基于支持向量机的人脸识别技术研究

研究人脸识别优化问题,不同程度光照对人脸图像的采集具有不利影响,使图像中包含一些噪声信息,而当前人脸识别算法没有考虑不同程度光照对人脸图像的影响,仅在光照变化不大时,识别正确率高.为了解决光照条件对人脸识别不利影响,提高脸识别正确率,提出一种多尺度Retinex( MSR)和支持向量机(SVM)相结合的人脸识别算法(MSR - SVM).MSR - SVM首先采用MSR对人脸图像进行预处理,消除光照变化的不利影响,然后采用PCA提取人脸图像特征,消除一些噪声信息,最后利用SVM分类算法对人脸图像进行分类.采用Yale人脸库对MSR - SVM算法进行仿真测试,仿真结果表明,改进方法可以消除光照变化对人脸识别不利影响,加快了人脸识别速度,提高了人脸识别正确率.     

光照变化条件下的人脸识别技术研究

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸光照图像时易产生“光晕”难题,提出了一种基于Mean-Shift滤波的Retinex算法,并应用于人脸识别中的光照预处理。对人脸图像进行非线性增强;利用Mean-Shift滤波代替高斯滤波对光照估计,解决传统Retinex算法中存在的“光晕”难题。采用Yale B人脸库对算法性能进行测试,结果表明,该算法能够很好地抑制“光晕”现象的发生,具有光照鲁棒性,提高了人脸的识别率。     

自动分块亮度校正算法及仿真研究

光照是人脸图像的成像条件之一,在人脸成像过程中具有很大的灵活性.由于拍摄照片过程中光照条件或观察角度的不同,导致人脸识别算法的性能明显下降.基于传统的区域校正思想提出了一种自动分块亮度校正算法,自动提取过亮块和过暗块并对其进行亮度校正.以彩色图像人脸数据库为例,快速、准确地得到亮度校正图像.仿真实验表明,将该算法校正恢复出的图像用于人脸识别,可以提高人脸识别率,具有一定的应用价值.     

基于球面谐波基图像的任意光照下的人脸识别

提出了一种基于球面谐波基图像的光照补偿算法,用以在任意光照条件下进行人脸识别.算法分两步进行：光照估计和光照补偿.基于人脸形状大致相同和每个人脸的反射率基本相等的假设,首先估计了输入人脸图像光照的9个低频谐波系数.根据光照估计的结果,提出了两种光照补偿方法：纹理图像和差图像.纹理图像为输入图像与其光照辐照图之商,与输入图像的光照条件无关.差图像为输入图像与平均人脸在相同光照下的图像之差,通过减去平均人脸在相同光照下的图像,减弱了光照的影响.在CMU-PIE人脸库和Yale B人脸库上的实验表明,通过光照补偿,不同光照下人脸图像识别率有了很大提高.     

基于光照归一化分块完备LBP特征的人脸识别

针对复杂光照条件下的人脸识别,提出了一种基于光照归一化分块完备局部二值模式（B-CLBP）特征的人脸识别算法。该方法对人脸图像进行光照归一化预处理,对处理后的人脸图像进行B-CLBP特征提取,融合成B-CLBP直方图,根据最近邻准则进行分类识别。在Extended Yale B人脸库上的实验结果表明,所提算法可以有效提高复杂光照条件下的人脸识别率。     

改进单尺度Retinex的光照人脸识别

经典Retinex算法假设场景中光照是平缓变化的,当光照变化比较强烈时,易产生“光晕”现象,为了提高光照条件变化下的人脸识别率,提出一种改进单尺度Retinex的光照人脸识别方法。采用双曲正切函数代替Retinex的对数函数对人脸图像进行亮度和对比度非线性增强;利用双边滤波代替Retinex的高斯滤波消除“光晕”,采用Retinex消除光照不利影响,采用K近邻算法建立人脸分类器。结果表明,改进Retinex降低了时间复杂度,图像增强效果优于同类算法,提高了人脸识别率,很好地解决了“光晕”问题,具有光照鲁棒性,可适用于光照变化较强条件下的人脸识别。     

改进单尺度Retinex的复杂光照人脸识别算法

在光照复杂条件下人脸识别性能明显下降。针对单尺度Retinex算法易产生"光晕"现象,提出一种改进单尺度Retinex算法的复杂光照人脸识别方法(ISSR)。首先利用拉普拉斯梯度算子增强光照人脸图像的边缘信息,然后在单尺度Retinex算法的基础引入符合人眼视觉特性的中心自适应调节拟合函数,以增强图像各个颜色分量,提高人脸图像对比度,最后采用Yale B和CMU-PIE人脸库进行仿真测试。结果表明,ISSR算法增强了人脸图像的对比度,改善了人脸图像的视觉效果,有助于提高人脸图像识别率和识别速度,能满足复杂光照条件下的人脸识别要求。     

