基于张量主成分分析的人脸图像压缩与重构

提出了基于张量主成分分析的人脸图像压缩与重构算法,该算法依据K-L变换的原理找到用于图像压缩的投影矩阵,进而对人脸图像进行压缩.同时,也可以通过投影矩阵对人脸图像进行数据重构.通过在FERET和BioID人脸数据库的相关实验表明,与常规的主成分分析算法相比,张量主成分分析算法在同样的压缩比水平上能够实现更优的重构图像,定量分析表明张量主成分分析算法的重构误差和峰值信噪比亦优于常规的主成分分析算法.     

人脸检测与跟踪系统的设计

基于Adaboost人脸检测原理,结合Windows下的Visual C++编程,设计了人脸检测系统.通过MIT人脸库和自建人脸库结合的方法,且对该人脸库进行有效的训练,实现人脸检测功能,提高了检测率和检测速度.利用连续自适应均值移动算法(Continuously Adaptive Mean Shift,Camshift)对人脸进行跟踪,并对Camshift算法进行改进,利用Adaboost人脸检测初始化模板的方法,将检测与跟踪结合起来,有效提高了人脸跟踪效率.     

基于局部分阶段归一化的复杂光照人脸识别

以往算法通过低通、高通滤波的模式实施人脸图像的光照、光照不变量的估计,存在邻域像素信息混杂的问题,无法准确地从人脸图像中提取人脸本征.考虑邻域像素成像光照的相关性,提出基于邻域像素成像光照消除的局部分阶段归一化光照不变特征提取模型,可获取人脸图像的多细节光照不变特征,并通过内积度量构建基于多层次匹配的类别鉴别方法.Yale B和Extended Yale B人脸库上的试验结果表明,该算法能明显提高复杂光照人脸识别性能,明显优于当前先进算法.     

视频人脸的器官快速定位

传统的人脸器官定位算法系统运算时间较长,不适于视频人脸的器官定位.运用了Adaboost从视频图像中检测出人脸区域并确定其位置,将人脸区域进行肤色分割并确定出器官位置：首先对视频相邻两帧的人脸肤色区域差分初步确定眼部区域,再根据人脸器官的几何分布特征精确的定位眼部区域.最后利用伪H分量的数据分布确定嘴唇区域.通过实验表明本文的视频人脸检测算法处理时间较短和定位准确率较高.     

基于肤色模型与Adaboost算法的多视角人脸检测

提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.     

基于核线性判别分析的人脸个体差异识别算法

针对人脸特征的结构,提出了人脸个体差异识别算法.首先,通过QR分解和正交投影得到人脸中的个体差异特征;然后,利用核技术将描述人脸个体差异的特征数据投影到高维空间;最后,利用线性判别分析对高维空间中的数据进行分类识别.在FERET、PIE和AR数据库上进行仿真实验,验证了该算法的有效性和稳定性.     

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.     

人脸识别视频压缩感知跟踪算法

针对视频监控中移动的人脸图像光照强度不同、遮挡、快速变化等问题,本文提出一种人脸识别视频压缩感知跟踪算法.利用图像尖锐化处理突出目标图像边缘纹理,再利用矩形滤波器对人脸图像归一化处理并获取特征向量.通过压缩感知算法对目标样本和背景样本的Haar-like特征压缩,建立目标模型,训练Adaboost算法的贝叶斯级联分类器.最后根据人脸特征区分目标和背景图像,实现目标人脸图像的动态跟踪.实验结果表明,该算法能够实现视频中人脸图像移动、遮挡及光照强度不均匀、快速变化等情况下的有效跟踪.     

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.     

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.