复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法。通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进行描述后,提取出人脸图像各子图像的直方图特征并连接,得到人脸LBP纹理特征,通过统计法运算该特征距离,并通过K近邻分类器实现人脸特征分类识别。以Yale-B与AR人脸库为测试对象,结果表明,所研究方法对复杂光照鲁棒性较强,识别人脸的准确率与效率较高,整体识别效果较好。     

圆迹变换及图像纹理分析

针对迹变换提取的特征对于含圆弧形纹理图像描述欠佳的问题,提出了圆迹变换及其纹理特征提取方法.圆迹变换使用圆迹线来跟踪图像,并将圆迹线上的泛函结果映射到由半径、长度和角度三个参数生成的空间上,对该结果继续做泛函积分,能得到图像四重圆迹空间特征.在圆迹线上使用不同的泛函能得到不同的圆迹变换结果,不同的泛函组合能获得不同的圆迹变换特征,能表示图像不同的纹理性质和更深层次的图像信息,产生多维的圆迹变换纹理特征信息.在Coil-20对象图库及Brodatz纹理库上对含圆弧形图像的分类实验表明,在训练样本较少的情况下,利用圆迹变换提取的纹理特征,其识别能力比迹变换都有明显提升,对于包含圆形、弧线形纹理的图像具备了更好的分辨能力.     

基于SURF特征的栈式自编码网络人脸对齐算法

人脸对齐是人脸识别系统中的一个核心部分,定位的准确性和定位速度直接影响到人脸识别的效果。人脸图像存在不同姿态、不同表情、不同光照条件等因素的影响,真实场景下的人脸对齐成为一个难题。本文提出了一种基于SURF特征的栈式自编码网络人脸对齐方法,首先通过粗糙定位网络找到近似人脸特征点,并提取局部的SURF特征,输入到局部细化网络,通过级联结构,进一步精确化人脸特征点的具体位置。最后,在人脸数据集AFLW和HELEN上与近几年的对齐方法进行对比实验,平均错误率8.80%,i5四核CPU,2.3Hz主频硬件平台下计算时间7.6ms。我们的人脸对齐方法在真实场景下(包括单人和多人)具有较好的鲁棒性,可以实现准确定位。     

基于PCA算法和小波包变换的人脸识别技术

在人脸识别领域,如何提取人脸特征和降低特征维数是关键.提出了一种基于小波包变换和主元分析相结合的人脸识别方法.小波包具有能够保留图像的主体信息又保留不同方向细节信息的优点.算法首先利用小波包变换,把人脸图像分解成不同尺度的低频和高频部分,提取最优基,再采用PCA方法进行人脸的识别.在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率.     

视觉传达约束下模糊人脸图像多尺度特征重建模型

模糊人脸图像细节不清,导致相关领域人脸识别过程中出现错误识别或无法识别的问题。为提高人脸识别的准确性,文中在视觉传达约束下构建模糊人脸图像多尺度特征重建模型。首先,对模糊人脸图像进行灰度处理和去噪处理,并利用高斯金字塔将人脸图像分解为三个尺度;然后分别提取三个尺度图像的人脸特征,利用自编码超分网络建立模糊图像和高分辨率图像之间的对应关系,构建重建模型;最后,将多尺度特征作为模型的输入,通过求解模型实现模糊人脸图像多尺度特征重建。结果表明,重建模型的平均峰值信噪比和平均结构相似性达到相对极大值,分别为9和0.87,说明所构建模型重建的人脸图像质量较高。     

一种新的HOG特征人脸图像识别算法研究

针对人脸在非均匀光照下识别率的降低,提出了拉普拉斯滤波和离散余弦变换(DCT)融合梯度方向直方图(HOG)人脸识别算法。首先通过拉普拉斯滤波对人脸图像进行处理,突出其纹理特征,其次进行离散余弦变换(DCT),有效滤除高频分量,然后利用离散余弦逆变换(IDCT)重建人脸图像,降低其维数,最后通过梯度方向直方图(HOG)算子提取人脸图像固有特征,并利用最近邻方法进行分类识别。实验结果表明,该算法在不同特征维数下的Yale B人脸数据库中识别率高达95％以及课题组自建的维吾尔族人脸数据库中其识别率高达98.5％,优于其他传统算法?具有很强的鲁棒性和实时性。     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

基于PTZ摄像头的视频人脸识别

针对传统的视频人脸识别技术受限于理想的环境条件,无法应用于监控场景的弊端,提出了一种基于PTZ(Pan-Tilt-Zoom,旋转-俯仰-缩放)摄像头的人脸识别方法,并结合AdaBoost人脸检测以及Mean-shift跟踪算法进行了识别.实验结果表明,该方法克服了监控场景图像分辨率低的问题,具有较好的鲁棒性.     

基于色彩和纹理特征融合的模糊人脸识别方法

基于纹理特征的方法被广泛应用于人脸识别。然而纹理特征依赖于图像的高频细节信息,当图像出现模糊时,单纯利用纹理特征的识别方法的识别精度会急剧下降。为了克服纹理特征的在模糊人脸识别中的不足,提出了一种基于色彩特征和纹理特征融合的识别方法。首先参照人类的对立色感知机制提取人脸的色彩特征;然后,将该色彩特征和纹理特征分别用于识别分类;最后,将二者的识别相似度进行融合,得到最终的识别结果。该色彩特征描述了图像的低频信息,其对图像模糊不敏感,并且与描述图像高频信息的纹理特征具有良好的互补性。在FERET 和AR 人脸库上的实验表明,融合色彩特征和纹理特征有效地提高了模糊人脸的识别精度。