基于曲波变换和Retinex人脸光照处理算法

针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法。该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet);利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪。通过曲波逆变换得到光照亮度成分图像;利用Retinex模型提取光照不变成分。通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率。     

AMSR与SVM相结合的人脸识别方法

为解决在复杂光照条件下的人脸识别问题,提出一种自适应多尺度Retinex(AMSR)和支持向量机(SVM)相结合的人脸识别算法;首先,针对多尺度Retinex(MSR)只能处理光照均匀图像的缺点,提出了AMSR算法,该算法在MSR基础上增加了全局非线性对比度增强方法,使图像的灰度能够根据人脸图像的明暗度进行全局自适应调整,实现了各种光照条件下的人脸图像预处理;然后利用SVM多分类算法对人脸图像进行分类;在人脸库的实验结果证明了AMSR+SVM人脸识别算法的有效性。     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

基于有效光照估计的复杂光照人脸识别

基于光照估计的光照不变量提取是提高复杂光照人脸识别性能的一种有效方法。以往算法仅考虑光照缓慢变化特性从人脸图像中估计光照,无法获取准确的光照和光照不变量。综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表明所提算法具有高效性。     

提高人脸识别率的重光照算法

在逃犯追缉领域,基于人脸识别的逃犯鉴别技术受到高度重视。但是,各种恶劣的光照条件严重影响了对目标人脸的辨识。因此,如何排除光照干扰成为一个迫切需要解决的问题。本文提出一种新的重光照算法,利用自商图像算法求出人脸纹理特征,再利用辅助光照集合来归一化人脸光照分量,最后合成新的人脸图像用于人脸识别。在AR、CMU_PIE、CSA_Lighting库上进行人脸识别测试,结果表明改进的新算法有效地减轻了光照影响,提高了人脸正确识别率。在实际的追逃图片处理中也明显改善了追逃效率。     

基于多特征融合的复杂光照人脸识别

提取人脸图像光照不变量是提高不完备训练样本人脸识别光照鲁棒性的一个有效途径。以往算法分别从不同角度提取人脸图像的高频特征作为光照不变量不能提取完整的人脸本征,具有一定的局限性。从特征级和决策级融合的角度提出了一种基于多特征融合的复杂光照人脸识别方法。所提算法能发挥不同光照不变量的自身优势,明显提高复杂光照人脸识别的光照鲁棒性。Yale B+和非控光照人脸库的实验结果表明所提算法的有效性。     

基于形态学商图像的光照归一化算法

复杂光照条件下的人脸识别是一个困难但需迫切解决的问题,为此提出了一种有效的光照归一化算法.该方法根据面部光照特点,基于数学形态学和商图像技术对各种光照条件下的人脸图像进行归一化处理,并且将它发展到动态地估计光照强度,进一步增强消除光照和保留特征的效果.与传统的技术相比,该方法无须训练数据集以及假定光源位置,并且每人只需一幅注册图像.在耶鲁人脸图像库B上的测试表明,该算法以较小的计算代价取得了优良的识别性能.     

Illumination invariant face recognition

The appearance of a face will vary drastically when the illumination changes. Variations in lighting conditions make face recognition an even more challenging and difficult task. In this paper, we propose a novel approach to handle the illumination problem. Our method can restore a face image captured under arbitrary lighting conditions to one with frontal illumination by using a ratio-image between the face image and a reference face image, both of which are blurred by a Gaussian filter. An iterative algorithm is then used to update the reference image, which is reconstructed from the restored image by means of principal component analysis (PCA), in order to obtain a visually better restored image. Image processing techniques are also used to improve the quality of the restored image. To evaluate the performance of our algorithm, restored images with frontal illumination are used for face recognition by means of PCA. Experimental results demonstrate that face recognition using our method can achieve a higher recognition rate based on the Yale B database and the Yale database. Our algorithm has several advantages over other previous algorithms: (1) it does not need to estimate the face surface normals and the light source directions, (2) it does not need many images captured under different lighting conditions for each person, nor a set of bootstrap images that includes many images with different illuminations, and (3) it does not need to detect accurate positions of some facial feature points or to warp the image for alignment, etc.     

基于总变分模型的光照不变人脸识别算法

提出了一种基于L1总变分模型的对数商图像光照不变人脸识别算法。用L1总变分模型作为低通滤波算子对图像平滑滤波,得到图像光照分量的估计,然后在对数域中定义原图像与其光照分量的商为光照归一化图像,并用该图像作为光照不变量进行人脸识别。基于L1总变分模型的平滑滤波具有较好的边缘保持作用,能有效地消除光晕现象,并且参数设置简单。在YaleB和CMU PIE 人脸图像库上的试验结果表明,该算法能有效地提高人脸识别系统在不同光照条件下的识别率。