基于SIFT特征的人脸识别

尺度不变特征变换SIFT(scale invariant feature transform)对图像尺度、旋转、平移具有不变性,而被广泛应用,但是匹配过程中的错配问题难以避免。针对错配点的问题,对匹配策略进行了优化,利用人脸图像中关键点的特征描述子,对局部距离进行加权平均。实验表明,该方法能够有效剔除错配点,提高人脸匹配的正确识别率。     

SIFT算法研究内容概述

SIFT算法是目前立体匹配技术的研究热点,因其匹配能力较强,能处理两幅图像平移、旋转、仿射变换等情况下的匹配问题,甚至对于任意角度拍摄的图像也有较稳定的匹配能力。该算法目前的中文资料较少,基于此本文对其研究主要内容进行简单介绍并结合具体实验图像分析。     

基于SIFT算法的自动全景图生成算法

自动全景生成被广泛应用于全景数码相机,卫星图像拼接以及医学图像分析中。本文提出一种基于尺度不变特征变换（SIFT）算法和改进的普氏分析（Procrustes analysis）的自动全景图像生成算法。实验证明该算法能够根据多幅图像的特征自动准确地拼接生成全景图像。     

基于局部颜色直方图的SIFT算法研究

尺度不变特征变换(SIFT)算法是一种对旋转、尺度缩放和光照保持不变性的局部特征图像匹配算子,是公认的识别率最佳算法之一。而SIFT算法仅使用灰度信息,忽略颜色信息,当对彩色目标识别时,识别率降低。针对此问题,结合直方图保持良好的旋转、缩放、模糊不变性等特点,提出基于局部颜色直方图的SIFT特征描述算法(即CH-SIFT)。在SIFT算法关键点位置不仅生成梯度直方图特征描述,同时生成颜色直方图特征描述。在匹配时,首先使用梯度直方图特征描述对匹配对初次筛选,然后使用颜色直方图特征描述再次筛选,最后确定是否为满足条件的匹配对。实验对比表明,CH-SIFT算法具有识别率高和匹配时间短等优点,能够有效地实现彩色目标匹配。     

基于RANSAC改进算法的单目视觉里程计研究

运用SIFT算法对单目所采集的室外视频图像的相邻两帧进行了特征点的检测与匹配.采用改进的RANSAC算法对所匹配点进行了误匹配点剔除.根据相邻两帧图像特征点的跟踪以及里程计读数作为辅助信息,求解特征点的三维坐标;进而根据视觉里程计模型,达到机器人的定位.实验结果表明,该方法相比传统的里程计定位精度高,比之双目激光等定位方法,又有成本廉价的优点.     

基于MMTD的SIFT特征提取算法

尺度不变特征变换（SIFT）是一种常用的特征提取算法,但它采用固定的阈值来筛选特征点,匹配效果不是很理想.文中针对SIFT对不同图像无自适应性的缺点,提出了一种新的计算自适应阈值的方法,即将中介真值程度（MMTD）和SIFT相结合,用MMTD改进SIFT算法能够避免为了选取合适的阈值而进行大量的实验.采用MMTD改进阈值来筛选图像中的特征点,再将特征点进行图像匹配.实验结果表明,匹配点的数量比采用传统的SIFT方法增加了约两倍,说明文中所提出的基于MMTD的SIFT特征提取算法是有效的.     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于随机采样一致改进算法的单目视觉里程计研究

运用SIFT算法对单目所采集的室外视频图像的相邻两帧进行了特征点的检测与匹配。采用改进的RANSAC算法对所匹配点进行了误匹配点剔除。根据相邻两帧图像特征点的跟踪以及里程计读数作为辅助信息,求解特征点的三维坐标;进而根据视觉里程计模型,达到机器人的定位。实验结果表明,该方法相比传统的里程计定位精度高,比之双目激光等定位方法,又有成本廉价的优点。     

基于混合蛙跳算法的长时间跨度人脸识别

面部特征中存在长时间不变特征和短时间不变特征,对两种特征分类,使用长时间不变特征完成长时间跨度人脸识别.首先以最佳覆盖为目标的特征对比方式,代替传统的以最佳划分为目标的特征对比方式,使用混合蛙跳算法实现特征对齐.然后根据时间段和特征值变化度计算每个对齐的特征点的权值和基准特征值,对长时间不变特征与短时间不变特征进行分类.在识别过程中,应用已识别的图像信息更新权值和基准特征值,进行长时间跨度的人脸识别.实验结果表明,该方法可以在以年为时间跨度的人脸识别过程中达到82%的识别率,优于其他算法.     

