基于运动检测和小波分析的视频图像人脸检测

人脸检测是所有人脸处理系统的基础,而视频中人脸检测问题更具有其特殊的意义。结合运动检测和小波分析技术,提出了一种快速的、具有良好鲁棒性的人脸检测方法。首先基于运动检测得到包含人脸对象的运动区域——人脸图像;然后应用小波分析良好的时频局部化特性和多分辨率特性对运动检测定位的人脸图像进行降维处理,同时得到体现人脸特征的小波系数候选本征脸;最后结合人脸的面部特征及形状分析进一步对结果进行验证。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

一种小波树和非参数鉴别分析的人脸识别

结合小波树和子空间分析中的非参数鉴别分析,提出了基于小波树和非参数鉴别分析的人脸识别算法(WANDA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;然后对小波近似分量进行二次小波分解,相应地计算出各小波近似分量;其后对三层分解的小波近似系数进行重新组合,得到新的样本集;最后在此样本集上使用非参数鉴别方法进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于线性非参数鉴别分析的人脸识别(NDA)和鉴别分析的人脸识别(LDA)方法相比较,WANDA方法的人脸识别率为97.5％,对光照条件、脸部表情变化有良好的鲁棒性.     

人脸识别系统中的特征提取

研究了人脸识别系统中正面人脸的特征提取 .通过区域增长从人脸图像中分割出人脸 ,再利用边缘检测、Hough变换、模板匹配和方差投影技术可以快速有效地提取出人脸面部器官眼睛、鼻子和嘴巴特征 .实验结果表明本文所采用的方法具有较高的准确率和光照鲁棒性 .     

基于强度PCNN的静态图像人脸识别

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节,对于不同姿势、表情及面部明显遮挡物的人脸图像,具有较好的识别结果。该方法对于复杂人脸图像特征的提取,具有较强的鲁棒性。     

分区域特征提取的人脸识别算法

针对人脸识别准确率易受人脸表情变化影响的问题,提出了一种分区域特征提取的人脸识别算法。首先,在预处理图像上标记出14个人脸关键点,并将人脸图像划分为表情易变区域和不变区域;然后,分别用Gabor+LBP和Gabor+分块LBP两种特征提取通道对表情不变区域和易变区域进行特征提取;最后,将所得的特征直方图级联,并进行身份验证。经FERET(face recognition technology),LFW(labled faces in the wild)及自制人脸数据库验证,文中算法准确率分别达到了99.14%,98.5%,96.52%。在FERET数据库中,该文算法准确率较DeepID和Gabor+分块LBP算法分别提高了1.88%和3.6%,F1(调和平均数)分别提高了1.8%和2.86%。实验结果表明,分区域特征提取的人脸识别算法对人脸表情变化具有很强的鲁棒性。     

一种基于离散小波变换和支持向量机的人脸识别新方法

为提高人脸识别系统的性能,提出了一种基于离散小波变换DWT（discrete wavelet transform）特征提取和支持向量机（SVM）分类的人脸识别方法。首先,采用DWT对人脸图像进行降维和去噪,然后,对小波低频子图像进行核辨别分析（KDA）提取人脸特征,最后,结合SVM进行分类识别。基于该方法,对ORL人脸库进行分类识别,采用39个特征识别率达到98．2％。仿真结果表明,该方法明显减少了高频干扰对人脸特征的影响,增强了特征的辨别能力。而且,SVM有效地提高了分类器的分类和推广能力。     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。     

基于小波变换的Bayesian人脸识别方法

从小波变换良好的多尺度特征表达能力和Bayesian方法良好的识别能力出发,提出了一种基于小波的Bayesian人脸识别方法.首先对人脸图像进行小波分解,其次对得到的每幅低频子图进行Bayesian人脸识别,最后利用Yale人脸图像库进行了试验.实验表明,与传统的方法相比较,该方法提高了识别率,降低了运算量.     

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 .     

