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。     

考虑光照鲁棒性的超分辨率人脸识别系统设计

为保障不同光照下低分辨率人脸的超分辨率识别精度与效率,设计了考虑光照鲁棒性的超分辨率人脸识别系统。通过包含DSP单元与ARM单元的控制器模块,驱动人脸视频采集模块。采集不同复杂光照的人脸视频信息并解析成视频帧后,预估视频帧序列的位移情况,恢复视频帧序列的超分辨率,融合超分辨率视频帧构成人脸图像样本。利用人脸特征提取模块补偿全部人脸图像样本复杂光照,并提取其LBP特征构成人脸库。通过人脸识别模块匹配人脸图像的LBP特征与人脸库,识别出超分辨率人脸图像。结果表明,该系统的光照鲁棒性人脸图像采集与人脸图像LBP特征提取两部分的实现效果均较好。可有效识别出背光、强光及弱光下的超分辨率人脸,识别效率较高,识别成功率能够达到96.7%,为光照鲁棒性人脸识别提供保障。     

面向人脸识别的复杂光照下图像细节增强算法

为了提高在光照过度、不足或不均等复杂光照条件下的人脸识别率,提出一种复杂光照条件的人脸图像细节强化算法。首先采用对数和非线性变换对人脸图像动态范围进行压缩;然后利用反锐化掩模滤波算法消除图像模糊,增强人脸图像细节信息;最后采用Adaboost算法建立人脸分类器,并采用Yale B人脸图像数据进行仿真测试。仿真结果表明,该算法解决了复杂光照条件对人脸图像的不利影响,并进一步提高了人脸识别率。     

基于小波域多尺度Retinex的复杂光照的人脸识别

针对Retinex模型在处理光照不均匀图像的不足,提出了组合小波域多尺度Retinex模型(DWT-MSR)和ICA识别方法,并将其用于不同光照下的人脸识别。在二维小波变换后的小波域中,将其低频小波系数变换到对数空间,使用三种不同的高斯滤波系数和对数空间中的小波系数进行卷积运算,将三种标准偏差尺度下得到的结果进行加权平均,采用gain/offset的方法,对输出图像进行灰度值线性拉伸;小波域中其他三种高频系数保持不变,然后再将变换后的低频系数和高频系数作小波反变换,得到的新图像则为小波域多尺度Retinex模型的处理结果,最后使用定点独立分量分析和神经网络进行分类识别。经实验证明,基于该模型的方法在处理不同光照下的人脸图像时,效果明显优于Grey,Hist,SSR,Embossing,MSR,Quotient等常见的光照处理方法。     

基于离散余弦变换和主成分分析的光照条件人脸识别

在光照变化条件下,人脸识别的正确率急剧下降,为了解决该难题,提出了一种离散余弦变换和主成分分析相融合的光照变化条件人脸识别方法.首先对人脸图像进行分块,并采用离散余弦变换对每一个子块提取DCT系数,然后采用主成分分析提取人脸特征,并采用深度学习算法建立人脸识别的分类器,最后采用ORL和Yale B人脸库进行仿真实验,测试其有效性和优越性.实验结果表明,相比其它光照人脸识别方法,本文方法提高了光照人脸图像的识别率,消除了光照变化的不利影响,具有较强的鲁棒性.     

基于BP神经网络的人脸识别系统研究

本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析.该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进一步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别.详细介绍了离散小波变换、PCA特征提取以及BP神经网络分类设计.通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时,由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率.因此,很难在复杂环境中应用.     

基于DWT,2DPCA和KPCA的人脸识别

利用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,有效去除人脸图像高频分量的影响;再利用二维主元分析对小波变换后的人脸低频分量实行提取特征;然后使用核主元分析再次提取特征;最后用最小距离分类器完成人脸识别.基于ORL人脸数据库的实验结果表明,该算法能提高人脸识别率,有效减少计算量和降低计算复杂度.     

基于对数能量熵与LBP特征提取的人脸识别

传统LBP模式在提取图像的纹理特征时,没有对图像中的不同子块加以区分。一般情况下图像的不同子块包含的纹理信息不尽相同,不能真实地反映图像纹理的变化情况。为了解决传统LBP算法在人脸识别过程中产生的直方图维数过长、鉴别力不高、对噪声反应敏感等问题,提出一种基于对数能量熵与LBP特征提取的人脸识别方法。首先将一副人脸图像分成互不重叠的大小相等的子块,然后计算每个子块的LBP直方图,同时对每个子块计算对数能量熵值;其次把每个子块的LBP直方图特征与对数能量熵值组合成一个新的特征向量;最后,将每个图像块的特征向量连接成一个全局的特征向量,将该特征向量用作分类识别。基于YALE人脸库,ORL人脸库和FERET人脸库的实验结果与数据分析表明,文中提出的算法能够更加准确地提取图像的特征信息,有效地提高了人脸识别率。     

结合小波局部特征与LDA的人脸识别

提出了一种小波局部特征结合LDA(线性判别分析)的人脸识别算法。首先对图像分块,选取包含图像信息量多的区域进行小波变换并提取特征,将小波分解得到的低频部分利用LDA投影求得人脸识别特征,最后利用最近邻分类器对图像进行分类。在ORL和Yale人脸数据库上进行实验,结果表明使用小波局部特征结合LDA的方法可达到较高的识别率。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

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.     

