单训练样本人脸识别技术综述

对近年来国内外出现的单样本人脸识别技术和方法进行简单介绍和系统分类,分析各种方法的优缺点.阐明单样本人脸识别技术所面临的挑战,并对未来单样本人脸识别技术的发展方向进行展望.     

基于trace变换特征的单训练样本人脸识别算法

提出了基于trace变换不变性特征的人脸识别算法,提高了单训练样本下姿势和表情变化后的识别率。应用一阶Scharr算子、二阶尺度适应的高斯型拉普拉斯算子（LOG）和Harris滤波器定位特征点,选择合适的泛函在特征点的邻域内进行trace变换得到具旋转和尺度不变性的特征描述子。根据特征描述子的特征向量和坐标值实现由粗到精的匹配,整个过程不涉及参数选择问题,保证了算法的稳定性。实验结果证明该算法降低了姿势和表情变化时识别率低的影响,并减少了算法运行时间。     

基于虚拟信息的单样本分块人脸识别

在单样本人脸识别中,由于训练样本的数量受限,充分利用样本的信息就显得十分重要;针对这种情况,通过采用旋转和反转原始图像的方法增加样本信息,提出了基于虚拟信息的单样本分块人脸识别方法,充分利用了样本的整体信息和局部信息。实验表明,在对人脸图像进行识别时取得了较好的效果,在一定程度上克服了单样本下姿态对识别效果的强烈影响。     

基于图像分块的LDA人脸识别

设计了一种基于图像分块的LDA(linear discriminant analysis)人脸识别方法,该方法从模式的原始数字图像出发,先对图像矩阵进行分块,然后对分块子图像进行LDA特征提取,从而得到能代替原始模式的低维新模式,最后再用最小距离分类器进行分类.该方法克服了传统LDA方法的缺点,其优点是能有效地提取图像的局部特征.实验表明:该方法在识别性能上优于Fisheffaces方法.     

基于虚拟信息的单样本分块人脸识别方法

在单样本人脸识别中,由于训练样本的数量受限,充分利用样本的信息就显得十分重要.针对这种情况,通过增加样本虚拟信息,提出了基于虚拟信息的单样本分块人脸识别方法,充分利用了样本的整体信息和局部信息.实验表明,在对人脸图像进行识别时取得了较好的效果,在一定程度上提高了对姿态变化及不精确人脸规范化的适应能力.     

基于分块独立分量分析的人脸识别

提出了一种基于分块独立分量分析(BICA)的特征提取方法。该方法通过将人脸分块降低了光照条件、人脸表情等外在因素对人脸识别的影响,并先后将分块后重组的矩阵的行和列作为训练样本提取独立分量,由于训练样本维数很小,因此它降低了传统独立分量分析（ICA）方法中存在的高维小样本问题产生的识别错误率,同时减少了识别时间。在Yale人脸库和AR人脸库上验证了该算法的有效性。     

分块LBP的素描人脸识别

目的 素描人脸识别属于异质人脸识别范畴,是刑侦领域的研究热点.根据素描人脸识别的特点,采用分块局部二值模式(LBP)特征,并用AdaBoost算法提取能有效鉴别素描人脸图像和可见光人脸图像对应关系的特征块.方法 对素描图像和可见光图像配准后,进行分块处理,计算每块的LBP直方图,将LBP直方图作为AdaBoost待选择特征.计算素描图像子块与可见光图像子块之间的Log概率统计,利用AdaBoost算法进行特征提取,逐步挑选能有效识别的特征子块,并把这些优选特征子块用于未知素描人脸识别.结果 利用现有的素描人脸库,分别进行非交叉和交叉实验验证,识别率分别达到99％以及100％,证明了本文算法的有效性.结论 该算法经优化后,可用于素描人脸识别.     

基于分块Gabor特征的贝叶斯人脸识别

对贝叶斯分类中最大似然（ML）公式进行了简化,给出了一种实用的快速计算相似度的方法,在此基础上设计了基于分块Gabor特征提取的贝叶斯人脸识别算法。该算法从原始数字图像出发,先对图像矩阵进行分块,然后对分块子图像进行多分辨率的Gabor特征提取,对每一个特征块设计一个贝叶斯分类器,通过将这些分类器加权平均,得到最后的决策。在FERET人脸数据库的实验结果验证了该方法的有效性。     

K邻域分块自动加权的单样本人脸识别算法

在人脸识别问题中,当每类训练样本有且仅有一个时,由于类内缺乏足够的特征变化信息来预测人脸复杂的特征变化,从而导致常用分类算法的识别准确率急剧下降。目前最好的解决方法大致可分为两类:一是生成虚拟的训练样本以扩大训练集;二是学习稀疏变化字典以表示复杂特征变化。针对此问题,在引入稀疏变化字典来表示人脸复杂特征变化的基础上,提出一种基于K邻域分块自动加权的单样本识别算法。通过对测试样本进行分块,然后对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;同时提出了一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。通过与已有的单样本识别算法进行比较,并在公共人脸数据库AR、CMU Multi-PIE和ORL上进行实验,结果表明该方法有助于提高单样本识别问题的分类准确率。     

