采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于体绘制思维的人脸识别算法优化研究

传统的人脸识别算法主要解决二维正面图像识别,如果人体姿态发生明显变化,或外界环境发生显著变化,则算法性能大大降低,无法获取准确的识别结果。体绘制算法针对三维数据场进行绘制,绘制的图像能够描述人脸的内部细节,可提高人脸识别精度。因此,提出一种基于体绘制思维的人脸识别算法,依据聚类思想对二维人脸库进行聚类,在各分类的基础上,构建人脸相似模型。通过错切变形体制算法,构建人脸体数据,实现人脸体数据坐标系统的转换以及人脸三维图像的合成,从人脸三维图像中采集人脸特征,利用相似性模型对人脸关键特征同数据库已有的特征进行匹配分析,完成人脸身份识别。实验结果说明,所提算法对于不同表情和不同光照条件下的人脸图像,都具有较高的识别率和鲁棒性。     

基于迭代最近标准点的人脸识别方法

提出了迭代最近标准点法寻找通用基准面和输入人脸之间的对应点。该方法以每幅人脸的点集作为样本,记为最接近的标准点。这些点被有效地排列在所有人脸图像中,有效地应用判别分析方法进行三维人脸识别。因此,人脸变化的表示问题,可以通过最小化类内变化,同时最大化类间差异来解决。实验证明,文章算法相对于传统PCA算法具有更好的三维人脸识别性能。     

一种多算法融合的人脸识别方法研究

针对人脸识别技术易受光照、姿态、表情等影响 ,为了增强人脸识别算法的鲁棒性,提出首先采用 LBP算法提取人脸图像的局部纹理特征,使用PCA算法将高维的空间人脸图像投影到低维的 特征空间,使 用LDA算法利用人脸类别标签信息寻找最优的投影向量,实现了人脸图像维度进一步地压缩 ,最后使用SVM 分类器分类匹配得到识别结果。分别使用ORL和Yale人脸数据库验证了算法的有效性,实 验结果表明,文 中该方法具有良好的识别性能,与其它的识别算法相比,识别率有了较大的提高。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

基于改进型深度数据流形的数据分类算法及在人脸中的应用

针对数据分类问题的局限,提出一种基于改进型深度数据流形的数据分类算法并将其应用到人脸识别中。首先,通过采集人脸图像的深度信息,利用稀疏表示对其进行去噪处理;再结合图像的颜色信息,重新生成三维人脸信息数据库,通过对人脸数据的流形分析得到最优的降维结果,按十字十乘交叉验证法的原则选取训练集和测试集,将训练集输入支持向量机算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现人脸数据分类。选取ORL,Yale两类人脸图像标准数据库与传统人脸识别算法进行交叉对比实验,验证算法的优越性和可行性。实验结果表明：所提出的算法有较高的分类准确率,可有效地完成人脸识别。     

基于加权KPCA和融合极限学习机的人脸识别

针对传统的核主成分分析(KPCA)人脸识别算法的投影变换矩阵未必是最佳鉴别矩阵的问题,提出一种加权核主成分分析(WKPCA)的人脸识别算法。高分辨率人脸图像包含图像的大部分纹理信息,而低分辨率人脸图像体现了图像的大量形状信息,两类图像经WKPCA提取的特征具有一定的互补性,根据此特性将提取的特征融合以实现分类识别。所提算法采用ELM神经网络作为分类器,在ORL人脸库和Yale人脸库上的实验验证了算法的有效性。     

关于人脸识别算法对不同照明技术的鲁棒性研究

对于在正常照明技术下采集得到的人脸图像,现有的人脸识别算法如MTCNN算法、RetinaFace算法,已经能够取得相当高的人脸识别率。然而在某些特殊应用中,对于在特殊照明技术下采集得到的人脸图像,现有的人脸识别算法是否具有很好的鲁棒性,保持较高的人脸识别率,并没有确切的实验结果能够给出我们结论。本文收集了6000多张在不同照明技术下得到的人脸图像作为我们的混合人脸数据库,并利用LBPH算法、CNN卷积神经网络、MTCNN算法、RetinaFace算法设计出了四种有效的人脸识别网络,分别对开源的WIDER FACE人脸数据库和我们的混合人脸数据库进行了测试。最终发现RetinaFace算法对于不同照明技术得到的人脸图像具有较好的鲁棒性。我们进一步利用深度学习标注工具对RetinaFace算法误判的人脸图像进行了标注,并将标注后的图像送入到RetinaFace人脸识别网络中重新训练,优化后的RetinaFace人脸检测模型得到了98.6%的人脸识别准确率,使得RetinaFace算法对不同光照条件的鲁棒性取得了进一步的提升。     

一种基于可变长起主导作用特征(VLDF)的人脸识别算法

为了从Gabor滤波后的图像中提取简单有效、区分力强的人脸特征,提出了一种基于可变长起主导作用特征(VLDF)的人脸识别算法.即首先人脸图像与不同尺度、不同方向的Gabor滤波器进行卷积运算,然后利用局部二元模式(LBP)算子提取滤波输出的纹理特征,并根据纹理特征的统计分布规律,采用数量可变的起主导作用的纹理模式作为人脸的VLDF特征.最后构造了VLDF人脸特征之间距离的计算方法.该算法具有较小的特征向量维数和高的rank-1识别率.在FERET人脸数据库上的仿真结果验证了算法的高效性.     

