基于偏最小二乘分析的人脸表示与识别

基于偏最小二乘回归分析,提出了一种新的人脸表示与重构方法.与主成分分析相比,通过偏最小二乘所抽取的低维人脸表示特征具有更好的分类性能.在ORL人脸数据库上的实验结果表明,基于偏最小二乘方法对于测试图像进行重构优于主成分分析方法,并且分类结果也好于后者.     

基于多方向Gabor特征图协同表示的鲁棒人脸识别

为提高基于稀疏表示分类(SRC)算法在可变光照、姿态和表情下的人脸识别性能,提出一种基于多方向Gabor特征图(MGFM)和协同表示分类(CRC)的鲁棒人脸识别方法。首先,对人脸图像进行多方向多尺度Gabor变换,并融合同一方向不同尺度的Gabor特征;其次,在每个方向的融合特征图上提取Gist特征。在进行人脸识别时,可采取2种方法:1)将人脸图像所有方向的Gist特征直接串联或自适应加权后串联构成人脸全局特征向量,并使用协同表示分类器得到识别结果;2)对人脸图像每个方向的Gist特征向量分别使用协同表示分类器进行预分类,预分类时使用自适应K近邻策略确定候选类并进行评分,取总得分最高的类作为识别结果。最后,在ORL,Extended Yale B和AR等人脸数据库上开展人脸识别实验,由提出的方法分别取得99.8%,100%和99.7%的识别准确率和较快的执行速度。研究结果表明:本文方法利用多方向Gabor特征图(MGFM)建立人脸图像的特征表示能有效描述人脸局部信息,利用自适应K近邻策略改进协同表示分类算法能取得较高的识别准确率和执行效率。     

基于因果模型和多模态多目标优化的两阶段特征选择方法

特征选择中特征数量和分类精度之间的关系通常可以看作是一个多模态多目标优化问题,但现有大多数多模态多目标进化算法对于高维优化问题的求解存在搜索能力不足的问题。为解决该问题,提出一种基于因果模型和多模态多目标进化算法的两阶段特征选择方法。在该方法中,首先使用因果模型对数据进行特征选择以便降低问题维度;然后使用多模态多目标优化算法搜索具有多模态特性的特征子集。为验证所提算法性能,它被用于术中低体温风险预测模型的特征选择问题。实验结果表明,提出的两阶段特征选择方法不仅融合了2种不同方法的优点,而且能为术中低体温预测提供更多决策支持。     

基于自适应人脸切割的三维人脸识别算法

为克服表情变化对人脸识别的影响,提出了一种基于自适应人脸切割的三维人脸识别算法.首先,采用一种自动预处理技术来去除离群点、填补孔洞和归一化姿态,以提高三维人脸数据的质量;其次,通过简化meshSIFT特征的规范化方向并加入形状直径函数描述符,讨论了方向分配和特征描述符的设计问题,改进了meshSIFT特征;最后,通过运用字典构造、压缩与自适应区域切割稀疏分类,提出了一种基于多任务稀疏表示分类最小残差和的自适应人脸切割算法.FRGC v2.0人脸数据库上的实验分析结果表明,所提算法对三维人脸识别具有较高的识别率.     

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection, SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。     

基于稀疏表示的自动年龄估计

将稀疏表示同时应用于人脸图像年龄特征提取和年龄自动估计2个关键环节,提出一种基于稀疏表示的年龄估计新方法。该方法首先对人脸图像进行稠密采样,提取底层的SIFT描述子,训练字典对其进行稀疏编码,再进行空间金字塔表示,并将其作为刻画年龄属性的图像特征,然后采用线性稀疏回归模型同时选择特征进行年龄估计。针对人脸老化过程具有非线性特点,提出一种基于分段线性策略的层次模型,即首先训练若干个分类器将人脸粗分类到不同的年龄段,然后在该年龄段中训练对应的线性模型对年龄进行精确估计。在权威的FG-NET和MORPH人脸库上对该方法的有效性进行实验验证。研究结果表明:所提出的方法在FG-NET人脸库上年龄估计偏差的平均绝对误差为3.79,远比当前最好方法的平均绝对误差低,而在MORPH人脸库上的平均绝对误差为6.46,与当前最好方法的平均绝对误差相当。     