基于PCA和LCN单样本光照不变人脸识别研究

传统的基于PCA(Principal Component Analysis)和局部对比度正则化的单样本光照不变人脸识别,使用直方图均衡化和局部对比度正则化削弱不均匀光照的影响,使用马氏距离度量数据间的距离,使用均值滤波器计算图像各像素邻域的期望。在PIE(Pose Illumination Expression)和Extended Yale B人脸数据库上,随机抽取单训练样本评估多种光照预处理方法、距离度量和两种计算像素邻域期望的方法。实验结果表明,使用局部和全局对比度正则化进行光照预处理,距离度量使用简化的马氏距离,使用二维高斯滤波器计算像素邻域的期望可以达到最好的识别效果。     

基于两级DCT和正交投影的单样本人脸识别

针对单样本人脸识别率低的问题,提出基于人脸单样本图像生成相应的多姿态虚拟人脸样本图像的方法,并利用DCT和正交投影相结合的方法进行更快速的识别。实验表明,应用线性物体类理论和改进的特征脸方法相结合生成多姿态人脸图像,并在此基础上进行人脸识别比使用单样本和一次DCT进行识别,识别率得到很大的提高。     

基于改进LBP的单样本人脸识别算法

针对人脸识别难题,提出一种基于改进LBP(Local Binary Patterns)算子的单样本人脸识别算法。采用Bernser算法与LBP算子结合的BLBP算子,最后利用Chi平方统计方法计算直方图的相似度。在识别时,采用的是核实式的一对一匹配,根据训练的阈值,判断两张比对的人脸图像是否为同一个人。所提出的算法在实际人脸图像和FERRET人脸数据库下的人脸识别中,与原LBP算法相比识别率有所提高。实验结果表明,改进后的LBP算子有较好的去噪能力,在实际的人脸识别中能获得更好的识别率。     

基于改进混沌遗传算法的人脸特征选择

针对如何选定PCA特征空间维数的问题,提出了一种基于改进混沌遗传算法的特征选择方法.改进的混沌遗传算法采用两种不同规则的混沌映射,维持了种群的多样性,增强了算法的全局搜索能力.利用改进的混沌遗传算法对PCA变换后的特征向量进行选择,可以快速搜索到最有利于分类的特征子空间.仿真实验表明,该方法不但降低了特征空间的维数,而且获得了比采用其它方法更好的识别性能.     

小样本条件下基于随机森林和Haar特征的多姿态人脸识别

针对小样本环境下存在人脸姿态、表情变化等干扰时的人脸识别问题,提出利用基于Haar特征的随机森林分类器完成对注册样本和待识别人脸图像的关键点自适应定位,再以SURF(Speed-Up Robust Features)特征的欧氏距离决策得出初匹配和再匹配关键点,完成人脸识别,解决在小样本环境下识别多姿态人脸图像的问题。实验结果证明,该方法在表情、姿态变化等干扰情况下能有效提高小样本人脸识别的识别率。     

基于奇异值特征的图像预处理及人脸识别

从增强图像的分类信息角度出发,对人脸图像做频域上的带通滤波预处理,来 提高奇异值特征的分类性能．给出了一组圆形滤波函数,并使用遗传算法来选择可分性较大 的频段,设计了染色体的表示方式和适应度的求法．实验证明预处理后奇异值特征的分类效 果比处理前有较明显的提高．     

基于改进的WLD特征的人脸识别

对WLD特征进行改进。改进的特征提取方法为:首先将原始人脸图像划分为若干个子块,然后提取每块图像的WLD直方图统计特征,其中的梯度方向是用Prewitt算子计算的,最后将所有分块的WLD直方图序列连接起来构成特征向量。为了验证改进特征的性能,用支持向量机进行人脸识别,人脸图像取自ORL和YALE人脸数据库。实验结果表明,采用改进后的特征可以显著提高人脸识别率。     

FLDA在单样本人脸识别中的应用研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出一种基于通用框架学习的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用FLDA方法进行特征抽取,将所有样本投影到特征子空间,再利用最近邻方法完成人脸识别,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。     

二进制特征与联合层叠结构的人脸识别研究

针对人脸识别阶段计算时间长的问题,提出一种基于二进制特征与联合层叠结构的人脸识别方法。在卷积神经网络中构建哈希层,将哈希层得到的编码作为分类器输入,同时加入Softmax分类损失函数和哈希损失函数作为优化目标之一;在学习特征表示的同时,学习它对应的哈希函数,使得提取到的特征从浮点型转换为二进制的特征,并使哈希函数满足独立性和量化误差最小的约束;针对哈希算法精度轻微下降的问题,通过联合级联结构将深度特征变换与深度二进制人脸哈希相结合,通过多种特征与多种度量的多次选择,最终匹配出最佳的目标作为结果。经实验验证,该算法在保证识别率的情况下,能缩短计算时间。     

基于多域特征提取和决策层融合的人脸识别

为了提取人脸图像丰富、有效的互补特征集,建立三种基于空域、频域和u域(分数阶傅立叶域)的特征提取模型,分别为基于局部二元模式(LBP)的空域多分辨率特征提取模型与基于频域和u域混合特征提取模型。在决策层,用加权和的方法对三种模型得到的相识度矩阵进行融合得到总的相识度矩阵,用最近邻分类器进行分类得到识别结果。实验表明,该方法能提取出丰富、有效的判别特征,与基于单一特征形式的人脸识别方法相比,识别效果得到了较高的改善。