面向安防监控场景的低分辨率人脸识别算法研究

针对安防监控场景中获取的人脸图像质量不佳、细节信息丢失导致的人脸识别准确率低下的问题,提出一种基于超分辨率重建的低分辨率人脸识别算法。该算法包括超分辨率重建和人脸识别两个子网络,分别实现低分辨率人脸图像的超分辨率重建和人脸特征的提取。首先通过增加超分辨率重建子网络激活函数前的特征图数量实现广泛激活,保证信息流的有效传递,重建出包含更多细节信息的高分辨率人脸图像;然后在训练时结合图像内容损失和身份损失,在重建图像的同时保留更多身份信息,使得提取到的人脸特征具有更强的辨别性。实验结果表明,该算法提升了低分辨率人脸识别的准确率,在监控人脸数据集QMUL-SurFace上的性能优于传统算法。     

基于改进的有监督保局投影人脸识别算法

为了充分利用样本的类别信息,提出了一种改进的有监督保局投影人脸识别算法。利用先验类标签信息重新构造传统保局投影算法中的权重矩阵,基于改进后的保局投影算法得到变换矩阵;用线性鉴别的思想筛选出变换矩阵中的最优基向量,构成最终的变换矩阵。把训练样本和测试样本投影到由最优基向量构成的子空间得到训练样本和测试样本的特征。采用最近邻分类器分类。在ORL和FERET人脸库上的测试结果表明,算法具有较好的识别性能。     

基于低分辨率的人脸识别方法研究

随着我国经济实力的提高,大多公共场所都配备有监控设备[1],用以对出现行人及行为的监控,通过监控识别人脸是其发展的重要方面以后也将进一步发展。为减少视频数据的空间占比[2],目前市场大部分采用低分辨率的存储方式来存放视频数据,这对人脸的识别率带来了极大的影响。人脸识别是完善和加深图像识别在视频监控领域应用的基础,如何能够准确、快速、低成本的完成人脸识别工作,无论在生活领域、信息安全领域和公共安全领域等都有着无限的应用空间。因此,本文在前人所做的基础之上,结合近些年该领域的发展情况,进行了比较有针对性的描述。对一些比较热点的方法进行了详细的理论介绍,希望相关研究工作者能够基于本文所作的相关研究,发挥其更大的价值。     

基于图像分块的改进Fisher人脸识别算法

二维方法用于图像矩阵特征提取,虽然速度快,但影响了分类速度。针对二维线性鉴别分析（Two-Dimensional Linear Discriminant Analysis,2DLDA）的特点,研究了一种基于图像分块的改进Fisher人脸识别算法,该算法首先对人脸图像进行压缩降维处理,得到相应的特征矩阵,然后利用改进Fisher算法对特征矩阵进行类间离散度矩阵和类内离散度矩阵的计算,该算法充分考虑了类别信息,避免了传统Fisher算法造成的小样本问题,有效提高了分类速度。基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果证明了该算法的有效性。     

基于深度残差网络的轻量级人脸识别方法

针对深度残差网络在小型移动设备的人脸识别应用中存在的网络结构复杂、时间开销大等问题,提出一种基于深度残差网络的轻量级模型。首先对深度残差网络的结构进行精简优化,并结合知识转移方法,从深度残差网络（教师网络）中重构出轻量级残差网络（学生网络）,从而在保证精度的同时,降低网络的结构复杂度;然后在学生网络中通过分解标准卷积减少模型的参数,从而降低特征提取网络的时间复杂度。实验结果表明,在LFW、VGG-Face、AgeDB和CFP-FP等4个不同数据集上,所提模型在识别精度接近主流人脸识别方法的同时,单张推理时间达到16 ms,速度提升了10%~20%。可见,所提模型能够在推理速度得到有效提升的同时识别精度基本不下降。     

改进人脸特征矫正网络的遮挡人脸识别方法

现有人脸识别模型受口罩等遮挡因素影响导致准确率无法提升。当前主流研究方法将有无遮挡场景分开训练后,整合应用于多场景。针对遮挡人脸识别模型的局限性,提出一种改进人脸特征矫正网络（FFR-Net）模型。该模型可同时用于有无遮挡人脸识别并应用于口罩与眼镜遮挡两种识别场景中。人脸特征矫正网络模型提出了一种人脸特征矫正模块,为保证充分利用无遮挡区域特征信息,在该模块中的空间分支引入involution算子扩大图像信息交互区域,增强在空间范围内面部特征信息;在通道分支引入坐标注意力机制,捕获跨通道信息以增强特征表示,利于模型准确地定位识别目标区域;将Meta-ACON作为该模块新的动态激活函数,通过动态调整线性或非线性程度以提高模型泛化能力和计算准确度。最后,利用改进的人脸特征矫正网络模型在CASIA-Webface经处理的有无口罩遮挡人脸数据集上进行训练,其在LFW经处理的有无口罩遮挡数据集、Meglass数据集上的测试结果准确率分别达到了82.50%和89.75%,优于现有算法,验证了所提方法的有效性。     

