经典光照模型实现人脸图像光照方向准确估计

光照分析对人脸图像的识别与跟踪有重要意义,提出一种人脸图像光照参数准确估计算法。该算法根据光照模型构造光照参数求解的迭代方程,光照参数根据不同需要可同时包含光照能量,光照方向矢量和环境光能量等信息。实验显示迭代过程能迅速收敛,并且光照角度估计准确,yaleB实验数据的水平角度估计平均错误率仅为5.43°。由于算法隐含了人脸姿态描述,因此其另一优势是可以同时对人脸姿态和光照条件进行综合分析,大量实验测试说明该算法用于光照估计有效可行。     

基于神经网络的双目视觉下头部姿态估计

头部姿态估计是人体姿态检测的关键技术之一。本文基于神经网络设计一种在双目视觉下由人脸中的关键点在空间中的相对位置的变化估计头部姿态,并对头部进行定位的方法。将头部姿态分为6种,空间位置关系分为2种。利用改进SDM算法对双目视觉下的人脸关键点进行标记;标记出人脸关键点后利用的POSIT算法对头部姿态角度估计,计算出头部欧拉角;根据左右图像中对应的头部关键点位置的视差由三角测量原理算出其深度信息。并设定阈值对其进行分类。通过实验,该方法的头部姿态估计准确率高,头部空间定位精度良好。     

基于ORB-SLAM的低照度空间非合作目标的姿态估计

相机视觉观测在空间技术中有着广阔的工程应用前景,然而太空的弱光照条件会影响相机所采集图像的质量.本文将低照度增强LIME算法与ORB-SLAM算法相结合,提出了一种弱光照条件下空间非合作目标的姿态估计方案.该方案首先运用LIME算法对图像进行增强处理,以能够从中提取出目标上足够的特征点,然后利用ORB-SLAM算法对目标的姿态进行有效估计.仿真结果表明,本文所提方案可以有效地实现弱光照情况下空间非合作目标的姿态估计.     

Bagging-SVM集成分类器估计头部姿态方法

针对现有常用分类器性能不能满足头部姿态估计对准确率的要求,以及光照变化影响头部姿态估计准确率的问题,提出了一种基于Bagging-SVM集成分类器的头部姿态估计方法。首先,通过图片预处理和Adaboost检测人脸区域算法减少背景、光照等干扰因素对于头部姿态特征提取的影响。其次,采用融合方向梯度直方图(HOG)特征和局部二值模式(LBP)特征分别对人脸的轮廓特征和纹理特征进行提取。然后,通过主成分分析(PCA)对融合的头部姿态特征进行特征选择,抽取其主元特征分量供分类器进行训练。最后,通过Bagging方法构建多个训练数据集,并采用支持向量机(SVM)对每个数据集进行训练,产生多个弱分类器,多个弱分类器投票决定测试样本所属类别。将该算法在Pointing’04数据集、CAS-PEAL-R1数据集和自建数据集上进行验证实验,实验结果表明提出的算法相比线性判别分类器(LDA)、朴素贝叶斯分类器(NB)等常用分类算法具有更高的分类准确率,对光照的变化具有较好的鲁棒性。     

基于神经网络的坐姿下头部肩部姿态估计

基于神经网络设计一种在坐姿状态下由人脸中的关键点在空间中的相对位置的变化估计头部姿态,以及肩部关键点在空间中的相对位置变化估计肩部姿态的方法,并将头部姿态分为6种,肩部姿态分为2种。利用SDM算法对人脸关键点进行标记;标记出人脸关键点后利用的POSIT算法对头部姿态角度估计,计算出头部欧拉角并设定阈值对头部姿态进行分类;利用OpenPose算法对人体肩部关键点进行标定,利用左肩和右肩关键点的连线夹角进行肩部姿态的估计。通过实验证明:该方法的头部以及肩部姿态检测性良好,姿态估计准确率高。     

