部分遮挡人脸的检测技术分析

生物识别技术是计算机技术的一个新的应用领域,人脸识别成为生物识别中的一个热点问题,人脸检测是人脸识别的前期重要工作部分。现有的人脸检测算法多是针对简单背景下只有一个人验的图像进行的,对部分遮挡人脸的检测很少研究。文中提出局部遮挡人脸恢复的属性关系图方法．通过对较复杂背景下10幅图像实验（包括遮挡人脸和非遮挡人脸）,该算法对非遮挡人脸的正确检测率为98％,对遮挡人脸的准确检出率为62％。该算法对部分遮挡人脸的检测有一定的指导意义,但需要进一步的实验和提高准确检出率。     

基于OpenCV的人脸图像预处理技术研究

对采集到的人脸图像进行预处理和训练,以改善图像的视觉效果,提高图像的清晰度,并且使图像更有利于计算机处理,便于对图像进行分割和边缘检测,从而提高人脸图像人别的准确率,为人脸的提取特征值和识别等操作做好准备.利用PCA人脸识别方法,实现简单且识别准确率高,OpenCV的特点是实现了图像处理和计算机视觉方面的很多通用算法,实验结果表明,通过预处理后的人脸图像识别效果更好,识别速度更快.     

一种基于局部奇异值分解和最近邻决策规则的人脸识别方法

提出了一种基于局部奇异值分解和最近邻决策规则的人脸图像识别方法。其主要内容包括以下方面：由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用局部奇异值分解抽取人脸图像特征作为识别特征;针对人脸识别问题,采用最近邻决策规则取代隶属度函数来进行分类识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率。同时,人脸识别结果也证明了该方法的有效性。     

基于边缘增强生成对抗网络的人脸超分辨率重建

针对对抗生成神经网络在人脸轮廓细节恢复上不够完善的问题,利用人脸图像的结构先验信息提出了一种边缘增强的生成对抗网络人脸超分辨率的重建算法.首先,利用人脸图像及其边缘图像的一致性关系设计一种并行网络提取面部和边缘细节特征;然后,通过特征融合网络获得高分辨率的生成图像;最后,利用判别网络判别生成图像的真伪.在人脸图像数据库上进行的人脸超分辨率重建实验结果表明:提出的边缘增强生成对抗网络能够提升面部细节重建能力,主观和客观评价指标均优于现有的人脸超分辨率算法.     

基于稀疏表达的人脸遮挡物去除

人脸识别技术是目前最具发展潜力的生物特征识别技术之一。眼镜、围巾等遮挡物的存在对人脸识别系统的识别率影响很大,为了提高有遮挡的正面人脸图像的识别率,文章提出了基于稀疏表达分类的去除遮挡的方法。该方法对于有遮挡的人脸图像先求出其在无遮挡人脸图像训练集上的稀疏系数,再根据求得的稀疏系数进行恢复重建,得到去遮挡的人脸图像。实验表明该方法能有效地去除遮挡和提高识别率。     

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。     

基于动态时间规整的局部分块匹配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。     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,并作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95.0%的识别率.平均每张人脸图像识别时间为0.14 s,表明该算法能符合实际应用的要求.     

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。     

基于PCA的神经网络在人脸识别中的应用

特征提取部分是要从人脸图像中提取可以区分不同类别人脸的特征信息(有效识别信息)。将图像预处理、二维PCA特征提取和神经网络分类器结合提出了一种改进的图像识别方法,和其他方法进行了比较,在Matlab环境中的仿真结果表明,该算法降低了系统的运算复杂度,提高了人脸识别率。     

动态稀疏表示方法在非接触式指纹图像识别中的应用

传统指纹图像识别方法无法解决数据量大、样本维数高、样本数据呈非线性等问题。为此,将动态稀疏表示方法应用于非接触式指纹图像识别中。通过低秩矩阵恢复解决采集样本中出现的颜色偏差、局部遮挡以及内容缺失等问题。通过局部区域划分法把待识别图像分成若干子图像块,完成维数转换。引入可衡量待识别样本与训练样本间局部结构关系的准则和联合动态活跃集合对目标函数进行改进,建立动态稀疏表示模型。对各子图像的稀疏表示系数进行求解,依据稀疏表示系数求出所有非接触式指纹子图像的重构误差,融合全部误差,将误差最小的类别赋予待识别指纹图像,实现非接触式指纹图像识别。实验结果表明,所提方法实用性强,与其他方法相比识别可靠性更高。     

融合遮挡检测与HOG特征协作表示的鲁棒人脸识别

稀疏表示分类算法在人脸识别中表现出较好性能,但其对面部遮挡的鲁棒性较差,在特征提取时未利用面部鲁棒特征且实时性差。针对以上问题,本文提出了融合遮挡检测与HOG特征协作表示的人脸识别方法。首先,设计了一种基于HOG特征和支持向量机的遮挡检测方法,根据常见遮挡的分布将人脸分块,在子块上检测遮挡。然后,结合遮挡检测结果,仅提取非遮挡部分的HOG特征并利用协作表示方法进行分类。测试结果表明:对AR人脸库中遮挡图像的平均识别率为95.2%,对AR、Yale人脸库中发生光照和表情变化人脸的识别率分别为97.3%和98.6%,且运算速度比稀疏表示方法提升了约293倍。与基于稀疏表示的分类方法相比,该方法的鲁棒性和实时性都有明显提升。     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.     