A robust face super-resolution algorithm and its application in low-resolution face recognition system

Multimedia Tools and Applications - In real-world surveillance scenario, the face recognition (FR) systems pose a lot of challenges due to the captured low-resolution (LR) and noisy probe images. A...     

Attention-based convolutional neural network for deep face recognition

Multimedia Tools and Applications - Discriminative feature embedding is of essential importance in the field of large scale face recognition. In this paper, we propose an attention-based...     

Radial basis function neural network-based face recognition using firefly algorithm

This paper presents an adaptive technique for obtaining centers of the hidden layer neurons of radial basis function neural network (RBFNN) for face recognition. The proposed technique uses firefly algorithm to obtain natural sub-clusters of training face images formed due to variations in pose, illumination, expression and occlusion, etc. Movement of fireflies in a hyper-dimensional input space is controlled by tuning the parameter gamma (γ) of firefly algorithm which plays an important role in maintaining the trade-off between effective search space exploration, firefly convergence, overall computational time and the recognition accuracy. The proposed technique is novel as it combines the advantages of evolutionary firefly algorithm and RBFNN in adaptive evolution of number and centers of hidden neurons. The strength of the proposed technique lies in its fast convergence, improved face recognition performance, reduced feature selection overhead and algorithm stability. The proposed technique is validated using benchmark face databases, namely ORL, Yale, AR and LFW. The average face recognition accuracies achieved using proposed algorithm for the above face databases outperform some of the existing techniques in face recognition.

     

改进的模块PCA人脸识别新算法

由于传统的PCA要求训练样本符合高斯分布,而现实中得到的图片往往由于光照、表情、姿态的不同,不符合高斯分布。为了使PCA不再局限于高斯分布,并且不影响其识别率,提出一种改进的模块PCA人脸识别新算法。一方面,新算法采取了分块方式,将具有同一姿态的图片划分进同一矩阵,以使训练样本更接近于高斯分布。另一方面,新算法对传统PCA算法中前三个主分量加小于1的权重系数,可以减少光照变化对识别率的影响。利用分块和权重系数的共同作用使得PCA不再局限于高斯分布,同时提高识别率。最后在ORL人脸库上进行实验,结果表明新算法优于传统的PCA算法。     

改进稀疏表示的维吾尔族人脸识别算法

针对非均匀光照干扰维吾尔族人脸识别效果的问题,通过对传统稀疏表示方法及对维吾尔族人脸图像中存在的复杂光照问题的研究,提出了基于稀疏表示与偏微分方程组合来改善Retinex算法的维吾尔族人脸辨析方法。该方法首先由偏微分方程的方法改善Retinex,可以有效地减少光晕现象在反射系数图中,进而取得原子库在光照不变的情况,然后利用稀疏表示达到维吾尔族人脸在非均匀光照下的识别。通过实验表明,该方法有效提高了稀疏表示方法在处理复杂光照维吾尔族人脸图像时的识别效果,达到了鲁棒性强、识别率高的目标。     

多策略融合的改进萤火虫算法

针对传统萤火虫算法（FA）中存在的易陷入局部最优及收敛速度慢等问题,把莱维飞行和精英参与的交叉算子及精英反向学习机制融入到萤火虫优化算法中,提出了一种多策略融合的改进萤火虫算法——LEEFA。首先,在传统萤火虫算法的基础上引入莱维飞行,从而提升算法的全局搜索能力;其次,提出精英参与的交叉算子以提升算法的收敛速度和精度,并增强算法迭代过程中解的多样性和质量;最后,结合精英反向学习机制进行最优解的搜索,从而提高FA跳出局部最优的能力和收敛性能,并实现对于解搜索空间的迅速勘探。为验证所提出的算法的有效性,在基准测试函数上进行了仿真实验,结果表明相较于粒子群优化（PSO）算法、传统FA、莱维飞行萤火虫算法（LFFA）、基于莱维飞行和变异算子的萤火虫算法（LMFA）和自适应对数螺旋-莱维飞行萤火虫优化算法（ADIFA）等算法,所提算法在收敛速度和精度上均表现得更为优异。     

