SSPO:一种部分遮挡单样本人脸识别算法

单样本人脸识别问题是一个比较具有挑战性的问题。针对部分遮挡单样本人脸识别困难的问题,本文提出了一种SSPO算法。首先对所有样本进行遮挡,通过MSEP算法进行分块,遮挡识别和剔除。为了对人脸姿势、光照等变化进行识别,我们抽取样本库中邻接块构造一个样本字典,通过类内变化字典预测可能的人脸变化。最小化待测人脸与样本库、变化字典的残差预测样本分类。最后,在AR人脸数据库和Multi-PIE人脸数据库上验证了本算法的有效性。     

基于PCA和神经网络的人脸识别算法研究

在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。     

协同KPCANet模型在人脸识别中的应用

为解决手工提取图像特征过程繁复和参数复杂问题,提出一种基于深度学习的协同KPCANet模型。该算法能够对现场采集到的人脸数据和特征进行提取和分类,通过提取分块直方图特征进行编码协同表示,将测试样本归于残差最小的类中对人脸数据进行识别和运算。实验结果表明,协同KPCANet模型在滤波器数量L1=10时一层卷积层与L2=15时二层卷积层的正确率分别达到99.17%和99.44%。协同KPCANet模型不仅能使运算过程简洁,还能提高识别结果准确度,提升识别效率。     

基于独立特征提取的MPCA方法在人脸识别中的应用

为了弥补传统MPCA（Modular Pfindpl Component Analysis）方法在人脸识别中忽略子图像之间差异的缺陷,本文提出了一种基于独立特征提取的MPCA方法（Modular PCA Basedon Independent Feature,IFMPCA）．首先选取人脸训练样本中具有相似光照、表情和姿态的图像进行分块,然后将训练样本的子图像和测试样本的子图像进行最优投影,得到子特征矩阵．最后,求得样本间的距离,利用最小距离分类器进行样本的分类．在Yale人脸数据库上的实验结果表明：IFMPCA算法在人脸正确识别率方面优于传统PCA算法．     

基于图像分块稀疏表示的人脸识别算法研究

人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等技术共同构成了人脸识别系统,被应用于多个领域的监控、安防措施当中,但由于技术局限,存在一定的缺陷与不足,需要不断补充.就基于图像分块稀疏表示的人脸识别算法展开研究,主要介绍了基于非重叠分块的加权稀疏表示算法、基于低秩分块稀疏表示的人脸识别算法、基于图像重构和哈希的人脸识别算法,并进一步对目前人脸识别系统在安防监控中的应用现状与前景进行了分析.     

IFMPCA方法在人脸识别中的应用

为了弥补传统PCA方法在人脸识别时易受光照、表情和姿态影响的缺陷,提出了一种基于独立特征提取的MPCA方法(ModularPCABasedonIndependentFeature,IFMPCA)。首先,选取人脸训练样本中具有相似光照、表情和姿态的图像进行分块,使各个子模块更接近高斯分布;然后,通过求出子模块图像的散布矩阵和最优投影矩阵得到最优独立特征矩阵;最后,利用最小距离分类器进行样本的分类。在Yale人脸数据库上的实验结果表明,IFMPCA算法在人脸正确识别率方面优于传统PCA算法。     

基于D-LLE算法和图像分块的人脸识别方法

人脸识别是当前计算机视觉领域的一个研究热点,在日常生活中的应用也非常广泛.近年来,流形被认为是视觉感知的基础,利用流形学习算法可以寻找图像的内在特征.文章提出一种基于差异性值监督LLE(D-LLE)算法和图像分块的人脸识别方法,首先对提取的人脸图像进行分块,然后利用D-LLE算法进行人脸子图像集特征提取,最后使用最近邻分类器进行人脸图像识别.通过与现有人脸识别方法进行仿真结果比较,该方法能够取得较好的识别效果.     

一种改进的彩色人脸鉴别特征抽取方法及自动识别

针对传统的线性分析方法中都需要的平均样本的共性,提出了基于中间样本的人脸识别．这种方法有效去除了干扰样本对平均样本的影响,并结合彩色人脸识别,提出了基于中间样本的彩色人脸鉴别特征抽取及自动识别方法．最后,在国际通用的AR标准彩色人脸库中进行了大量实验,验证了算法的有效性．     

区域块SFIT-MTLBP人脸识别研究

在少量样本情况下,为了解决传统LBP算法对人脸特征提取分类鲁棒性不强问题,提高人脸特征选取的泛化能力,提出一种在人脸面部区域基于SIFT特征点检测的MTLBP人脸识别算法。从人脸五官区域选取尺度不变的关键点,并在其邻域选取MTLBP纹理特征,结合SIFT描述算子和MTLBP特征直方图形成一系列特征,对该人脸特征空间向量进行分类识别。在相同的少量训练样本下,该算法与原始LBP算法及其它改进型LBP算法相比,识别率提高了20%左右。     

一个新的基于最近邻分类的人脸识别类器

在人脸识别技术中,传统的最近邻分类器(NNC)是最重要的分类器之一,它直接利用测试样本与有训练样本的最小距离进行分类.文章在最近邻分类基础上提出了一个基于最近邻分类人脸识别分类器,利用同一类训练样本的线性组合来表示测度样本,通过计算测试样本到同类训练样本与对应系数乘积的距离进行分类.试验样本来自ORL人脸数据库,试验结果表明文章方案的识别效果优于传统的NNC分类器及其扩展方案CNNC.     

