基于小波分量变换的人脸图像光照归一化算法.人脸图像经过二维离散小波变换(DWT),被分解成4个子分量(LL,HL,LH,HH).将低频分量(LL)进行对数变换和分段线性变换,对高频分量(LH,HL,HH)进行Gamma变换.对所有子分量进行小波逆变换,对经小波重构后的人脸图像进行中值滤波.分别在Yale B和CMU-PIE人脸数据库中对本文算法进行光照归一化有效性试验;对比本文算法与其他22种光照归一化算法的处理时间及处理效果;进行分段线性变换和伽马变换参数比较试验及人脸识别试验.结果表明:本文算法执行速度快,处理效果好,人脸识别率高,适用于不同光照条件的人脸识别系统.     

基于L1范数的总变分正则化超分辨率图像重建

设计了一种基于L1范数的总变分正则化超分辨率图像序列重建算法.采用L1范数对重建图像保真度进行约束,利用总变分正则化克服重建问题的病态性,有效地保持了图像的边缘并且提高了运算速度;运用设计的算法对模拟的低分辨率图像序列进行重建,分别从主观效果和客观衡量指标两方面与基于L2范数的总变分正则化的超分辨率重建结果进行比较,实验结果表明该算法在保持图像边缘的同时,提高了超分辨率重建算法的运算速度.