基于注意力机制的多尺度仪表检测

为实现复杂场景下多尺度仪表检测,提出了一种基于注意力机制的视频多尺度仪表检测算法。首先,利用基于空间注意力机制的特征提取网络,建模特征的长距离依赖,增强特征的表达能力;其次,提出了一种自适应特征选择模块（Adaptive Feature Selection Module, AFSM）,对不同阶段的特征图进行权重调整,增强网络对多尺度目标的检测能力。在自建的仪表数据集上进行了实验。实验结果表明,相比较原来的Faster RCNN方法,所提出方法的检测精度提高了7.6%;与对比方法相比,检测精度也能达到95.4%。在对实际仪表监测视频的测试中,检测结果以及速度能够满足实际需要。所提方法通过改进特征提取网络和特征选择操作,增强了特征表达能力,有效降低了虚警,提升了网络对多尺度目标的检测性能。     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

基于单演特征和协同表示的人脸识别方法

基于协同表示的分类方法解决了稀疏表示分类方法太过强调l1模的问题被广泛应用于人脸识别中。为了进一步提高鲁棒性和识别率,提出了基于单演特征的协同表示分类方法,即MCRC。单演特征所提取的图像相位信息对光照的鲁棒性强并且其方向信息和幅值信息对姿态的鲁棒性也很高,相对于Gabor特征的多尺度和多方向,单演特征在特征变换的速度上也具有一定优势。在AR、LFW人脸数据库上的实验结果表明,该方法具有可行性和有效性。     

基于小波分析的人脸识别算法

提出一种利用小波分析提取人脸特征的方法。对人脸图像做小波分解,用网格划分其子图像,在各子块上提取统计特征,用其训练多分类支持向量机模型,最后用训练好的支持向量机进行人脸识别。选择ORL人脸库对该算法进行实验,与PCA算法的比较结果证明了该算法在识别性能方面的优越性。     

基于多方向Gabor特征图稀疏表示的鲁棒人脸识别方法

为提高对光照、表情、姿态等可变因素的鲁棒性,提出一种基于多方向Gabor特征图稀疏表示的人脸识别方法.对人脸图像进行多方向多尺度Gabor变换,然后将同一方向不同尺度的Gabor特征进行融合得到多方向特征图,再对每个方向的融合特征图提取Gist特征并赋予自适应权重,接着将所有方向特征图的自适应加权Gist特征串联构成人脸图像特征向量,最后利用稀疏表示分类方法实现人脸识别.实验结果表明,本文算法在Yale、ORL和Extended Yale B人脸数据库上的平均识别率分别达到99.8%、99.7%和100.0%.      

人脸识别中基于互信息的特征优选

人脸识别领域中常用Gabor小波系数表示人脸特征.然而,提取的人脸Gabor特征是高维数据,不可避免存在冗余和随机噪声的干扰.为了有效利用Gabor特征进行人脸识别,提出一种新的Gabor特征选取方法.首先计算训练集上的任两张人脸图像的Gabor特征差,生成类内空阃和类外空间.用单个Gabor特征训练筒单两值分类器,以其在类内空间和类外空间的分类错误率作为判据评价该Gabor特征的分类能力.在选取分类错误低的特征的同时还要再评估候选特征与已选特征间的互信息,这样优选出具有无冗余、低误差率的特征.最后对这些优选的Gabor特征进行主成分分析和线性判别分析完成人脸识别.在CAS-PEAL大型人脸数据库上的实验结果表明,所提出的方法不但可大大降低Gabor特征的维数,而且还有效提高了识别精度.     

