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.     

小波变换和LBP对数域特征提取的人脸识别算法北大核心CSCD

为了改善复杂光照条件下人脸识别的性能,提出结合小波变换和LBP(Local Binary Pattern,LBP)提取复杂光照下人脸图像的对数域特征来进行人脸识别。本文首先将人脸图像由空域变换到对数域,再做两级离散小波分解,并利用高频分量重构原图,也即对人脸图像进行高通滤波,滤除低频光照成分,以达到复杂光照补偿的目的,最后利用分块LBP提取光照补偿后图像的局部纹理特征,并将这些特征应用于人脸识别。基于Yale-B和CMU-PIE人脸库上的实验结果显示本文算法对复杂光照具有较强鲁棒性,具备提取复杂光照条件下人脸图像有效特征的能力。     

基于Retinex算法的光照变化条件下人脸识别研究

光照变化会对人脸识别结果产生干扰,导致当前光照变化人脸识别结果不理想,为了降低光照变化对人脸识别结果的不利影响,以提高光照变化人脸识别效果,设计了基于Retinex算法的光照变化条件下人脸识别方法。采用激光传感器采集光照变化下的人脸图像,并对人脸进行格式转换,然后采用Retinex算法对转换后的人脸图像进行增强操作,消除光照变化对人脸图像干扰,改善人脸图像质量,最后采用模式识别技术设计人脸图像识别的分类器,并与其他人脸图像识别方法进行了对比测试。实验结果表明,本方法消除了不同光照变化的干扰,提高了人脸图像亮度、对比度和熵值,相对于对比方法,本方法的人脸识别精度更高,精度平均值达到了96%,而且加快了人脸识别速度,具有比较明显的优越性。     

面向人脸识别的分块自适应光照处理算法

为改善复杂光照条件下的人脸识别率急剧下降问题,提出一种基于双标准图的分块自适应Gamma算法(DRHGIC)。首先根据人脸光照分布特点,将人脸进行分块,然后对不同的块采用基于双标准图的方法搜索最优Gamma值,最后对人脸图片进行自适应Gamma变换。实验证明,该算法能够有效的提高复杂光照条件下的人脸识别率。     

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。     

一种对光照鲁棒的人脸图像预处理算法

分析了Retinex理论的本质意义,得出Retinex输出图像本质上是相对反射率,而相对反射率对光照不敏感,从而将其应用于光照情况复杂的人脸图像预处理.采用均值方差归一化的方法,对Retinex输出图像进行灰度值线性拉伸.实验结果表明,该算法能有效地提高人脸识别对光照的鲁棒性,尤其是非受控条件下得到的复杂光照人脸图像.     

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。     

一种基于人脸核心特征的PCA人脸识别算法及应用

传统的PCA人脸识别算法是直接从图像中提取人脸进行识别,由于人脸的大小、角度,光照等原因导致识别率低。本文提出的基于人脸核心特征的人脸识别算法是通过人脸核心特征,包括左眼、右眼、鼻子、嘴巴进行人脸识别。这种算法能有效克服人脸识别中的大小、角度、光照等不利因素,显著提高了人脸识别率,并成功应用于智能相片搜索系统。     

光照鲁棒的人脸识别

传统的人脸识别方法对待识别人脸图像的质量要求较高,而且要求所采集的人脸图像的光照情况与人脸训练库的光照情况的差异不能太大,这就限制了人脸识别系统运行的环境条件,从而限制了人脸识别的应用。为了降低人脸识别对环境条件的要求,真服光照对人脸识别的影响。本文分析了人脸图像的幅频特性和相频特性,提出了频域光照归一化的人脸识别方法,使得对任何光照条件下采集的图像经过归一化后,光照情况与训练库中的图像完全相同,同时保留了人脸的可区分性。因为人脸之间差异的信息量一般较少,故本文运用最小非零特征向量作为人脸特征,通过实验仿真,与传统方法相比本文人脸识别方法对光照变化具有鲁棒性。     

一种消除光照影响的人脸识别方法

光照变化容易使人脸图像的灰度分布不均匀,造成局部对比度差别较大,影响人脸识别的效果。为此本文首先分别对人脸图像进行直方图均衡化和对数变换,接着将处理后的图像进行融合,然后运用PCA算法对人脸图像进行特征提取,最后采用三阶近邻分类法来实现人脸识别。通过对Yale、ORL和FERET人脸库的仿真实验结果表明,该方法在人脸图像光照变化的情况下,能够较好地改善人脸补偿的效果,具有较高的平均识别正确率。     

复杂光照下的视频人脸检测与识别的研究

为了解决复杂光照下的视频人脸检测与识别率受影响的问题,提出了一种光照不变的人脸检测与识别方法.该方法基于Retinex理论,提取光照不变分量,然后用于训练AdaBoost分类器;对输入的视频序列也进行相同的光照预处理,然后用训练的AdaBoost分类器进行人脸检测;把检测到的光照不变人脸图像采用分块加权LBP进行特征提取,采用欧氏距离与最近邻分类器进行分类.实验结果表明:该方法能有效提高视频人脸检测率与人脸识别率,而且对于人脸检测与识别只需要一次光照处理,具有更高的效率.     

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。     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

镜像图与粗细层次结合的稀疏人脸识别方法研究

人脸在实际环境中,伴随着各种不可预知的情况,会呈现出复杂多变的特性.为了提高人脸识别率及更好的显示人脸特征,本文提出一种镜像图与粗细层次结合的稀疏识别新方法.该方法首先利用人脸的镜面性生成新的人脸图像,将原来的人脸训练样本和新生成的镜像图样本结合起来,使用粗细层次结合的分类方法来进行识别.新方法一方面增加了训练样本的数目,克服由于光照和姿态等外部因素带来的影响,另一方面选取合适的训练样本,丢掉不合适样本对于人脸识别所造成的不利影响.实验结果表明,新方法在人脸识别率上有了明显的提高.     

Non-ideal class non-point light source quotient image for face relighting

Quotient Image (QI) algorithm has been widely used in face recognition and re-rendering under varying illumination conditions. One of the inaccuracies of QI algorithm is the assumption of “Ideal Class”, that all faces have the same surface normal (3D shape). However, in practice this assumption is often not true. To reduce the inaccuracy, the Non-Ideal Class Non-Point Light source QI (NIC-NPL-QI), which ignores the “Ideal Class” assumption, is developed in this paper for face relighting. Unlike that in the basic QI algorithm a fixed reference object for all test objects is used, in the NIC-NPL-QI algorithm a special reference object for each test object is constructed, so that the test and reference objects have similar illumination images, achieving the equal effect of “Ideal Class” assumption. In the proposed method, the wavelet algorithm is introduced to estimate an illumination image. Furthermore, the proposed NIC-NPL-QI algorithm can handle the harmonic light and shadows. Experiments on Extended Yale B and CMU-PIE databases show that NIC-NLP-QI algorithm obtains better quality in synthesizing face images as compared with state-of-the-art algorithms.