A robust face recognition method using multiple features fusion and linear regression

This paper presents a robust face recognition algorithm by using transform domain-based multiple feature fusion and lin- ear regression. Transform domain-based feature fusion can provide comprehensive face information for recognition, and decrease the effect of variations in illumination and pose. The holistic feature and local feature are extracted by discrete cosine transform and Gabor wavelet transform, respectively. Then the extracted holistic features and the local features are fused by weighted sum. The fused feature values are finally sent to linear regression classifier for recognition. The algorithm is evaluated on AR, ORL and Yale B face databases. Experiment results show that our proposed algo- rithm could be more robust than those single feature-based algo- rithms under pose and expression variations.     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.     

基于Gabor纹理增强的人脸活体检测算法

针对人脸信息认证系统中存在的欺骗攻击问题,利用色彩空间转换信息丢失的特性,提出一种人脸活体检测算法。通过Gabor滤波器组多尺度、多方向地增强关键人脸图像纹理特征,抑制人脸图像的一般特征。高斯径向基函数分类器分类SURF(speeded up robust features)算子提取特征描述子,区分人脸活体与非法用户的欺骗攻击。利用类间方差衡量特征改进前后的可分性,计算图像原始特征与纹理增强后特征的类间方差、类内方差大小以及可分性判据J。在公开数据集Replay-Attack,CASIA-FASD数据库进行测试,彩色纹理图像增强后,人脸关键特征被增强而一般特征被抑制,背景与目标的类间方差增大,类内方差减小,特征可分性增强从而更具鲁棒性,使得纹理细节能被有效利用。实验结果表明,该算法能有效、实时地判断人脸活体与欺骗攻击。     

视频序列中运动人脸的检测与特征定位

针对视频序列中运动人脸的检测与特征定位问题,给出了一种算法,即通过计算并比较人脸区域而不是整幅视频帧的峰值信噪比（PSNR）,先从视频序列中找到人脸区域清晰度高且尽可能大的视频帧,然后再进行人脸的准确检测与特征定位。首先利用Adaboost方法检测出人脸的大致范围,再根据肤色模型确定人脸的具体位置并从图像中提取出人脸部分,然后利用基于帧间差的人脸区域的PSNR判断图像清晰度,从而定位出人脸区域清晰度高且尽可能大的视频帧,最后进行人脸检测和特征定位。对实际视频序列的计算表明,给出的算法在时间效率上较高,人脸的检测与特征定位效果较好。     

基于AdaBoost和遗传算法的快速人脸定位算法

针对采用AdaBoost算法构建人脸检测器时存在的特征冗余问题,提出了一种新的快速人脸定位算法.首先用AdaBoost算法选取类Haar小波特征(称作AdaHaar特征),然后用遗传算法在低维的AdaHaar特征空间进一步优选,消除冗余并得到相应的权系数,最终的人脸检测器由这些优选的弱分类器及其相应权系数线性组合而成.实验结果表明,采用文中算法训练的人脸检测器在检测正确率、检测速度及占用内存等方面的性能都得到了改善.     

一种新的人脸特征定位及识别的方法

提出了一种基于主成分分析的人脸特征定位及识别的方法,利用剩余误差能量作为准则进行人脸特征定位,并对人脸图像提取主成分特征进行识别,经实验表明该方法能处理人脸图像变化较大的情况,具有计算量较小,定位精度高,识别率高的优点。     

一种基于特征点的图像匹配算法

本文提出一种图像特征点匹配算法，并在该算法的基础上形成构建全景图的图像拼接算法．此算法采用Harris角检测算子进行特征点提取，并为其分配特征描述符．在进行相邻图片的特征比对时，提出一种基于小波系数的特征索引算法，提高搜索效率．运用稳健的RANSAC算法将伪匹配点集合划分成为内点与外点，在内点域中精确计算图像之间的变换关系．算法的重要特点为：基于小波系数的特征索引，可以使不同图像之间匹配特征点的搜索效率显著提高．实验结果表明：该算法得到的匹配点精确，受图像的形变、噪声影响较小；图像拼接处理的效果较好，具有较高的实用价值．