多尺度光照不变人脸特征图像的提取方法

现实环境下的人脸认证系统性能受光照变化影响很大.本文提出一种基于各向异性扩散算法的多尺度人脸光照不变特征图像提取算法.其特点是针对人脸图像中的光照问题引入新的区间不一致描述子,并提出新的传递系数以消除传统各向异性扩散算法带来的图像光晕效应,进而形成新的各向异性扩散算法.该算法可以在多尺度空间中有效地提取不随光照变化的人脸结构特征图像,不需复杂的光照变化建模,且对训练样本无特殊要求.在Yale B及CMU PIE标准人脸库上进行了实验,结果表明该算法在低频光照域上具有很好的边缘保持能力,即使在光照变化很大的条件下也能获得良好的处理效果,并明显的降低了人脸认证的错误率.     

双模态及语义知识的三维人脸表情识别方法

目前,人脸表情识别的主要研究对象是二维图像,它所包含的信息有限,而且易受人脸姿态、光照等影响.其次,人脸表情识别方法大多是基于图像低层视觉特征,而人类对图像的理解是基于高层语义知识,这两者之间存在本质上的差异,即“语义鸿沟”.为此,在三维人脸表情图像和语义知识的基础上,创新地提出双模态及语义知识的三维人脸表情识别方法.该方法首先提出一种将三维的局部曲率和二维局部角点进行双模态融合的方法,自动提取准确的三维人脸表情低层视觉特征;然后,采用AHP和G1相结合计算高层语义知识向量;最后,采用K-NN算法将低层视觉特征和高层语义知识融合,缩小低层视觉特征和高层语义知识之间的“语义鸿沟”,提高人脸表情的识别率.     

素描梯度方向直方图用于人脸画像识别

为有效提取人脸画像的轮廓信息,首先提出素描算子,使人脸画像的梯度幅值图像清晰、厚重,由此形成素描梯度方向直方图(S-HOG)描述子。其次优化S-HOG描述子的主要参数,提升S-HOG描述子的图像信息表达能力。针对缺乏实验用人脸刑侦画像库问题,建立了由不同画家完成的多风格人脸画像(MSFS)库,用于模拟人脸刑侦画像库。最后,在MSFS库、人脸观察画像库、PRIP人脸合成画像库上与尺度不变特征转换(SIFT)描述子、统一局部二值模式(ULBP)描述子及HOG描述子进行了比较实验。结果表明:在人脸观察画像库上,提出的S-HOG描述子比SIFT、HOG和ULBP描述子的识别率提高5.14%、3.22%和68.81%。在MSFS库上,分别提高14%、5.5%和26.5%。在PRIP库上,分别提高6.15%、4.06%和9.75%。     

利用改进的Retinex进行人脸图像光照处理

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸侧光照图像时会误增强阴影的边缘提出了一种基于新的传导函数的自适应平滑Retinex算法。该传导函数用空间梯度和像素的局部不一致性两种方式共同测量灰度的剧烈变化,在平滑图像的同时没有边缘增强效应,且不会损失人脸特征边缘。在平滑估计的迭代过程中,选取上一次与此次迭代结果中的较大值作为约束条件来保证估计出的亮度图像能满足Retinex理论的约束条件。在YaleB人脸库上的实验结果表明,本文算法能有效克服强侧光照时的阴影现象且没有损失人脸特征边缘;与较经典Retinex算法相比,侧光照时的识别率在最好情况时提高了24.2%,无强侧光照时也可提高4%左右,具有光照鲁棒性,可适用于任何光照条件下的人脸识别。     

移动机器人定位图像匹配的快速局部特征算法

利用定位图像的局部特征进行移动机器人导航和定位是近年来该领域的研究热点.针对经典局部特征提取和描述算法实时性不好,提出一种快速局部特征(fast local feature, FLF)的检测子和描述子算法.利用离散尺寸的均值滤波器估算LOG算子构建图像尺度空间,建立尺度和旋转不变的检测子.在尺度相关的邻域中利用规格化后的像素强度作为关联信息,建立局部邻域的描述子.模拟实验中,利用优选参数的FLF与经典SIFT算法对比,在识别率相当的条件下,FLF的运行时间是SIFT的1/3.在标准评估图片和移动机器人平台拍摄的定位图片构成的数据集下,FLF的匹配效果好于经典的SIFT和SURF算子.因而FLF是一种适合于实时应用的快速局部特征.     

