基于3DMM的视频流立体人脸识别算法研究

针对目前人脸三维重建存在的问题,提出了融合ASM、3DMM和PCA的立体人脸识别算法。首先利用ASM提取人脸特征点,并计算人脸区域,然后应用3DMM算法对人脸区域进行三维重建得到三维人脸模型,最后采用PCA立体人脸识别算法计算出特征空间中欧式距离最相近的样本脸,实现了基于视频流的人脸识别。实验结果表明,提出的算法具有良好的三维重建效果和识别准确率。     

一种仿生的人脸不变特征提取方法

为了提高基于子空间算法的人脸识别的识别率,提出一种仿生的人脸不变特征提取方法.通过模拟初级视皮层(V1)的信息处理机制,构建一个二层结构的分层网络提取人脸图像的不变特征.网络的第1层模拟Vl简单细胞的功能,通过稀疏编码方法学习获得一组类似Vl简单细胞的滤波器,利用该组滤波器提取图像的光照不变特征;第2层模拟V1复杂细胞的功能,通过局部极大值运算对第1层的输出在空间和尺度邻域内进行合并,得到对光照、表情、轻微姿态变化和面部局部细节变化具有鲁棒性的人脸不变特征.以此不变特征代替原始人脸图像作为子空间算法的输入,从而提高识别率.在FERET和ORL人脸库上的实验表明,相对于直接使用子空间算法,方法将识别率提高了4.95%～20.35%.     

基于Gabor小波的2D人脸表情的合成

人脸图像合成是新一代人机交互中的重要技术。传统的三维模型加生理模型的方法可以生成真实的人脸表情图像,但计算复杂度很高。文章提出一种基于Gabor小波的用于人脸逼真表情图像合成的新方法,利用Gabor小波变换滤波器提取人脸表情图像特征,生成逼真表情图像。从实验结果来看该方法可以仅利用1张训练集内、外的人脸图像合成出该人在不同表情下逼真的脸部表情图像,同时可以合成库内的人在新表情下的表情图像。     

基于PCA与贝叶斯决策的人脸识别算法

研究了主元分析与贝叶斯决策相结合的人脸识别方法。利用主元分析提取人脸图像训练集的特征子空间,将训练图像和测试图像投影到该子空间,提取特征向量及计算统计特性,利用最小错误率贝叶斯决策规则对测试图像进行分类,从而实现人脸识别。大量实验表明:主元分析能将人脸图像的特征信息有效地映射在特征子空间,同时采用贝叶斯决策规则能够快速准确地对人脸图像进行分类。     

基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简。针对这两个问题,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高面部表情识别的性能。     

面向人脸表情分析的人脸图像正脸化方法

在人脸表情分析过程中,头部姿态变化常会引起人脸信息的不对称,传统上仅对人脸图像进行裁剪和对齐的相关操作难以得到对姿态鲁棒的特征。为获取人脸结构化的特征,提出了一种人脸图像正脸化处理方法。该方法将检测到的人脸关键点映射到新的二维空间进行关键点的正脸化,将正脸化后的关键点还原到原始图像中作为新关键点,通过移动最小二乘法指导图像由原始关键点向新关键点变形,得到正脸化后的人脸图像。在公共的RAF-DB和ExpW人脸表情数据集上,采用上述处理方法对人脸图像进行预处理,并在VGG16和ResNet50深度学习网络中进行人脸表情分类任务的模型训练,用分类任务的准确率来评估文中正脸化方法对人脸表情分析的有效性。实验结果表明,该方法在人脸表情分析方面优于深度学习中传统的预处理方法,并且可以有效提高人脸的信息质量。     

实时人脸表情识别方法的研究与实现

进行人脸表情识别系统相关的算法研究,并基于网络摄像机平台搭建实时人脸表情识别系统。针对经典Retinex算法亮度图像估计运算复杂问题,提出一种Gamma校正的单尺度Retinex图像增强算法;对增强图像进行HOG表情特征提取,并通过最近邻分类器进行表情分类。搭建人脸表情识别系统,进行实时人脸检测与表情识别。测试结果表明该方法具有较高的识别率和鲁棒性。     

利用Gabor小波变换解决人脸识别中的小样本问题

提出了一种在人脸识别中解决小样本问题的新算法。通过把人脸图像经过Gabor小波变换后得到的每个图像都看成是独立的样本,大大增加了每一类人脸样本的样本数,解决了人脸识别中的小样本问题。专门针对人脸特征向量组,设计了使用白化变换后余弦距离测度的最近邻分类器来进行分类判决。在FERET人脸库中,对该方法与直接PCA方法进行了实验比较,结果表明,新方法的平均正确识别率可以达到97%,比直接PCA方法具有更好的识别性能。     

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.     

多模深度卷积神经网络应用于视频表情识别

由于视频中的手工特征和主观情感之间的直接相关性很小,识别视频序列中的面部表情是一项很有挑战性的任务,为了克服这个缺陷,有效提高视频中的人脸表情识别性能。本方法采用两个深度卷积神经网络,即空间卷积神经网络和时间卷积神经网络,用于视频中的时空表情特征学习。其中,空间卷积神经网络用于提取视频中每一帧静态的表情图像的空间信息特征,而时间卷积神经网络用于从视频中多帧表情图像的光流信息中提取动态信息特征。然后,将这两个深度卷积神经网络学习到的时空特征进行基于深度信念网络(DBN)的特征层融合,输入到支持向量机实现视频中的人脸表情分类任务。在公共的RML和BAUM-1s视频情感数据集的测试结果表明,该方法分别取得了71.06%和52.18%的正确识别率,明显优于现有文献报导的结果。多模深度卷积神经网络的人脸表情识别方法能提高视频中人脸表情的识别性能。     

