低分辨率人脸图像识别性能研究

首先介绍了人脸识别中常用的PCA方法、LDA方法和Fisherface方法,然后通过在ORL数据库和Yale数据库上的试验发现当分辨率从原始分辨率降低到20×20左右的过程中,原始空间、PCA子空间和Fisherface子空间方法的识外浊能均没有显著变化．降低分辨李能有效提高现有人脸识剐算法的速度．     

基于二维图像矩阵的稀疏表示分类方法

利用稀疏表示对图像分类时,需要将二维图像转换为一维特征向量,这大大增加了计算复杂度和忽略了图像矩阵中固有的局部结构信息.为了解决上述问题,设计了完全基于二维特征矩阵的稀疏表示人脸分类方法.首先将二维图像转为2D Fisherface矩阵,然后直接利用二维矩阵求解稀疏表示和进行分类.整个识别过程中,不需要将二维图像转换为一维向量.实验结果表明,二维特征矩阵在稀疏表示分类中是十分有效的,设计的方法可以更快的运算速度达到更高的识别率.在ORL人脸数据库和Extended Yale B人脸数据库上的识别率分别达到97.5%和99.3%.     

彩色分量流形特征融合的人脸识别

对人脸图像RGB彩色空间三分量的非线性流形嵌入进行了分析,提出一种结合了流形学习技术和图像彩色信息的人脸识别方法。 该方法对人脸图像的彩色三分量分别采用局部线性嵌入（LLE）方法进行特征提取,提取的特征进行归一化处理和特征融合,采用线性判别分析（LDA）增加分类判别性,最后采用k最近邻法（kNN）进行分类。 该方法中提取的特征,能够保持人脸图像数据的非线性结构,同时利用了人脸图像的彩色信息。 对比实验结果表明,利用了彩色信息的三分量流形学习特征融合方法,比Fisherface特征灰度图像和单个彩色分量的人脸识别性能有所改善。      

基于人脸检测与跟踪的智能监控系统

针对现有视频监控系统的缺陷,提出一种新的基于人脸检测与跟踪的智能监控系统.利用对称差分算法,自动检测场景中的运动区域,限制搜索范围;然后利用BP神经网络对肤色进行识别,获得候选人脸区域,该方法比固定阈值肤色检测方法具有更强的环境适应能力;经过人脸验证,最终定位图像中的人脸;对检测出的人脸,提出了新的基于肤色信息和维护运动人脸缓冲池的方法,主动跟踪目标人脸.依据检测出的人脸信息和当前的日期、时间,建立相应的监控信息标注数据库,以供后期查询.实验表明,该系统能够实时可靠地检测、跟踪运动人脸,满足特定的监控要求.     

基于对称区块的人脸图像光照补偿算法

【目的】改善人脸光照补偿算法的效果,提高人脸图像预处理的质量。【方法】利用人脸左右对称的特点,提出一个基于对称区块的人脸光照补偿算法,利用人脸区块的平均灰度值对人脸图像的对称点进行光照补偿。【结果】该方法对于人脸图像有很好的光照补偿效果,优于直方图均衡化、灰度变换等常用光照补偿方法。【结论】基于对称区块的光照补偿算法对于具有对称特点的图像有补偿效果。     

视频序列对称差分法检测与预测人脸技术

根据视频监控图像在时间和空间上的连续性和相关性,利用视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,改进了基于规则的人脸定位方法,利用人脸的几何特征,实现复杂视频图像中的多人脸检测。运用运动系数加上横向和纵向调节因子,对后续帧中的人脸加以预测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性,预测跟踪效果好。     

基于Fisherface和补偿模糊神经网络的人脸识别方法

对基于Fisherface和补偿模糊神经网络的人脸识别方法进行了研究,首先用Fisherface进行特征抽取,构成特征空间。然后对文献中提出的补偿模糊神经网络进行调整使其能解决多类分类问题。最后在特征空间里设计补偿模糊神经网络。实验结果表明,该方法具有良好的性能。     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

多次投影算法在视频监控人脸检测中的应用

根据视频监控图像在时间上的连续性和空间上的继承性,利用连续三帧视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,然后改进了利用投影的人脸定位算法,将单次投影发展为多次投影,并且结合人脸的几何特征,实现视频监控中复杂背景下的多人脸检测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性。     

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.     

基于Fisherface和组合KNN分类器的人脸识别算法

基于Fisherfaee和组合K近邻（KNN）分类方法的人脸识别算法首先采用Fisherfaee进行特征提取,构成特征空间。然后,利用组合KNN分类器对提取的特征进行识别。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。     

基于多分类器融合的人脸识别方法

提出了一种融合整体和局部信息进行人脸识别的新方法。首先利用DCT LDA方法提取表达人脸信息能力强的左眼、右眼和嘴巴的局部特征,利用F isherface方法和简单频谱脸方法提取人脸的整体特征,然后应用多分类器组合规则融合整体和局部特征,实验结果表明利用加法融合规则在ORL和FERET数据库上识别率分别达到98.45%和90.79%,说明了该方法的有效性,同时也表明将多分类组合应用于人脸识别是一种比较可行的思路。     

基于互补子空间线性判别分析的人脸识别

基于随机子空间,提出了一种用于人脸识别的互补子空间线性判别分析方法. 与Fisherface和零空间线性判别分析相比,该方法同时在主元子空间和零空间中进行判别分析,并在特征层融合这两个子空间的判别特征. 根据最适宜的零空间状态构建随机子空间,随机子空间的融合在决策层进行. 多个人脸数据库上的实验结果表明,本算法能够有效地解决线性判别分析中的小样本规模问题.     

Face Recognition Using Kernel Discriminant Analysis

Linear Discrimiant Analysis (LDA) has demonstrated their success in face recognition. But LDA is difficult to handle the high nonlinear problems, such as changes of large viewpoint and illumination in face recognition. In order to overcome these problems, we investigate Kernel Discriminant Analysis (KDA) for face recognition. This approach adopts the kernel functions to replace the dot products of nonlinear mapping in the high dimensional feature space, and then the nonlinear problem can be solved in the input space conveniently without explicit mapping. Two face databases are used to test KDA approach. The results show that our approach outperforms the conventional PCA(Eigenface) and LDA(Fisherface) approaches.     

基于球面调和函数的人脸识别

根据在任意光照下朗伯凸表面的图像可以由一个低维线性子空间近似这一原理,提出了一种新的人脸识别方法．首先使用共形变换原理把训练样本图像投影到球面和圆柱面的一个区域上,然后对球面和圆柱面上的图像用多项式插值方法进行扫描和插值,得到离散函数图像表达式．接着利用球面调和函数估计球面上图像的9个低频谐波系数,对待定的阶数求范数后得到三维的向量．最后依据最近邻决策规则进行识别．实验表明与PCA方法、Fisherface方法以及SVD方法相比,该方法的识别率和对光照、姿态的鲁棒性均有明显的提高．     

基于对称最大间距准则的人脸识别方法

在最大间距准则算法中引入对称性思想,提出了基于对称最大间距准则(SMMC)的人脸识别算法。该算法首先引入镜像变换,将人脸图像生成镜像图像,依据奇偶分解原理,把人脸图像分解成镜像奇、偶对称图像,然后分别对奇偶对称图像进行最大间距准则,提取所需的鉴别特征。在ORL和Yale标准人脸库上的实验结果表明,该算法通过利用镜像变换扩大了样本容量,发挥了最大间距准则算法的优点,提高了人脸识别率。