融合步态和人脸特征的远距离身份识别研究

在单一摄像头获得的步态图像序列中将步态信息和人脸信息相融合进行实时的远距离身份识别。在步态图像序列中自动提取侧面人脸图像。采用基于傅里叶描绘子和关键点特征的方法提取步态特征,采用傅里叶变换和奇异值分解的人脸识别方法对步态图像序列中的侧面人脸进行特征提取。利用欧氏距离作为度量建立匹配函数。在中科院自动化研究所CASIA步态数据库中进行实验,通过对单独利用步态特征和人脸特征进行识别的识别率和通过最大法则、加法法则和乘法法则融合后进行识别的识别率进行比较,实验表明将步态和人脸特征相融合可有效地提高了识别率,识别率可达95.00%。     

基于仿生视觉的图像RST不变属性特征提取方法

针对图像目标识别过程中易受旋转、缩放、平移及噪声影响的问题,提出一种仿生物视觉感知的RST不变属性特征提取方法,以提升形变目标的识别率与抗噪鲁棒性。受生物视觉感知机理启发,其皮质细胞经过多级变换后,能够最佳权衡图像选择性与不变性。为此,该方法设计成两个阶段。第1阶段中,受生物视觉在水平与垂直方向响应强烈的启发,提出Gabor滤波器与双极滤波器融合的filter-to-filter方向边缘检测方法。Gabor滤波作为底层滤波器平滑图像,通过高层水平与垂直方向双极滤波器检测边缘,构建方向边缘检测子。以增强特征提取的鲁棒性,提升边缘检测的准确度。在此基础上,模拟大脑视觉皮质细胞对线条响应强度的反馈,根据不同边缘方向及间距,度量图像线条的空间频率。设计空间频率间距检测子,将方向边缘图像映射至方向θ-间距I坐标系中。使原图像的旋转与比例缩放,在该坐标系上表现为水平与垂直方向变化。在第2阶段中,针对第1阶段输出图像,再次进行方向边缘检测与间距检测。将第1阶段中水平与垂直平移变换,转变为第2阶段的特征图中不变像素点,使图像具有RST不变性。通过实验统计分析,验证了本文特征的RST不变性及其识别能力。并与其他不变属性特征提取方法进行了识别率与复杂度比较,突显本方法对噪声的强鲁棒性与RST的高识别率。     

基于多尺度分析的人脸识别算法研究

针对传统的人脸识别算法易受光照等因素影响的缺点,提出了一种基于多尺度分析的人脸识别算法。首先,对采集到的人脸图像进行预处理,去除噪声,减弱无用信息,增强有用信息;然后,在粗尺度上采用形态学梯度边缘检测算法对人脸轮廓进行提取,缩小人脸库的搜索范围;最后,在细尺度上对人脸的不变特征进行提取,采用Harris角点检测算法对在粗尺度上得到的边缘图像进行特征提取,减少计算量,提高了识别速度。在所拍摄的人脸库上对算法进行验证,实验表明,对易于进行轮廓提取的人脸图像的识别速度较快,精度较高。     

基于Gabor特征和Adaboost的人脸表情识别

为了改善人脸表情的识别率,提高分类器的性能,通过提取人脸表情图像的Gabor特征,再结合Adaboost算法,从而进行人脸表情的识别（Facial expression recognition,FER）。利用Gabor滤波器是人脸表情特征提取的一个重要手段,Adaboost算法则将一系列的弱分类器组合,最终生成一个强分类器。对表情识别这个多类识别问题,采取1：1的办法来解决,总共产生k（k-1）/2（k为总类别数）个强分类器,将多个强分类器进行级联实现人脸表情的多类分类。实验结果表明,相对于其他识别方法如MVBoost算法等,这种方法的识别准确率有很大的提高。     

基于改进LBP和DBN的人脸识别算法研究

针对传统LBP算法的人脸识别易受光照、背景、遮挡等因素的影响,使用改进局部二值模式(LBP)和深度信念网络(DBN)相结合的方法,用多尺度块局部二值模式(MB-LBP)算法获取人脸图像的纹理特征,在此人脸纹理特征的基础上使用中心对称局部二值模式(CS-LBP)算法获取图像的纹理特征,然后将两次获得的纹理特征图像的直方图进行融合,并将其输入到DBN中进行训练,优化网络参数。     

基于神经网络和不变矩的路面破损图像识别

提出了一种应用BP神经网络识别沥青路面破损图像的图像分割方法.将路面图像等分,用灰度方差值描述子块图像特征,利用BP神经网络对子块图像进行模式分类,并将图像子块模式矩阵的不变矩作为图像的整体特征,在此基础上设计了基于全局优化算法的前馈神经网络分类器,并进行了图像识别试验,对二值图像进行特征提取,提出了学习算法,以加快收敛速度,从而实现图像识别.     