Efficient model building in active appearance model for rotated face

This paper proposes the efficient model building in active appearance model （AAM） for the rotated face.Finding an exact region of the face is generally difficult due to different shapes and viewpoints.Unlike many papers about the fitting method of AAM,this paper treats how images are chosen for fitting of the rotated face in modelling process.To solve this problem,databases of facial rotation and expression are selected and models are built using Procrustes method and principal component analysis （PCA）.These models are applied in fitting methods like basic AAM fitting,inverse compositional alignment （ICA）,project-out ICA,normalization ICA,robust normalization inverse compositional algorithm （RNIC） and efficient robust normalization algorithm （ERN）.RNIC and ERN can fit the rotated face in images efficiently.The efficiency of model building is checked using sequence images made by ourselves.     

基于快速三维主成分分析的肺CT图像检测

为解决基于二维图像处理的计算机辅助诊疗系统(CAD)仅考虑每幅图像自身包含的信息而忽略不同扫描层之间的联系,以及数据处理过程中的海量计算问题,提出一种新的基于快速三维主成分分析(3D PCA)的有效肺CT病灶检测算法。该算法首先引入高维张量奇异值分解(HOSVD)设计3D PCA;然后以提取出的三维空间特征点为种子点,进行区域增长以获取完整的疑似病灶区域;最后,根据医学图像具体特征,设计了一种HOSVD的简化分解算法。对来自吉林省肿瘤医院的10个典型病例的五百余幅临床CT图像进行了实验,并将实验结果与当前同类算法做了比较。结果表明,检测精确度提高了约10%~21%;另外,快速算法与原算法比较,计算复杂度可降低约1/3。由于快速3D PCA可以挖掘更多存在于不同连续扫描层间的有用信息,更精准提取病灶特征,在一定程度上提高了检测率。     

基于PCA的时间分辨油荧光光谱分析及优化

激光诱导荧光技术可广泛应用于油污染的监测中,然而普通的油荧光光谱技术只能实现油污染监测的粗分类,无法区分原油与燃料油的荧光特征。本文基于主成分分析方法(PCA)的时间分辨油荧光分类方法,实验测量了20种油样本的时间分辨荧光光谱特征,给出了对应的荧光寿命和时间分辨油荧光光谱的时序特征。在此基础上,利用前三个主成分构成的三维特征矢量空间,通过分析不同采集时刻下油样本矢量间相关距离的变化,对油样本的时间分辨荧光光谱进行聚类分析。为了体现油荧光变化的时序性,引入矢量距离的离散度参量,提出基于PCA进行时间分辨油荧光光谱分析的优化方法。实验结果表明,基于时间分辨油荧光光谱识别可实现原油与燃料油的光谱时序特征区分,具备良好的油荧光分类效果。     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

基于改进GHSOM的运动想象脑电信号自适应识别方法

为解决运动想象脑电信号(MI-EEG)的识别方法泛化能力受限和自适应性差等问题,对传统的生长、分层自组织映射神经网络(GHSOM)进行改进,并提出一种主成分分析法(PCA)与改进的GHSOM神经网络(IGHSOM)相结合的脑电自适应识别方法。由于IGHSOM能够根据上一层扩展神经元的量化误差进行自动分层判断,使得其不仅对数据映射更加准确和详细,而且增强了网络的稳定性和自适应性。基于脑机接口(BCI)竞赛数据库,利用PCA进行特征提取,以IGHSOM为分类器进行实验研究。结果表明,该方法获得了较高的识别精度,验证了GHSOM改进策略及该识别方法的正确性和有效性。     

基于主成分分析和线性判别的航空发动机状态监视

利用航空发动机传感器数据对发动机状态进行监视,采用主成分分析（PCA）方法和线性判别法（LDA）对发动机传感器数据进行二次特征提取,按照最优近邻思想进行分类。将2008年IEEE PHM数据作为实验数据,将基于PCA和LDA的分类结果与基于PCA的分类方法以及深度信念网（DBN）分类方法的结果进行了对比分析,结果表明,基于PCA和LDA方法的识别率综合最优且结构简单,对于工程应用该方法有效可行。     

一种去除人脸图像中的眼镜的方法

在人脸识别中,眼镜作为人脸上常见的遮挡物对人脸图像的识别率有很大的影响。该文提出了一种去除人脸图像眼镜的方法。利用二维广义主成分分析(2DIMPCA)算法对戴眼镜的人脸进行重建,通过与输入的原始人脸图像的对比,经过二值化运算,提取出眼镜遮挡区域;通过误差迭代的方式对图像进行误差补偿,合成最终的无眼镜的人脸图像。实验结果表明,该算法可以得到比较自然的无眼镜人脸图像,优于传统的PCA方法。     

Perceived similarity in face measurement

Automatic face recognition is a widely used biometric identification method, since it is based on standard video surveillance systems and does not require the collaboration of the person to be recognised. The recognition process involves decisions based on the face measurement results. The reliability and robustness of the recognition procedure are critical factors, strongly affected by influence quantities, such as face-camera relative orientation and position, illumination and expression. To improve performance it makes sense to imitate the recognition process in humans, who succeed in recognising faces even from poor quality images. It is therefore interesting to investigate the perception of similarity between faces, with the aim of gaining insight into the process of human face recognition. We report on an investigation that has been carried out by original methods developed in our laboratory for the direct measurement of perceptual quantities. Such methods have been implemented for two complementary recognition procedures, based either on the global appearance of a face or on the detection of specific repere points.