特征选择模糊加权多通道Gabor人脸识别

对如何选取和表示人脸的Gabor特征、如何融合多通道Gabor的识别结果进行了研究.提出了一种多通道Gabor人脸识别方法:依据各通道特征可分离性判据确定特征提取区域、计算通道权值,采用模糊加权规则融合多通道的识别结果.该方法降低了特征冗余度;考虑了各通道识别能力的差异性;更好地解决了分类"边界"问题.在AR,CAS-PEAL-R1,YaleB和ORL人脸库上的实验结果表明,本文方法较传统多通道Gabor表征方法具有更高的识别率,平均识别时间较传统整体表征有较大的优势.     

基于稀疏编码的提取人脸整体特征算法

为了提高特征的分类效果 ,提出了一种新的基于稀疏编码的人脸特征提取方法。稀疏编码是去除图像冗余的一种有效方法 ,适于描述具有 non- Gaussian分布的图像集合。和基于主成分分析 (PCA )的传统方法相比 ,利用稀疏编码提取的特征具有更好的分类特性。根据稀疏编码的聚类特性 ,利用模糊 C均值聚类对稀疏编码基函数进行初始化以进一步提高特征的可分性。人脸识别的试验结果表明 ,该方法明显优于传统的“特征脸”方法 ,是一种有效的图像整体特征提取方法     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

基于深度特征蒸馏的人脸识别

在人脸识别系统中,深度学习由于强大的表征能力被广泛应用,但模型推理的高计算复杂度和特征表示的高维度分别降低了特征提取和特征检索的效率,阻碍了人脸识别系统的实际部署.为了克服这两个问题,本文提出一种基于深度特征蒸馏的人脸识别方法,该方法通过多任务学习实现大深度模型知识与领域相关数据信息的蒸馏,从而统一地压缩深度网络参数及特征维度.联合特征回归与人脸分类,以预训练的大网络为教师网络,指导小网络训练,将知识迁移得到轻量级的学生网络,实现了高效的特征提取.在LFW人脸识别数据集上进行了实验,学生模型在识别精度相比教师模型下降3.7%的情况下,模型参数压缩到约2×107、特征维度降到128维,相比教师模型分别获得了7.1倍的参数约减、32倍的特征降维及95.1%的推理复杂度下降,表明了方法的有效性和高效性.     

基于语音与人脸参数化表示的跨模态稠密深度

为了提高跨模态人脸表示与合成的性能,针对语音与人脸图像2种模态数据,提出一种基于人脸参数化表示与稠密深度网络相结合的面部生成方法。针对输入语音模态,通过对信号进行频谱变换,将一维时域信号转换到二维频率域,可提取频域上稳健的特征描述;针对输出图像模态,利用主动外观模型对不同面部区域独立建模以降低区域间的相关性,并提取紧凑的人脸参数化特征;为了获得有效的跨模态学习性能,提出采用稠密连接的深度卷积神经网络学习语音、图像2种模态的回归预测,并通过预测的人脸参数进行面部重构,所采用的深度网络模型可以加强特征传播与特征复用,有利于增强面部细节的合成。在2组音视频数据集上验证了提出方法的有效性。     

基于新冗余度的特征选择方法

现有过滤式特征选择模型采用贪心策略结合互信息评价特征子集,容易陷入局部最优陷阱.考虑标签信息对冗余度的影响,利用一种改进的MIFS-U方法在给定标签的条件下衡量冗余度,采用基于分解的多目标优化框架结合引入多项式突变的差分进化算子进行全局搜索,避免搜索陷入局部最优.引入l₁正则化项来保证特征子集的稀疏性,并提出了新的特征选择算法MOEA/D-DEFS.实验阶段使用knn-5分类器来验证学习效果,并在多组来自不同领域的数据集上进行测试.结果表明,将特征选择视为多目标问题采用全局搜索策略搜索可以在特征子集维度和分类准确性方面提供更好的性能.