A novel adaptive crossover bacterial foraging optimization algorithm for linear discriminant analysis based face recognition

This paper presents a modified bacterial foraging optimization algorithm called adaptive crossover bacterial foraging optimization algorithm (ACBFOA), which incorporates adaptive chemotaxis and also inherits the crossover mechanism of genetic algorithm. First part of the research work aims at improvising evaluation of the optimal objective function values. The idea of using adaptive chemotaxis is to make it computationally efficient and crossover technique is to search nearby locations by offspring bacteria. Four different benchmark functions are considered for performance evaluation. The purpose of this research work is also to investigate a face recognition algorithm with improved recognition rate. In this connection, we propose a new algorithm called ACBFO-Fisher. The proposed ACBFOA is used for finding optimal principal components for dimension reduction in linear discriminant analysis (LDA) based face recognition. Three well-known face databases, FERET, YALE and UMIST, are considered for validation. A comparison with the results of earlier methods is presented to reveal the effectiveness of the proposed ACBFO-Fisher algorithm.     

改进的多姿态矫正的人脸识别算法

针对人脸多姿态导致人脸识别率下降这一问题,提出一种改进姿态矫正处理方法,通过改进对人脸特征点的有效定位,来计算人脸姿态旋转的角度,再通过角度和改进姿态矫正方法来矫正非标准姿态人脸到近似标准姿态。由于人脸是不规则的椭球形,提出对人脸三庭五眼的局部区域进行二次矫正方法,再改进SURF算法进行人脸特征点匹配。该方法能够将一定角度范围内的多姿态人脸矫正到近似标准姿态。实验结果表明,该方法能在一定程度上提高多姿态人脸识别率,较经典PCA方法错误率可下降10%左右。     

Newborn face recognition using deep convolutional neural network

Multimedia Tools and Applications - Development of expertise in Face Recognition has led researchers to apply its various techniques for newborn recognition as some of the problems such as...     

基于混合萤火虫算法的RFID网络多目标规划*

针对RFID网络规划问题,综合考虑其整体性能,建立约束多目标优化的网络规划模型;提出混合萤火虫多目标优化算法,在算法中引入新的搜索机制和非支配排序方法,以加强其搜索能力,并更有效逼近Pareto前沿。仿真研究表明,所提算法可以有效提高RFID网络的整体性能,即在保证标签覆盖率的同时,提高网络经济效益,降低阅读器冲突,平衡网络负载,实现对RFID网络的优良规划。     

基于改进的深度神经网络的人体动作识别模型

针对现有人体动作识别方法需输入固定长度的视频段、未充分利用时空信息等问题,提出一种基于时空金字塔和注意力机制相结合的深度神经网络模型,将包含时空金字塔的3D-CNN和添加时空注意力机制的LSTM模型相结合,实现了对视频段的多尺度处理和对动作的复杂时空信息的充分利用。以RGB图像和光流场作为空域和时域的输入,以融合金字塔池化层的运动和外观特征后的融合特征作为融合域的输入,最后采用决策融合策略获得最终动作识别结果。在UCF101和HMDB51数据集上进行实验,分别取得了94.2%和70.5%的识别准确率。实验结果表明,改进的网络模型在基于视频的人体动作识别任务上获得了较高的识别准确率。     

一种基于有向交叉的遗传算法

从解空间的角度分析了交叉算子的作用,针对其盲目搜索的缺陷.提出一种有向交叉遗传算子.该算子通过优化控制交叉子代的落点位置.使交叉子代大概率地朝着最优解的方向进化.实验表明,该算子显著地加快了遗传算法的寻优速度.提高了遗传算法定位最优解的精度.     

改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。     

A hybrid method based on dynamic compensatory fuzzy neural network algorithm for face recognition

Human face recognition skills can make simultaneous use of a variety of information from the face, including information about the age, sex, race, identity, and even current mood of the person. In this paper, a hybrid method combined Eigenface-LDA with Dynamic Compensatory Fuzzy Neural Network (DCFNN) is proposed for face recognition. Eigenfaces-LDA algorithm is used for face image of dimensionality reduction and finding a best subspace for classification, the extracted feature will be considered as the input of DCFNN. An improved Dynamic Fuzzy Neural Network is proposed by combing Dynamic Fuzzy Neural Network and Compensatory Fuzzy Neural Network to solve the problem of feature classification. The proposed method has been tested on ORL and Yale face database; the experimental results show that our method can reduce the dimension of facial features well and recognize faces that under different illumination, pose and expression accurately.