基于三维建模的眼镜遮挡下人脸识别

眼镜作为人脸特征的不稳定性是眼镜遮挡人脸识别的主要问题。为避免现有方法消除不稳定眼镜特征时带来的人脸特征丢失,将眼镜视为人脸固有部分,提出一种基于三维建模生成人脸虚拟样本补偿眼镜不稳定性的方法。三维建模方便眼镜模型参数的调节。通过调节眼镜参数,具体分析眼镜不同部分对人脸识别的影响,同时,针对影响严重的镜片模糊和反光,均做相应处理。CAL-PEAL的实验表明本文方法对识别性能的大幅度改善,并验证镜片处理的有效性。     

基于可视信息眼镜摘除的热红外人脸识别方法

在热红外人脸识别中,眼镜作为人脸图像中常见的遮挡物,造成了人脸眼睛区域信息的丢失,严重影响了人脸识别效果。针对该问题,提出了一种在热红外图像中去除眼镜的算法,对热红外图像进行眼镜检测,使用无眼镜的热红外图像的平均眼睛模板来代替有眼镜的热红外图像的眼镜区域,再基于核主成分分析算法利用可视化图像和热红外图像融合的方法,进行图像融合,获得较好的无眼镜热红外图像,通过分类识别来实现人脸识别。实验结果表明,在热红外人脸识别中,该方法在戴眼镜的情况下能够提高人脸识别的准确率和取得较好的识别效果。     

基于分块独立成分分析的人脸识别

提出分块独立成分分析的特征抽取方法,并成功应用于人脸识别。分块独立成分分析方法先对图像矩阵进行分块;然后对所有图像子块联合进行独立成分分析,构造特征空间;最后把图像所有的子块投影到特征空间提取特征进行分类识别。其特点是可以有效降低图像维数和有效提取图像局部特征。在YALE和FERET人脸库上的实验结果表明,提出的分块独立成分分析方法明显优于独立成分分析方法。     

基于双重特征空间的人脸识别

多目标遗传算法(MOGA)是求解多目标优化问题的有效工具,因而在求解实际问题中得到越来越广泛的应用.PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的.在人脸识别的实际应用中,将多目标遗传算法引入到PCA所生成的特征空间的优化中,提出基于双重特征空间的人脸识别算法.通过对剑桥ORL库实验表明,该方法与传统的PCA相比,识别率得到明显提高.     

基于多遗传算法的BP神经网络人脸识别

人脸识别应用十分广泛,在实际问题中较高的识别率十分重要,其中BP神经网络模型广泛用于人脸识别.然而在现实应用中,BP神经网络结构和权值阈值的选取往往依靠经验值,这使得BP神经网络存在容易陷入局部最优和收敛速度慢等问题。针对该问题,提出了一种基于多遗传算法优化BP神经网络结构和权值阈值的人脸识别方法。利用主成分分析算法对人脸图像进行降维,快速独立成分分析算法对人脸图像进行特征提取,以组合算法的方式使得处理后的人脸图像特征更加明显。通过第一层遗传算法优化BP神经网络的结构,第二层遗传算法优化BP神经网络的权值阈值,以此解决BP神经网络陷入局部最优和收敛速度慢等问题。基于ORL人脸库进行仿真验证,实验结果表明该算法具有较高的识别率。     

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法．引入了二维局部加权特征子空间的概念，将各类样本映射到这个局部加权特征子空间，再通过计算测试样本到加权子空间的距离进行样本的分类．使用这种方法在ORL人脸库上进行测试，结果表明，经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能，并且在提高识别率的同时算法的复杂程度并没有明显增加．     

基于特征脸的主成分分析人脸识别

采用基于PCA（主成分分析）的特征脸人脸识别方法,判断一张给定的图像是否为人脸图像。该方法通过计算训练集的特征向量,得到一个由特征脸组成的子空间,并将训练集中的人脸图像投影到该子空间中。检测人脸时,将二维的人脸图像投影到脸空间,并计算该图像与脸空间之间的欧几里得距离,以距离是否小于某一设定的阀值来识别是否人脸图像,实验测试结果准确率为97.5%。     

独立成分分析应用于人脸识别中的几个问题

独立成分分析近年来广泛应用于人脸识别等模式领域。首先对人脸图像进行预处理降维,然后利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一个子空间,最后利用待识别图像在这个空间上的投影进行人脸识别。针对训练样本个数,训练人数以及独立基数目影响识别率等三个问题进行实验,得出结果并进行分析。     

基于ICA和FLD相结合的人脸识别

ICA作为一种传统的人脸识别方法,虽然识别效果较好,但却没有考虑类别信息。为了将类别信息融入ICA方法中,尝试利用FLD和ICA相结合的方法对人脸进行识别处理,即在使用ICA方法获得训练模式的统计独立基向量的基础上,对基向量张成的子空间使用FLD方法。利用几个人脸数据库对该方法进行了实验。实验结果表明,使用上述方法进行人脸识别,其效果优于传统的PCA方法、FLD方法和ICA方法。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

有遮挡环境下的人脸识别方法综述

随着人脸识别应用领域的逐渐扩大,有遮挡环境下的人脸识别面临着一定的技术挑战.深度学习方法由于其具有强大的学习能力,成为解决有遮挡环境下的人脸识别问题的一种较好的解决方案,但仍面临诸多待解决的问题.减少遮挡对人脸识别算法带来的性能影响是该领域的重点和难点问题之一.从模型、算法和数据集的角度分析了近年来相关研究进展;对比了...     