基于复杂网络和图像轮廓的形状识别方法

基于轮廓的图像识别方法具有过程简单、识别效率高等特点.但随着人脸表情变化、光照强度以及遮挡等因素的改变,提取图像轮廓形状的难度增大,从而使方法的有效性受到影响.本文提出一种基于复杂网络和图像轮廓的形状识别方法,通过提取形状图像的轮廓点,建立相应的复杂网络模型,计算相关参数来识别图像.实验表明,该方法具有对轮廓图精确度依赖性低、复杂网络规模小、阈值参数少、能有效适应边界形状改变等优点.     

低秩鲁棒性主成分分析的遮挡人脸识别

为了提高遮挡人脸的识别效果,提出了低秩鲁棒性主成分分析的遮挡人脸识别算法。首先采集人脸图像,并进行相应的预处理,然后采用鲁棒性主成分分析对人脸样本进行分解,并建立人脸图像训练样本和测试样本的低秩矩阵和误差矩阵,最后根据误差矩阵对人脸识别进行加权和识别,并采用经典人脸数据库进行仿真实验,结果表明,低秩鲁棒性主成分分析的遮挡人脸识别率得到显著提高,降低了遮挡人脸的误识率,具有更优的鲁棒性。     

基于模糊核判别分析的静态面部表情情绪识别方法

当前面部表情情绪识别方法由于表情类别划分能力差,导致面部表情情绪识别结果精度不佳,为此,该文提出基于模糊核判别分析的静态面部表情情绪识别方法。根据模糊核图像处理原理,线性方程对静态面部表情原始图像进行复原,获取原始人脸图像采集。利用奇异值分解技术提取静态面部表情情绪特征。采用模糊核判别分析方法对面部表情情绪类别进行划分,实现静态面部表情情绪识别。通过五官结构关键信息提取、表情信息匹配精度以及静态面部表情情绪识别精度三部分指标,验证此方法的应用效果。实验结果表明：研究方法的表情信息匹配精度可达97.0%,使用其可有效提升静态面部表情情绪识别效果。     

基于注意力机制的多粒度匹配的表情识别模型

面部表情自动识别技术已在人工智能领域受到广泛使用。然而，由于姿态变化和遮挡，人脸表情识别中的一个关键挑战是提取细粒度特征的方法。文章提出一种基于注意机制的多粒度匹配模型，特别地，在多粒度匹配模块中部署了多粒度模块和关注度估计模块。通过多粒度模块将细节图像划分为多个细粒度局部区域，并计算局部特征的关注度权重来构造全局特征。图像细节处理模块用于获取原始图像的细节特征。在CK+和Fer2013上进行了大量实验，结果证明了本文方法的有效性。     

基于DCT和分块2D2PCA的人脸识别

为了解决人脸识别算法双向二维主元分析(2D2PCA)表征的信息不全面,鲁棒性差、识别速率较慢的问题,提出了一种结合二维离散余弦变换(DCT)算法和改进的双向二维主成分分析算法(模块(2D)2PCA)的新的人脸图像识别算法,该算法首先利用二维离散余弦逆变换(DCT)对人脸图像进行压缩,利用二维离散余弦逆变换(IDCT)对图像进行重建,可以去除了人脸图像中的干扰冗余信息。然后通过改进的2D2PCA算法即分块2D2PCA提取重建人脸图像中的特征。最后,用最近邻法对人脸图像进行识别,并定义了人脸图像相似度的概念。本文对ORL人脸图像数据库进行了实验。实验表明,本文算法有效的增强了识别的鲁棒性,缩短了识别的时间。     

局部特征映射与融合网络的人脸识别优化算法

针对传统特征提取算法的局限性,提出基于深度神经网络DeepLab v2的人脸识别改进算法。首先,对图像中人脸进行定位,采用DeepLab v2改进网络提取人脸的面部特征,通过加入压缩激励(SE)模块细化多角度纹理特征。其次,采用局部二值模式(LBP)特征映射对目标图像进行补充特征提取,细化纹理结构并减少光照噪声的干扰,提升识别的鲁棒性。最后,进行特征信息融合,采用分类模块对融合特征识别并分类处理。结果表明：对比经典目标检测算法YOLOv1和传统DeepLab算法,改进算法识别出多角度的人脸局部特征,且在正常光照下改进算法的识别精确度分别提高了3.1%和5.9%,在强光照下改进算法的识别精确度分别提高了9.5%和13.6%。     

基于肤色区域相关过滤的人脸定位

在人脸识别和表情识别研究中,人脸位置的定位起着十分重要的作用.对由图像获取设备的含有人脸的图像进行预处理后,提出了肤色区域相关过滤投影的方法实现了人脸区域的定位,实验表明所提出定位方法的有效性,通过试验对人脸有部分遮挡和偏转的图像也取得了较好的效果.