流形学习与非线性回归结合的头部姿态估计

流形学习的目的是发现非线性数据的内在结构,可用于非线性降维。广义回归网络是人工神经网络的一种,可用于非线性回归。基于流形学习和非线性回归,提出了用于解决头部姿态估计的ManiNLR方法。该方法首先用流形学习对图像数据进行降维,然后用非线性回归的方法将数据映射到线性可分空间,利用非线性回归的结果对人脸的头部姿态进行估计。实验结果表明,ManiNLR算法能够较好地估计图像中的头部姿态,并具有较快的速度和较高的鲁棒性。     

融合HOG和颜色特征的人体姿态估计新算法

为解决现有人体姿态估计算法在处理光照条件很差或颜色对比度很低的待处理图像时估计准确度较低的问题,利用梯度方向直方图（HOG）和颜色特征建立了一种的基于可能性C（PCM）聚类算法部位外观模型,提出了一种新的融合HOG特征和颜色特征的人体姿态估计算法。算法根据待处理图像自动选择部位外观模型,若图像的光照条件和颜色对比度都较好则选择现有的基于HOG和颜色特征融合的部位外观模型,否则选择基于PCM聚类算法的部位外观模型。仿真实验表明所建立的部位外观模型能更准确地描述光照条件很差或颜色对比度很低的图像中下真实人体部位的外观,提出的人体姿态估计算法对各种类型的待处理图像均能得到准确度更高的估计结果。     

一种基于图像表观的鲁棒姿态估计方法

提出一种利用图像的表观特征进行头部姿态估计的方法.该方法首先使用了一维Gabor 滤波器对头部图像进行特征提取,然后对提取得到的一维Gabor 特征进一步使用了基于核函数的局部费舍尔判别分析方法增强特征的判别能力.与传统二维Gabor 特征相比,一维Gabor 特征除了在计算速度和存储空间上具有明显的优势以外,更与姿态紧密相关.而基于核函数的局部费舍尔判别分析方法,能够解决姿态问题中存在的非线性问题和多模态问题.大量的实验结果表明,该算法对于姿态估计问题是有效的.特别需要指出的是,该算法具有良好的推广能力     

遮挡与几何感知模型下的头部姿态估计方法

头部姿态估计在人机交互、辅助驾驶等应用中起重要作用，但因受到光照变化、部分遮挡、不同面部外观差异等因素的影响，导致头部姿态估计的准确率不高。提出一种基于遮挡和几何感知模型的头部姿态估计方法，在预处理阶段采用多任务卷积神经网络进行人脸检测，减小背景环境的干扰，并进行图像增强操作以减小光照变化带来的影响。设计面部遮挡感知网络感知人脸的遮挡区域，从而提取信息量丰富的未遮挡面部特征。为充分利用面部的几何信息，采用堆叠胶囊自编码器对人脸各部分的姿态和位置进行编码，得到面部各部分间的几何关系。实验结果表明，该方法在AFLW2000数据集和BIWI数据集上的平均绝对误差分别为3.91和3.55，能有效提高头部姿态估计准确率，在复杂环境下的鲁棒性较好。     

基于HMM的单样本可变光照、姿态人脸识别

提出了一种基于HMM的单样本可变光照、姿态人脸识别算法.该算法首先利用人工配准的训练集对单张正面人脸输入图像与Candide3模型进行自动配准,在配准的基础上重建特定人脸三维模型.对重建模型进行各种角度的旋转可得到姿态不同的数字人脸,然后利用球面谐波基图像调整数字人脸的光照系数可产生光照不同的数字人脸.将产生的光照、姿态不同的数字人脸同原始样本图像一起作为训练数据,为每个用户建立其独立的人脸隐马尔可夫模型.将所提算法对现有人脸库进行识别,并与基于光照补偿和姿态校正的识别方法进行比较.结果显示,该算法能有效避免光照补偿、姿态校正方法因对某些光照、姿态校正不理想而造成的识别率低的情况,能更好地适应光照、姿态不同条件下的人脸识别.     