有遮挡人脸识别方法综述

现实人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素,传统的人脸识别方法识别效果不佳,有效地处理这些问题提高识别效率仍是人脸识别系统中的难点。回顾了传统的人脸识别的相关方法,重点针对人脸遮挡的处理方法,从遮挡区域如何重构地生成模型,如何检测遮挡位置的判别模型及鲁棒特征提取三个方面进行了详细的综述,比较了各自的优缺点及应用场合,总结分析了目前有遮挡人脸识别存在的问题和未来研究方向。     

人脸识别中遮挡区域恢复算法研究

在分析脸部遮挡处理各算法的基础上,提出了自动多值掩模PCA人脸重建模型(MMPCA模型)。该模型首先进行特征提取,计算待测人脸和标准样本的特征脸差,判断遮挡部位,即遮挡类型;接着使用M估计器对遮挡掩模进行估计,为不同像素点估计符合自身特性的幅度参数,生成多值遮挡掩模;再通过3个半二次型函数迭代保证最优合成系数唯一与收敛,获得最优合成系数,重建人脸。实验结果表明,该算法能恢复遮挡部位,减弱遮挡对识别准确率的影响。     

基于二进制标签松弛模型的遮挡人脸识别

遮挡人脸识别是人脸识别系统面临的挑战之一.在自然场景下,人脸特征通常被口罩等物品遮挡,导致人脸特征不完整,从而无法正确提取人脸特征信息,严重影响最终的识别结果.针对有遮挡条件下人脸识别效果较差的问题,通过利用低秩技术和二进制标签松弛模型的优势,该文提出了一种新的基于二进制松弛标签的回归模型.该模型通过学习一个更松弛的标...     

基于异值区域消除的遮挡人脸识别

针对存在部分遮挡的人脸的识别问题,提出了一种改进的基于异值区域消除的人脸识别方法。首先,由训练人脸图像得到平均脸图像,并将测试图像与平均脸图像作差值运算得到误差人脸图像;然后,对误差人脸图像进行分割得到测试人脸图像存在的遮挡区域,并将测试图像和训练图像的相应区域予以去除以形成新的测试图像和训练图像;最后,采用线性回归分类或稀疏编码分类方法实现人脸识别。与同类方法比较,本方法计算相对简单,展现了较好的识别性能提升。基于Yale B和AR标准人脸数据库的仿真测试结果验证了本方法的有效性。     

PCANet下的遮挡定位人脸识别算法

自然环境中的人脸图像大部分带有遮挡,这对于人脸识别一直是巨大的挑战,用于人脸识别的主流深度模型对于遮挡人脸图片并不具有特别好的识别性能。针对深度模型由于遮挡的存在以及遮挡位置不确定所导致的识别率下降的问题,提出一种结合深度学习和特征点遮挡检测的PCANet下的遮挡定位人脸识别算法。分类器用于关键点检测,使用PCANet深度学习模型进行特征提取,形成支持向量机(SVM)训练模型组。遮挡判别分类器定位遮挡,结合特征模型组完成有遮挡人脸识别任务,并且对于表情变化有很强的鲁棒性。实验结果表明,该算法对于常见遮挡类型取得了非常好的效果,对于大面积遮挡的极端类型也具有很高的识别率。     

基于部分遮挡人脸识别算法的研究

研究人脸识别问题。针对当人脸采集的图像出现面部关键区域遮挡时,传统算法往往需要依靠面部主要关键特征进行识别,遮挡人脸的大部分特征消失,造成的误识别、漏识别问题。为解决上述问题,提出了基于遮挡人脸图片的识别方法。方法首先对遮挡人脸图像进行小波变换,然后建立特征粗糙集,根据特征加权融合算法将细节特征向量进行有效联系,进而根据联系性进行识别。实验结果表明,方法的能够对遮挡的人脸图像进行有效的识别,提高了身份识别的安全性和准确度。     

大旋转角度人脸前视图的自动识别

文章提出了一种对人脸非完全正侧圈的识别算法,通过检测几个特征点,根据头部旋转模型计算出头部图像的偏转角度,对图像进行旋转,达到较准确识别的目的。文章给出了这些特征点的提取方法,对与表情变化无关的人脸的矢量化方法进行了研究,并对人脸特征数据库设计和优化进行了探讨。     

基于循环生成对抗网络的含遮挡人脸识别

人脸图像的遮挡会严重影响人脸识别准确率,当前处理带遮挡人脸识别的方法主要有丢弃法和修复法两种。丢弃法因忽略或丢弃大量遮挡区域的有效特征易造成识别准确率不高,而当前大多数修复法需要原图的相关信息,限制了其应用。针对现有含遮挡人脸识别方法存在的问题,提出一种基于循环生成对抗网络的人脸识别算法,通过利用2对生成器和判别器进行循环训练,实现遮挡人脸图像的盲修复,此过程不需要除遮挡区域外的原图信息。在此基础上,采用ResNet-50网络对修复后人脸进行识别,该网络通过跳跃连接消除深层卷积神经网络中的网络退化问题,能够降低网络训练的难度,且不会增加额外的参数和计算量。针对盲修复后人脸特征存在类内差异大和类间差异小的特性,引入一种能够量化类间距离的分类损失函数RegularFace作为识别网络损失函数。实验结果表明,与DCGAN+CNN算法相比,所提算法对不同遮挡类型和遮挡区域的人脸图像识别准确率均有所提高,当线性遮挡面积为40%时,所提算法的识别准确率提高了14.4个百分点。     

基于分块稀疏表示的部分遮挡人脸识别

人脸识别利用已有的人脸数据库对给定的人脸图像进行识别,不同光照、不同姿态、部分遮挡情况下的识别问题是其中的热门研究课题。笔者针对人脸图像中的部分遮挡问题,通过AR人脸库对处理过的人脸图像采用分块稀疏表示的方法,在不同训练样本下进行多次实验。实验结果表明,分块稀疏表示对部分遮挡人脸的识别率有较大提升。