基于Metaface字典学习与核稀疏表示的人脸识别方法

完备的稀疏表示方法近年来应用在人脸识别中并取得较好的结果,它可以仅利用样本的随机投影完成对测试样本的识别。在实际应用中,由于受光照、遮挡等因素的影响,测试样本并不能通过训练样本的线性组合得到很好的稀疏重构。本文提出了基于Metaface字典学习与核稀疏表示的人脸识别方法,借助核技巧,将数据样本和字典集映射到高维的未知空间,以解决特征的非线性相似问题。在核空间对数据样本进行稀疏重构,得到数据在核空间的一种简洁的稀疏表达方式从而提高识别率,而Metaface字典学习框架的引入可以得到更加精炼的字典,从全局上提高识别率。通过在ORL人脸库、Yale人脸库和AR人脸库的实验表明,同等情况下,本文提出的方法优于PCA,SVM,SRC等方法,进一步提高了人脸识别率,具有较好的应用价值。     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于稀疏表示的快速三维人脸识别方法

随着计算机技术和三维成像技术的发展,三维人脸识别因不易受光照、装扮变化的影响成为人脸识别和身份验证的新趋势,但是对于表情、姿态变化其识别率还是有待于改善,时间开销较长.本文提出基于稀疏表示原理,对人脸重要的特征鼻尖点进行提取,采用最近邻分类器进行分类识别.实验结果表明,对表情变化等具有较高的鲁棒性和识别效果,且时间开销极小,优于传统的三维人脸识别方法.     

基于新迭代规则的稀疏CNMF人脸识别方法

针对凸非负矩阵分解(CNMF)人脸识别方法的运行时间长且识别率不高的问题,提出一种可收敛的易于计算的新目标函数,并引入阈值稀疏约束,得到新的迭代规则,可有效提高识别率和减少计算时间.首先,图像经预处理后得到低频训练样本,经由新迭代规则的稀疏凸非负矩阵方法分解,得到特征的稀疏基矩阵和权值系数矩阵;然后,基于稀疏特征基矩阵对测试样本进行分解,得到测试集的特征权值系数矩阵;最后,使用一对一支持向量机对该特征权值系数矩阵进行识别分类.基于新规则的稀疏化基矩阵数据更为集中,因此相应系数矩阵中特征的权值也更为集中,易于进行分类识别.实验结果表明:基于新迭代规则的稀疏CNMF方法的识别率可达到100%,比凸非负矩阵分解、稀疏非负矩阵分解、多层非负矩阵分解方法分别提高了33.0%,10.0%和5.5%,并且识别时间更短,图像重构误差更小.     

人脸识别中的核方法

对人脸识别的关键技术和核方法的主要特点进行了简单的分析.指出:将核方法应用于人脸识别中,在特征提取的效率和识别的泛化能力等方面具备技术上的优势.结合国内外相关研究成果,介绍了可应用于人脸识别的三种核方法:基于核的主成分分析(KPCA)、支持向量机(SVM)和基于支持向量的数据描述(SVDD).文章的最后给出了一个应用实例以说明核方法在人脸识别领域中的有效性.     

基于多分类器融合的人脸识别方法

提出了一种融合整体和局部信息进行人脸识别的新方法。首先利用DCT LDA方法提取表达人脸信息能力强的左眼、右眼和嘴巴的局部特征,利用F isherface方法和简单频谱脸方法提取人脸的整体特征,然后应用多分类器组合规则融合整体和局部特征,实验结果表明利用加法融合规则在ORL和FERET数据库上识别率分别达到98.45%和90.79%,说明了该方法的有效性,同时也表明将多分类组合应用于人脸识别是一种比较可行的思路。     

基于决策融合的红外人脸识别方法

提出了一种基于决策融合的红外人脸方法。分别通过离散小波变换＋主元分析＋线性辨别分析、二维PCA方法、离散小波变换＋傅里叶变换3种方法将测试图像进行分类，得到3个结果，然后将这3个结果进行融合得到最终的识别结果。实验结果表明：本文提出的方法更能利用人脸图像的有用判别信息，并得到更好的识别效果。     

基于稀疏恢复的 MIMO-STAP干扰样本检测方法

针对机载多输入多输出(MIMO)雷达空时自适应处理(STAP)技术在训练样本存在有源干扰时杂波抑制性能严重下降的问题,提出了一种干扰样本检测方法。首先使用正则化FOCUSS算法估计出各原子的空时功率谱值,接着设置谱值门限将谱值较大的原子取出,然后确定扫描带对空时二维平面进行扫描,最后根据进入扫描带最大原子数占总原子数的比例判别训练样本是否存在干扰。仿真实验表明,该方法可有效检测出训练样本中的干扰,使用该方法挑选出的无干扰训练样本恢复杂波谱可保证空时滤波器的杂波抑制性能,提升稀疏算法求解杂波谱时涉及到的样本的可靠性。     

基于迭代收缩算法的稀疏人脸识别

为了获得更加理想的人脸识别效果,提出一种基于迭代收缩算法的稀疏人脸识别方法.首先在研究现有的迭代软阈值算法的基础上,将迭代广义迭代收缩算法用于解决lp-数非凸稀疏模型求解问题,然后将该算法用于人脸识别,最后采用仿真实验测试算法的性能.实验结果表明,该算法的精确度明显优于其他算法.     

基于字典优化的稀疏表示人脸识别

为消除非受控训练环境中光照/表情变化的不利影响,控制部分遮挡/伪装对人脸图像的破坏程度,提出了一种基于低秩矩阵恢复的字典优化设计,以增强稀疏表示人脸识别的性能.首先对存在非受控干扰成分的训练字典进行低秩矩阵恢复,获得相对"干净"的训练图像进行特征提取;接着采用分块相似性先验嵌入稀疏编码的方法实现对人脸图像的分类.实验结果表明,通过改进稀疏编码字典的鉴别能力,系统能更有效地抑制光照、表情、遮挡/伪装的影响,其识别的稳健性和鲁棒性得到了明显提升.     