The CMU pose, illumination, and expression database

In the Fall of 2000, we collected a database of more than 40,000 facial images of 68 people. Using the Carnegie Mellon University 3D Room, we imaged each person across 13 different poses, under 43 different illumination conditions, and with four different expressions. We call this the CMU pose, illumination, and expression (PIE) database. We describe the imaging hardware, the collection procedure, the organization of the images, several possible uses, and how to obtain the database.     

多姿态人脸照片的姿态估计

提出了一种基于面部图像的新的匹配系统。在这个系统中,输入的图像与各种人脸姿态的数据库图像进行比较,然后,匹配的图像给出了人脸姿态。图像数据库不仅包括各种人脸姿态,而且也包括不同的光照条件,如此,这个人脸姿态评价系统适用于不同的光照条件。对于收集各种不同面部图像,这里是通过计算机自动产生,而不是拍摄实际的照片。特征空间方法被用于寻找与输入面部图像匹配的图像。因为不同的光照图像被收集在面部图像数据库中,故提取的主特征向量主要依靠人脸姿态。由于通过选用主特征向量而减少了向量的维数,故这个匹配过程是很快的。这个姿态评价系统能够继续跟踪在不同的光照条件下不同人的人脸姿态。     

Face recognition based on Kinect

In this paper, we present a new algorithm that utilizes low-quality red, green, blue and depth (RGB-D) data from the Kinect sensor for face recognition under challenging conditions. This algorithm extracts multiple features and fuses them at the feature level. A Finer Feature Fusion technique is developed that removes redundant information and retains only the meaningful features for possible maximum class separability. We also introduce a new 3D face database acquired with the Kinect sensor which has released to the research community. This database contains over 5,000 facial images (RGB-D) of 52 individuals under varying pose, expression, illumination and occlusions. Under the first three variations and using only the noisy depth data, the proposed algorithm can achieve 72.5 % recognition rate which is significantly higher than the 41.9 % achieved by the baseline LDA method. Combined with the texture information, 91.3 % recognition rate has achieved under illumination, pose and expression variations. These results suggest the feasibility of low-cost 3D sensors for real-time face recognition.     

基于少量特征点的多模态人脸识别

针对二维人脸识别对姿态和光照变化较为敏感的问题,提出了一种基于少量特征点的多模态人脸识别方法。在训练阶段,对三维人脸数据进行二次处理和数据挖掘,为建立完备的特征模板奠定了基础;提出了一种简洁高效的样本聚类方法,克服了特征提取过程中的非线性问题;通过局部特征分析(Local Feature Analysis,LFA)实现了特征点"局部"与"全局"信息的融合。实验证明该方法在具有较高执行效率的同时,对人脸图像的姿态和光照变化具有理想的鲁棒性,在WHU-3D小规模人脸数据库上取得了98.06%的识别率。     

基于频率簇模型的人脸识别

目的 针对复杂条件下人脸识别鲁棒性差的问题,提出了一种基于频率簇（FC）模型的人脸识别方法。方法 该方法首先在人脸图像内检测目标区域,在目标区域内划分特征子区域并设定采样单元,统计采样单元内前景区域和背景区域的信息熵;然后计算采样单元的熵能量和能量频率,归一化频率系数,利用能量频率的二阶偏导确定人脸子区域边界,以此得到有效采样单元,建立人脸主特征信息;最后,根据采样单元的坐标位置、熵能量和能量频率信息进行排序,得到每个采样单元的几何布局,以采样单元的熵能量、能量频率和几何布局构建人脸的频率簇模型,并以此作为人脸特征进行识别匹配。结果 在FERET、ORL、Yale组合人脸库和CMU-PIE人脸库上进行实验测试,该方法的识别准确率分别为99.11%和97.36%,单幅人脸图像的平均识别速度为0.077 s,结果表明,该方法对复杂条件下的人脸识别具有很好的实时性和准确性。结论 该方法可以有效克服光照变化、特征模糊、姿态和表情变化等因素对人脸识别的影响,具有较好的鲁棒性,对提高人脸识别性能具有重要意义。     

Reliable detection of eye features and eyes in color facial images using ternary eye-verifier

