基于改进Retinex与光照补偿的人脸身份识别

为解决不均匀的光照分布影响人脸身份识别的准确率问题,提出了一种无约束光照条件下的人脸身份识别方法.该方法首先基于改进的Retinex理论对人脸灰度图像进行光照预处理;然后对处理后人脸图像中鼻子周围的遮挡阴影区域进行光照补偿;最后利用主动外观模型定位人脸特征点,并选取关键特征点计算人脸身份特征,进而实现人脸身份识别.基于扩展Yale人脸数据库和CMU-PIE数据库进行实验,结果表明所提方法能有效改善人脸图像的光照情况,提高人脸身份识别率.     

用于人脸识别的正面人脸图像眼镜摘除

眼镜是人脸图像中最常见的遮挡物,它对识别率的影响很大。为了提高戴眼镜人脸图像的识别率,提出了一个从正面人脸图像中提取并摘除眼镜的方法。通过一个自适应二值化的方法,检测了正面人脸图像中眼镜遮挡的部分。经过迭代的误差补偿方法,合成了对应输入图像的不戴眼镜的正面人脸图像。实验结果表明:该方法能有效地合成无眼镜的正面人脸图像。原始戴眼镜人脸图像的识别率是50.1%,合成的无眼镜正面人脸图像的识别率是99.4%。     

基于线性降维技术和BP神经网络的热红外人脸图像识别

结合线性降维技术与BP神经网络对热红外人脸图像进行了识别研究.首先利用主成分分析和线性判别分析对热红外人脸图像进行图像降维及特征提取,然后将提取出的热红外人脸图像特征向量用于BP神经网络的训练,得到一个鲁棒性和容错性较强的分类器,用这个分类器对热红外人脸图像进行分类识别.实验结果表明,由于所提方法在提取便于分类的模式特征基础上,采用神经网络作为分类器代替特征向量间的欧氏距离判别,获得了较高的热红外人脸图像识别率.     

基于视觉显著特征的人脸图像分割与跟踪方法的研究

将人脑视觉注意机制应用于人脸图像分割与跟踪中,提出了一种基于视觉显著特征的人脸目标分割与跟踪算法.该方法由三步完成：首先通过模拟人脑视觉注意机制迅速而准确地利用颜色、结构、梯度和位置等信息建立人脸显著特征图.其次,基于建立的视觉显著特征图,对人脸图像视觉显著特征进行学习和聚类,最终能够快速而准确地确认和分割出图像中的人脸区域.该方法突破了传统的逐点搜索的限制,通过一个几何模型和眼图模型对图像中的人脸区域进行搜索,大大提高了人脸候选区域搜索标记的效率,减少了后续处理工作.最后,通过分割出的人脸区域得到一个有效的边界特征图,并融合人脸显著特征图对人脸进行跟踪.实验结果表明本论文所提出的基于视觉显著特征的人脸图像分割与跟踪方法能够较有效地分割出人脸.     

单张人脸图像眼镜边框摘除方法

眼镜对人脸图像的特征提取和识别有重要的影响.本文提出了一个基于单张人脸图像的眼镜边框摘除方法.首先利用自适应双阈值Canny算法提取眼镜边框的准确边缘,以此确定待修复区域并构造修复模板,然后利用整体变分（TV）算法进行目标修复,从而得到没有眼镜边框的人脸图像.实验结果表明,本方法能够成功摘除眼镜边框,效果良好.     

一种基于人脸检测的人眼特征定位方法

人脸图像分析中,眼睛的精确定位是非常重要的一个环节。文章提出了一种基于人脸检测的人眼特征定位方法。首先采用AdaBoost人脸检测算法对人脸图像进行人脸检测,确定人脸位置。然后根据人脸面部结构特征估计人眼所在区域,利用该区域内的灰度和梯度特征搜索人眼特征点。实验表明该方法能够快速有效地定位出人眼特征。     

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.     

基于面部表情和双流网络的驾驶员疲劳检测

提出了一种基于面部表情的驾驶员疲劳检测方法,该方法结合了传统特征提取和双流卷积神经网络.首先,对采集的驾驶员图片进行预处理,使用Dlib进行人脸检测以及人脸特征点定位.然后,根据人脸特征点获取人脸表情感兴趣区域以及嘴部区域,并分别提取Gabor特征和局部二值模式(local binary patterns,LBP)特征...     

复杂背景下的彩色图像人脸检测

提出了一种复杂背景下使用肤色模型检测人脸的方法.该方法首先对图像进行光照补偿,然后对肤色模型处理后的二值图像进行分割与合并,并结合先验知识提取出人脸候选区域,最后验证人脸轮廓、眼睛和嘴等特征来判断人脸候选区域是否包含人脸.对1 010幅变光照和复杂背景情况下拍摄的彩色人脸图像进行验证,其检测率达到89.7%.     

脸部美化的自适应算法研究

通过人脸特征的检测和识别对图片中人物脸部进行自动美化处理,利用搜索算法用颜色空间、空域和连通性来自动准确定位人脸和头发等特征区域,然后通过人脸的自适应美白和磨皮进行脸部美化.该方法解决了边界难处理的问题,将有助于人脸的自适应美化处理各特征区域.     

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%.     

压缩域上人脸识别的研究

DCT变换被广泛采用在图象和视频压缩标准中(如JPEG,MPEG,H.261/H.263).而对于这些压缩图象的处理,传统的手段是先解压到空间域,再进行处理和识别,因而增加了计算复杂性.针对这个问题,运用压缩域上图像处理技术,提出了人脸特征表达的方法,并构造DCT域上人脸识别系统.在人脸标准库FERET上的测试,提出的算法与经典的特征脸法和PCA LDA法相比较,不仅提高了精度,而且降低了计算复杂性.     

属性均值聚类二叉树及其在人脸识别中的应用

在无监督的属性聚类网络的基础上,提出了一种二叉树分类方法。此二叉树自然地在无监督聚类的基础上扩展开来,成为一有监督的分类方法。用ORL人脸数据库做了测试,同标准的特征脸(eigenface)方法相比,识别率得到了较大的提高。     

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     

基于小波变换和PCA分析的人脸识别方法及实现

针对传统的特征脸对光线、角度、尺寸等因素比较敏感的问题,在二次小波变换的基础上,对人脸库进行主成分分析（PCA）,提取特征脸和代数特征,并用BP神经网络对人脸进行识别,该算法充分利用小波变换和神经网络的自适应特性,得到较好的识别效果．     

结合小波低频子带的主成分分析方法

针对单样本人脸识别问题,提出了一种结合小波低频子带的主成分分析方法.为了加强单样本图像的分类信息,该方法将原训练样本与其小波低频子带重构图相结合,然后对结合的训练样本进行主成分分析.在ORL人脸库上的实验结果表明,当训练集中每个人只有一幅人脸样本图像时,文中方法的识别率比标准特征脸法高3.6%,而所使用的特征脸个数减少14.8%.     

基于特征脸和LDA的人脸识别

简述人脸图像的标准化过程，特征脸，LDA算法的原理及实现过程。用特征脸和LDA相结合的方法进行人脸识别，先用特征脸获取最佳描述特征，然后用LDA获取最佳分类特征，并验证了方案的可行性。实验表明：该识别方法识别效果较好，能够适应表情、光照的变换。     

用局部奇异值分解与改进LDA相结合的方法进行人脸识别

简要叙述人脸图像的标准化过程，特征脸，LDA算法的原理及实现过程。用PCA获取最佳描述特征，然后用LDA获取最佳分类特征，并用实验证明了这种方案的可行性。