基于离散小波变换和ICA支持向量机的人脸识别

为了实现对具有不同光照、姿势和噪声的人脸进行识别并提高识别精度,设计了一种基于离散小波变换和最小二乘支持向量机的人脸识别方法。首先,采用二维离散小波变换对人脸图像进行压缩和降噪,以提取低频特征信息分量,然后采用快速独立成分分析法ICA对经过离散小波变换后的人脸低频分量进行特征提取,以进一步减少人脸特征向量维数。在获取图像特征向量的基础上,采用径向基函数作为核函数,将训练样本数据输入最小二乘支持向量机进行训练以获得最终的分类模型。在ORL数据库下采用MATLAB仿真工具进行仿真,实验结果表明,该方法能有效地实现对人脸识别,与其他方法相比具有较高的识别精度。     

一种光照不变的人脸识别新方法

本文研究并实现了小波变换,光照商图像与BP神经网络相结合对不同光照条件下的人脸图像进行识别的算法.运用小波变换方法对图像进行降维,运用光照商图像方法对图像进行预去光,运用BP神经网络进行人脸识别;同时讨论了BP网络输入矢量的标准化处理问题、网络隐含层神经元数选取问题,以及对Sigmoid函数和网络学习速率的改进问题.利用Yale Face Database B人脸数据库进行识别实验,结果表明,通过预去光,网络的识别率有了显著提高;本文设计的改进BP网络在与非改进网络得到相同识别率情况下,其收敛速度明显加快.     

LBP和2DDCT相结合的单幅人脸图像识别

LBP（局部二值模式）作为一种有效的纹理描述算子,度量和提取图像局部的纹理信息,对光照具有不变性,在单幅人脸图像识别具有很好的应用。在研究此理论的基础上提出了一种基于局部二值模式（LBP）与二维离散余弦变换（2DDCT）相结合的人脸识别方法。将单幅的人脸图像规则的分成多个子块,对每个子块进行LBP变换,把每个LBP变换的后的子块分别用2DDCT变换到频率域,大部分信息保存在低频部分,选取低频作为人脸的频率域特征,有效的降低了维数,使计算量降低。实验结果表面,在ORL人脸数据库上具有较高的识别率。     

基于网络摄像头的活体人脸识别系统设计

针对当前监控系统平台体积大、功能单一、造价高等问题,文中基于海思3518E平台设计了一套在线活体人脸识别系统。该系统包含图像预处理、图像获取、人脸检测、人脸活体检测、人脸识别共5个部分,并针对传统算法在嵌入式平台的不足进行了改进与优化。系统通过摄像头采集的人脸图像对图像做预处理,为后续图像特征提取提供保障,利用扩展Haar特征训练分类器,并使用Adaboost算法级联分类器进行人脸检测,将检测到的人脸利用HSV和Ycbcr多色彩空间下提取的COALBP和LPQ融合特征训练SVM模型,并进行活体人脸检测。最后,对人脸图像分块提取LBP特征进行人脸识别,将识别结果通过微信小程序显示。实验结果表明,基于海思网络摄像头人脸识别系统的可行性,具有一定的实用价值。     

基于LBP的人脸识别技术设计与实现

传统人脸识别技术识别效率较低,不能得到科研人员的认证,提出了基于LBP的人脸识别技术设计。设计提取LBP子模式特征具体流程,可获取实际情况下的图像分成级数以及分解区域大小;根据子空间变换和子模式特征构造提取出多尺度LBP子模式特征;通过人脸特征匹配对多尺度各层LBP子模式特征进行加权,以此为基础对分类性能展开分析,完成人脸识别技术的设计。实验结论可知,该技术具有较高的识别效率。     

基于子模式下LBP-HOG特征融合的单样本人脸识别方法

针对目前单样本人脸识别率不高这一问题,本文 提出一种基于子模式下的分层LBP和 金字塔模式HOG特征相融合的单样本人脸识别方法。该方法针对人脸不同部位对人脸识别所 做贡献的程度,先通过已有人脸不同部位的分类器将人脸不同器官提取出来并以此为基准将 其分为不同的子图像。然后针对LBP描述子提取的纹理特征数量较少且不能很好的描述图像 边缘和方向信息等问题,将分层LBP与金字塔不同层级的HOG特征相融合的方法作用在每一个 子图像上,得到每一个子图像的融合特征向量,计算训练样本与测试样本对应的每一个子图 像的融合特征的欧氏距离并且乘上预先设定的该子图像对应的权重参数,然后将它们相加得 到最终的欧氏距离,通过阈值判断该人脸所属id。最后通过在ORL人脸库上进行实验,结果 表明本文提出的方法比现有单样本人脸识别方法识别率更高。     

一种基于全局和局部特征的LBP算法应用

提出一种基于全局和局部特征的LBP人脸识别算法。首先将人脸图像进行LBP提取全局直方图特征,再将图像分块,提取每块的LBP局部直方图特征,最后将全局和局部特征按一定的顺序相结合作为图像的总体特征。然后通过RBF神经网络进行分类识别。在ORL人脸库上的实验结果表明,该算法具有较高的识别率。     

基于 环形对称Gabor变换和分块PCA的人脸识别方法研究

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法。首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Gabor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余。通过实验验证该方法在3.5 m内对人脸识别率达到95%,单个人脸识别时间小于0.22 s。     

基于环形对称Gabor变换和分块PCA的人脸识别

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法.首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Ga-bor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余.通过实验验证该方法在3.5m内对人脸识别率达到95％,单个人脸识别时间小于0.22 s.