一种基于压缩感知的单样本人脸识别方法

针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.     

基于高低频分量融合的人脸识别方法

图像分解方法可以将人脸图像分解为低频成分和高频成分,其中低频成分描述的是人脸图像光照成分,高频成分描述人脸图像细节成分。高频成分可作为光照不变特征进行人脸识别,但是由于受光照的影响,人脸图像分解后,位于人脸光照阴影区域的高频成分会被损坏。提出的人脸光照恢复方法分为3步:①基于PCA方法,利用局部的人脸光照明亮区域的高频信息重建人脸光照非均匀区域的高频成分;②利用局部光照明亮区域的光照成分重建全局的人脸图像正面均匀光照成分;③将重建后的低频人脸光照成分和高频人脸细节成分融合,得到人脸在正面均匀光照下的人脸图像,去除人脸阴影区域的影响,实现人脸光照恢复。该方法在YaleB数据库上做实验,获得的人脸光照恢复图像有良好的视觉效果和识别结果。     

基于多层次特征融合的Transformer人脸识别方法

卷积神经网络中的卷积操作只能捕获局部信息,而Transformer能保留更多的空间信息且能建立图像的长距离连接.在视觉领域的应用中,Transformer缺乏灵活的图像尺寸及特征尺度适应能力,通过利用层级式网络增强不同尺度建模的灵活性,且引入多尺度特征融合模块丰富特征信息.本文提出了一种基于改进的Swin Transformer人脸模型——Swin Face模型.Swin Face以Swin Transformer为骨干网络,引入多层次特征融合模块,增强了模型对人脸的特征表达能力,并使用联合损失函数优化策略设计人脸识别分类器,实现人脸识别.实验结果表明,与多种人脸识别方法相比,Swin Face模型通过使用分级特征融合网络,在LFW、CALFW、AgeDB-30、CFP数据集上均取得最优的效果,验证了此模型具有良好的泛化性和鲁棒性.     

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.     

基于低秩矩阵分解和稀疏表达的人脸识别方法

为了提高稀疏表达在人脸识别过程中的精度,对采集到的人脸图像进行低秩矩阵分解,得到低秩矩阵和稀疏矩阵.通过去除稀疏矩阵,得要一个高度相关性的低秩矩阵样本,对样本稀疏表达后进行人脸识别.与传统的基于稀疏表达的人脸识别方法相比,该方法在识别精度上得到一定程度的提高,并在Yale和ORL人脸数据库的实验验证中取得了较好的识别效果.     

基于特征融合的人脸识别

针对单一的人脸特征在识别中的局限性,提出了一种基于特征融合的人脸识别方法,首先利用主成分分析获得原始输入图像的特征脸,经图像重构处理得到原始图像的余像,然后抽取余像的特征脸,最后将两种特征脸按一定的权重融合成一个组合特征进行人脸识别,通过针对ORL人脸数据库的实验表明:该特征融合方法的人脸识别是行之有效的,优于传统特征脸的方法,识别率可以达到91.5%.     

基于单演特征和稀疏表示的人脸识别

为了使得稀疏表示分类方法具有更好的识别效果,提出了基于单演特征的稀疏表示分类(MSRC)方法.相对于Gabor特征,单演特征能够用于提取图像的相位信息,而相位信息对光照不敏感,因此MSRC方法能提高图像的光照鲁棒性.相对于Gabor特征的多尺度和多方向,单演特征能够减少特征的处理时间.实验结果表明:文中所提的方法具有使用价值,识别率和速度方面得到了一定的提升.     

基于面部表情GEM和稀疏立方矩阵的三维人脸识别方法

针对姿态和表情变化对3D人脸识别影响较大的问题,提出一种基于面部表情通用弹性模型(generic elastic models,GEM)和稀疏立方矩阵的3D人脸识别方法.利用面部表情通用弹性模型构造3D人脸数据库,3D重建模型为所有人脸姿态创建稀疏立方矩阵(sparse cubic matrix,SCM),并利用自动头部姿态估计法获得人脸图像中三元组角度的初始估计值;为每个子集估计的三元组角度选择SCM的阵列;通过稀疏表示从SCM中选择阵列与探针图像.在FERET,CMU PIE和LFW数据库上的实验验证了提出方法的有效性.与几种优秀3D人脸识别方法相比,提出的方法识别率更高,当姿态变化角度较大时尤为明显.此外,对于480×640图像,LFW数据库上,预处理、人脸检测和分类的总平均处理时间仅为89.4 ms.     

融合图像预处理的人脸识别方法

为了消除光照条件变化以及噪声等因素对人脸识别结果的影响,提出了对人脸图像进行一系列预处理工作,以去除影响人脸识别结果的相关不利因素,再结合主分量分析与线性鉴别分析的进行人脸识别.实验结果表明,所提出的方法不仅提高了识别率,而且减少了训练与分类时间.     

基于神经网络多分类器融合系统的人脸识别方法

在主成分分析方法（PCA）的基础上,采用3种神经网络（BP、RBF、LVQ）分类器进行人脸识别实验研究.实验中引入多数投票法（MVS）,构建了多分类器组合决策体系,对分类结果进行决策融合.最后,将使用此决策体系的人脸识别结果与使用单一分类器的人脸识别结果进行对比分析.分析结果显示,采用MVS规则的人脸识别系统,能有效提高人脸识别系统的准确率和稳定性,且方法简单可行.