SIFT算法距离比阈值自适应改进研究

对SIFT算法中距离比阈值参数进行分析,提出自适应距离比阈值改进方法,并提出用随机取样一致性算法优化点与匹配点的比值作为判断最佳阈值的标准。结果表明,改进后的方法能够通过较少的迭代确定最佳阈值,并且不会给计算带来很多负担,同时能够提高匹配点的准确性。     

基于独立成分分析的人脸图像特征提取与识别

特征提取是人脸识别的关键环节之一。文章首先简述了独立成分分析（ Independent Component Analysis,ICA）的基本模型和原理,介绍了快速独立成分分析FastICA方法特征提取的一般过程。然后给出了FastICA算法中分离矩阵的并行计算算法。最后,利用ORL人脸图像数据库在Matlab环境下进行了仿真实验。实验结果表明,FastICA方法是一种有效的特征提取方法,并讨论了影响分类识别的几个因素。     

基于子模式纹理分析的鲁棒人脸识别研究

面部识别(FR)系统可以自动识别或校验从数码相机或图像生成设备中获得的人脸图像,要从所获图像中提取面部特征,并与人脸数据库中的数据进行比对。目前,几乎所有的FR都面临与面部视角相关的障碍,包括光照不足和低分辨率,这些问题使其识别率大为降低。为了解决这个问题,提出了一种基于光照变化的人脸识别框架,该框架利用离散余弦变换的图像全变差最小化(DTV)及伽柏过滤器;并融合子模式分析(SMP)及区分性累计特征变换(DAFT),有效地解决了光照条件变化大的人脸识别问题。在AR及YaleB人脸数据库上的实验表明,与其它最先进的方法相比较,在处理光照条件变化很大的人脸识别问题时明显优于其它方法。     

基于相似性约束的面部幻象在人脸识别中的应用

为了根据低分辨率（LR）人脸图像生成高分辨率（HR）图像以提高人脸识别率,设计了四个相似性约束函数,提出了基于相似性约束的面部幻象方法。首先利用LR-LR约束计算出输入的LR人脸图像与训练集中各LR人脸图像之间的相似性;然后利用LR-HR约束描述输入的LR人脸图像与HR训练图像之间的局部结构相似性,同时增强相邻幻象图像块之间的平滑约束;最后利用空间相似性约束减少远离幻象图像块的那些图像块的影响。在FERET、Yale及ORL三大通用人脸数据库上的实验结果表明,相比其它几种较为先进的面部幻想生成方法,所提方法得到的幻想图像分辨率更高,此外,所提方法得到了更高的识别率。     

基于HAAR小波的关联加权LDA在人脸识别中的研究

线性判别分析(LDA)是人脸识别系统中用来降维的主要技术之一,可以运用于整个人脸图像,但却受到了小样本(small sample size,SSS)问题的限制。通过引入权值的概念,关联加权LDA(RW-LDA)方法有效地改善了小样本问题,但是,它的分类效果却不是很好。为了解决这个问题,提出了基于HAAR小波的关联加权LDA(related weighting LDA based onHAAR wavelet,HWRW-LDA)方法,在HAAR小波子带基础上,应用关联加权LDA方法,既解决了小样本问题,又改善了分类的效果。在ORL及FERET两大人脸数据库的实验结果表明,与最先进的几种方法相比较,HWRW-LDA方法具有更好的识别性能。     

基于小波变换和回归分析的人脸识别

利用小波变换对训练图像和待识别图像进行小波分解,提取低频分量,通过行扫描转化为列向量,作为特征向量;在此基础上,提出利用多元线性回归分析方法,利用最小二乘法获得训练特征与待识别特征之间的线性模型,经由残差分析确定待识别样本的类别．利用ORL人脸库,与支持向量机(SVM)分类器和K-最近邻分类器(KNN)进行了对比实验,实验结果表明本文算法识别精度跟SVM相当,优于KNN．     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

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.     

线性回归分析在人脸识别中的应用研究

线性回归分类(LRC)算法中,借助一个依赖线性子空间的单一对象类模型,开发了一个线性模型,作为特定类库的线性组合来描述探针图像,并且借助于最小二乘法及其为了支持具有最小重构误差的类而制定的决策,解决了逆问题,但是并不能解决连续闭塞问题。基于此,提出了一种新颖的基于近邻子空间分类的识别方法,模块化线性回归分类(MLRC)算法。将LRC算法进行模块化,并且引入了一种基于距离的本征融合(DEF)算法用于决策。在FERET及ORL上的实验表明,与其它几种常用的方法相比较,MLRC算法在处理人脸识别问题上取得了更好的结果。     

基于OpenCV组合优化的人脸识别应用平台设计

人脸识别是最符合人的本能且便捷的识别认证方式,在人工智能领域广泛应用,多数的人脸识别的算法很容易受到外界因素的影响,或者要求识别者站在某一固定位置,识别缓慢和准确率不高。本设计实现了一种基于Open CV的人脸识别的应用平台,首先对人的脸部图像进行采集和预处理,通过对算法优化,利用平台的Eigenfaces、Fisherfaces和LBP(local binary patterns histograms)三种用于人脸识别的算法协同多重使用,并在判定人脸识别系统识别到待检测目标的同时再加上限制条件,再结合Qt框架搭建用户界面,实现人脸模块训练和人脸识别的功能。经过测试,系统界面友好,运行稳定,对人脸位置和环境光照变化具有较好鲁棒性,能快速和准确地对人脸实时检测和识别。