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。     

利用快速加权PCA检测遮挡区域的人脸识别

针对人脸识别中存在遮挡而影响识别性能的问题,提出了一种利用快速加权PCA检测遮挡区域的鲁棒人脸识别算法。首先,利用快速加权PCA检测输入图像的遮挡区域,将其与图库图像的遮挡区域进行比较;然后,利用局部二值模式匹配确定最优权重系数,利用相位相关算法匹配确定遮挡掩码;最后,计算每个测试图像的匹配得分,并利用最近邻分类器完成人脸识别。在FRGC2和UND人脸库上的实验结果表明,本文算法的识别率可高达99.6%,相比其他几种较新的人脸识别算法,本文算法取得了更好的识别性能。     

通用学习框架结合2DPCA的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。     

字典学习优化判别性降维的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、面部遮挡等变化而严重影响识别性能的问题,提出了基于字典学习优化判别性降维的鲁棒人脸识别算法。首先,利用经典的特征提取算法PCA初始化降维投影矩阵;然后,计算字典和系数,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合;最后,利用迭代算法输出字典和投影矩阵,并利用经l2-范数正则化的分类器完成人脸的识别。在扩展YaleB、AR及一个户外人脸数据库上的实验验证了本文算法的有效性及鲁棒性,实验结果表明,相比几种线性表示算法,本文算法在处理鲁棒人脸识别时取得了更高的识别率。     

Optimized superpixel and AdaBoost classifier for human thermal face recognition

Infrared spectrum-based human recognition systems offer straightforward and robust solutions for achieving an excellent performance in uncontrolled illumination. In this paper, a human thermal face recognition model is proposed. The model consists of four main steps. Firstly, the grey wolf optimization algorithm is used to find optimal superpixel parameters of the quick-shift segmentation method. Then, segmentation-based fractal texture analysis algorithm is used for extracting features and the rough set-based methods are used to select the most discriminative features. Finally, the AdaBoost classifier is employed for the classification process. For evaluating our proposed approach, thermal images from the Terravic Facial infrared dataset were used. The experimental results showed that the proposed approach achieved (1) reasonable segmentation results for the indoor and outdoor thermal images, (2) accuracy of the segmented images better than the non-segmented ones, and (3) the entropy-based feature selection method obtained the best classification accuracy. Generally, the classification accuracy of the proposed model reached to 99% which is better than some of the related work with around 5%.     

词汇树融合SIFT的热成像和视觉图像人脸识别

针对热成像和视觉图像人脸识别问题,提出了一种基于词汇树融合尺度不变特征变换方法。首先,对视觉和热成像图像分别单独进行提取,利用Viola-Jones层叠检测器从自然图像中检测出人脸;然后,利用SIFT描述符从尺度空间提取稳定特征;最后,使用词汇树进行分类,利用评分融合和决策融合算法提高系统的精确性和安全性。在拍摄的41个人的脸部图像上的实验表明了该方法的有效性,识别率可接近100%,相比其他几种较为新颖的人脸识别方法,该方法取得了更高的识别精度,并且在一定程度上降低了计算耗时。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

Multi-pose 3D face recognition based on 2D sparse representation

The increasing availability of 3D facial data offers the potential to overcome the difficulties inherent with 2D face recognition, including the sensitivity to illumination conditions and head pose variations. In spite of their rapid development, many 3D face recognition algorithms in the literature still suffer from the intrinsic complexity in representing and processing 3D facial data. In this paper, we propose the intrinsic 3D facial sparse representation (I3DFSR) algorithm for multi-pose 3D face recognition. In this algorithm, each 3D facial surface is first mapped homeomorphically onto a 2D lattice, where the value at each site is the depth of the corresponding vertex on the 3D surface. Each 2D lattice is then interpolated and converted into a 2D facial attribute image. Next, the sparse representation is applied to those attribute images. Finally, the identity of each query face can be obtained by using the corresponding sparse coefficients. The innovation of our approach lies in the strategy of converting irregular 3D facial surfaces into regular 2D attribute images such that 3D face recognition problem can be solved by using the sparse representation of those attribute images. We compare the proposed algorithm to three widely used 3D face recognition algorithms in the GavabDB database, to six state-of-the-art algorithms in the FRGC2.0 database, and to three baseline algorithms in the NPU3D database. Our results show that the proposed I3DFSR algorithm can substantially improve the accuracy and efficiency of multi-pose 3D face recognition.     

基于神经网络和傅里叶描述子的残缺面部图像识别与分析

传统的人脸识别系统中,往往都是使用完整图像进行对比和查找。但是在医疗或者刑侦领域,有时会出现残缺的人脸正面图像无法与已存入系统中的完整人脸图片相对应的情况。文章在传统的傅里叶描述子的基础上,提出相关改进算法。根据传统的傅里叶描述子提取特征简单的优点,改进传统的傅里叶描述子,同时进一步结合多任务卷积神经网络与图像分割的相关算法,进一步分析图像之间的关联关系和图像之间的相似度。实验表明,在已经收集到图片数据集中使用此算法,准确率可以达到90%~95%。识别率较之传统方法,得到了很大的提升。