基于奇异值分解的人脸识别方法

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL(Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.     

一种基于神经网络特征识别方法的研究

提出一种新型基于人工神经网络的特征识别方法,可大大加快特征识别的速度,降低交叉特征识别的难度。同时,提出的ＬＡ图克服了ＦＡＧ图特征信息不完备的缺陷,使网络的输入形式简洁统一,改善了现有用神经网络识别特征时由于输入的不确定性和复杂性而导致效率不高、特征识别域小和使用困难的不足。此方法通用性较强,计算量较小。     

基于频谱脸和不变矩人脸识别新方法的研究

提出了基于频谱脸和不变矩的人脸识别方法。频谱脸是一种人脸的特征表达方式,可以有效地消除人脸表情变化、少许遮掩对人脸识别的影响。而不变矩是图像的一种统计特征,具有的平移不变性、旋转不变性和比例不变性,可以有效减少少许姿态和光照条件变化所带来的识别误差。因此首先对原始图像进行适当级数的小波变换及傅立叶变换得到人脸图像的频谱脸表达,然后利用频谱脸图像矩阵的不变矩作为识别特征,建立人脸识别模型。利用ORL人脸数据库进行仿真实验,结果表明,该方法识别率较高,识别速度较快,便于实时实现。     

基于深度卷积网络和在线学习跟踪的驾驶员打哈欠检测

提出了一种基于多信息融合的驾驶员打哈欠检测方法。首先,建立驾驶员面部图像数据库并训练深度卷积神经网络来依次检测驾驶员的面部和鼻子;然后,采用局部二比特特征和随机森林分类器训练生成在线鼻子检测器,以此来校正光流跟踪器在鼻子跟踪过程中产生的漂移误差等参数;最后,分析鼻子下方嘴部区域的边界梯度变化情况,并结合鼻子跟踪器置信度、面部横向运动等信息来判断驾驶员是否打哈欠。实验结果表明,深度卷积网络相对于其他面部分类方法,可以获得更好的分类检测效果;基于在线学习的跟踪方法可以很好地减小光流跟踪引起的漂移误差;整个算法可以在多种驾驶环境下以较高准确率检测驾驶员打哈欠事件的发生。     

全局注意力关系网络的小样本船舶识别

实际场景中采集的船舶目标类别样本数量不均衡,模型训练易导致过拟合。 传统迁移学习的数据集划分存在类别交 叉,造成未标注新类别识别精度低。 为解决上述问题,提出了一种跨目标通用全局注意力机制与关系度量网络融合的小样本船 舶识别算法。 该方法通过在关系网络中引入全局注意力机制,利用关系网络提取到的原始特征,经过全局注意力机制平滑不均 衡类别间的目标特征,并与关系网络提取的原始特征融合后进行特征距离度量。 该方法增强了全局特征之间的一致性,有利于 学习不变的目标特征,提升少样本少标签的船舶目标识别性能,解决了训练过程中类别不均衡导致的过拟合问题。 利用自己采 集制作的船舶数据集对本文方法进行测试实验,识别精度提高了 5. 6% (5-shot)、3. 2% (1-shot),减小了不均衡类别对模型目标 识别造成的影响,增强了模型的鲁棒性。     

基于多分量卷积神经网络的多晶硅晶片颜色差异检测

具有复杂纹理的多晶硅晶片颜色差异检测是太阳能电池片制造过程中的一个挑战.针对传统的色差检测算法不适用于颜色差异类别变化大的场合,且分类结果不精确的问题,基于不同分量的颜色特征提出了一种多分量卷积神经网络的检测算法.通过分析多晶硅晶片图像在H SV颜色空间的特征分布,发现颜色特征在H、S和V分量中表现不同;基于全卷积神经...     

基于多尺度LBP特征的人脸描述与识别

为提高人脸识别的准确性和鲁棒性,提出了一种基于多尺度LBP特征的人脸描述与识别算法。先对原始人脸图像进行二级小波分解,并采用LBP算子分别计算两幅低频逼近图像的LBP特征谱,再将LBP特征谱划分为若干个互不重叠的特征区域,并分别进行直方图统计,最后将所有区域的LBP直方图序列连接起来得到多尺度LBP特征,将其作为人脸的鉴别特征用于分类识别。所提出算法在ORL人脸数据库上取得高达99%的人脸识别率。实验分析表明,多尺度LBP特征具有较强的人脸图像描述能力和可鉴别性,且对人脸表情及位置的变化具有较高的鲁棒性。