Eye detection plays an important role in applications related to face recognition. The position of eyes can be used as a reliable reference for other facial feature detection. This paper presents a novel approach for the precise and reliable detection of eyes by introducing a ternary eye-verifier. Initially, the face region is detected by combining color information and the Haar-like feature detector. The face region is then binarized and filtered with circular filters to detect eye candidates at the peaks in the filtered response. Each eye candidate is fed into a ternary eye-verifier that includes a proposed eye feature extractor based on K-means clustering with compensation for variety in iris color. The eye template in the eye-verifier is constructed based on both the knowledge of eye geometry and the detected eye features. The template matching is made by the ternary Hamming distance. Experiments over a collection of FERET face database and house-made face database with different head poses confirm that the proposed method achieves precise and reliable detection of eyes from color facial images with variation in illumination, pose, eye gazing direction, and race.     

From few to many: illumination cone models for face recognitionunder variable lighting and pose

We present a generative appearance-based method for recognizing human faces under variation in lighting and viewpoint. Our method exploits the fact that the set of images of an object in fixed pose, but under all possible illumination conditions, is a convex cone in the space of images. Using a small number of training images of each face taken with different lighting directions, the shape and albedo of the face can be reconstructed. In turn, this reconstruction serves as a generative model that can be used to render (or synthesize) images of the face under novel poses and illumination conditions. The pose space is then sampled and, for each pose, the corresponding illumination cone is approximated by a low-dimensional linear subspace whose basis vectors are estimated using the generative model. Our recognition algorithm assigns to a test image the identity of the closest approximated illumination cone. Test results show that the method performs almost without error, except on the most extreme lighting directions     

A hybrid method based on dynamic compensatory fuzzy neural network algorithm for face recognition

Human face recognition skills can make simultaneous use of a variety of information from the face, including information about the age, sex, race, identity, and even current mood of the person. In this paper, a hybrid method combined Eigenface-LDA with Dynamic Compensatory Fuzzy Neural Network (DCFNN) is proposed for face recognition. Eigenfaces-LDA algorithm is used for face image of dimensionality reduction and finding a best subspace for classification, the extracted feature will be considered as the input of DCFNN. An improved Dynamic Fuzzy Neural Network is proposed by combing Dynamic Fuzzy Neural Network and Compensatory Fuzzy Neural Network to solve the problem of feature classification. The proposed method has been tested on ORL and Yale face database; the experimental results show that our method can reduce the dimension of facial features well and recognize faces that under different illumination, pose and expression accurately.     

融合多种几何特征的三维人脸识别算法

由于对光照、姿态变化的不敏感, 三维人脸识别算法已经受到人们的极大关注, 其中三维人脸特征的表示、获取以及多种表示特征的有效融合仍然是三维人脸识别的核心问题. 本文提出一种三维人脸识别方法, 该方法针对归一化的三维人脸数据, 选取人脸的曲面特征和描述人脸特征相互关系矩阵的主分量特征作为人脸表示特征, 给出了各特征的提取方法及同类特征的相似性度量, 进而提出了一种对各类特征进行加权融合的方法, 即通过分析不同特征的分类识别能力, 根据Fisher的线性判别准则, 以类内和类间特征相似度的均值差与类内和类间的散度平方和之比的大小作为该类特征权重, 在决策层为不同的特征赋予不同的权重. 最后, 基于公开发布的BJUT-3D三维人脸数据库进行了识别性能实验. 实验结果证明, 本文的特征融合方法比一般的加权策略有更好的识别性能．     

基于多特征融合的复杂光照人脸识别

提取人脸图像光照不变量是提高不完备训练样本人脸识别光照鲁棒性的一个有效途径。以往算法分别从不同角度提取人脸图像的高频特征作为光照不变量不能提取完整的人脸本征,具有一定的局限性。从特征级和决策级融合的角度提出了一种基于多特征融合的复杂光照人脸识别方法。所提算法能发挥不同光照不变量的自身优势,明显提高复杂光照人脸识别的光照鲁棒性。Yale B+和非控光照人脸库的实验结果表明所提算法的有效性。