一种用于图像识别的稀疏增强概率协同表示分类算法

稀疏表示分类方法在图像遮蔽、弱光等情况下具有良好的应用及识别效果,但在测试样本少的环境下仍具有一定局限.将稀疏表示分类算法联合概率协同表示分类算法,以稀疏表示系数增强概率系统表示分类算法的表示系数,采用FERET、Multi-PIE与FRGC人脸数据库进行实验测试.结果显示,稀疏增强概率协同表示分类算法能够显著提升人脸...     

基于改进PCA算法的人脸识别

由于经典的PCA算法要求样本满足高斯分布,然而现实中的样本往往因为表情、角度、光照等原因不满足高斯分布,导致算法识别率不高。因此,提出一种基于改进PCA算法的人脸识别方法。首先,将具有相似特征（表情、角度、亮度）的不同样本通过分块方式划分在一个矩阵中,使样本趋于高斯分布|其次,通过直方图均衡化样本的方法,加强样本对比度,以突出样本的人脸器官特征|最后采用经典PCA算法进行辨识。通过在ORL人脸库上的实验得出,该方法不但耗费总时间少于经典的PCA算法,而且识别率也得到提升,具有一定可行性。     

基于深度神经网络与MPI并行计算的人脸识别算法研究

针对实际环境中干扰因素多和计算量大,导致人脸识别准确度下降和系统算力不足的问题,提出了一种基于深度神经网络与MPI并行计算的人脸识别算法.首先,分析深度神经网络模型,设计关键训练步骤,同时收集各类人脸图像,建立训练样本库.然后,结合深度神经网络模型,对样本库数据进行训练,生成识别框架,并借助TensorFlow开源模型与Python来实现算法,进而达到识别人脸的目的.最后,基于MPI并行计算技术,搭建高性能并行计算平台,对所提算法进行分段优化与集成,实现识别系统的高速计算效率.实验测试结果显示:与已有的相关识别技术相比,所提算法具有更高的人脸识别准确度与抗干扰能力,从而可为高端智能监控系统提供技术基础.     

基于主成分分析的特征脸提取及人脸识别实现

基于主成分分析的方法,对OLR人脸图像样本库做特征脸提取,然后作人脸识别。依据SVD定理及其推论,使得计算特征值和特征向量在计算机上实现成为可能。从而使得提取的特征脸组成的特征空间从原来的高维空间降到了低维空间,这为后续的人脸识别研究打下了基础。     

核向量机在人脸识别中的应用研究

提出了一种基于核向量机的人脸识别方法。首先介绍了人脸识别的整个过程,然后着重介绍核向量机的算法以及采用它进行人脸的分类识别。最后在扩展的MIT人脸数据集中对该算法进行测试,验证了该算法在处理大样本数据集时是一个较好的选择。     

基于PCA算法的摄像头人脸识别研究

研究一种基于摄像头的快速人脸识别方法,具体步骤为:利用摄像头捕捉人脸图像,采用图像处理算法从所抓取的图像中提取能代表人脸的特征信息;然后对这些信息进行分析和处理利用主成分分析算法对人脸进行识别;最后采用VC++程序语言开发了基于摄像头的人脸识别系统。实验结果表明,该系统具有采集速度快,易读性和可移植性强的特点,并且具有很强的实用性。     

部分卷积耦合双通道网络的低分辨率人脸识别

在实际应用场景中所采集的人脸图像通常分辨率都很低,导致许多经典的人脸识别算法无法对低分辨率人脸进行准确识别.针对该问题,本文提出了一种部分卷积耦合的双通道网络,该网络中将高分辨率(High Resolution, HR)通道和低分辨率(Low Resolution, LR)通道中的卷积核进行部分耦合,使得LR通道能够从耦合的卷积核中学习到HR通道中的高分辨率参数,从而达到提高LR通道对LR样本的特征提取能力.为进一步提高样本分类的准确率,在双通道网络末端引入一个空间金字塔池化层(Spatial Pyramid Pooling, SPP),使用SPP层能够将HR样本与LR样本投影到一个共同的特征空间中.最后使用LFW人脸库对算法的有效性进行测试,实验结果表明,本文所提算法能够对LR人脸图像进行准确识别.     

基于局部稀疏表示的目标跟踪算法

目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高,但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征,而忽略了目标局部特征的变化情况。为了解决该问题,提出基于目标外观局部稀疏表示的跟踪算法。首先,对待选样本进行分块,然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差,最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明,该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。     

彩色人脸鉴别特征抽取及识别

目前存在的彩色人脸识别方法大多是将彩色图像转换为灰度图像后,采用基于灰度图像的特征抽取与识别算法进行分类识别.本文根据彩色人脸图像的构成特点,对彩色人脸图像的R、G、B三个分量色彩信息进行特征抽取与分析,进而找出适合对彩色人脸图像进行自动识别的鉴别特征.最后,在国际通用的AR标准彩色人脸库中进行了大量实验,验证了本文算法的有效性.     

基于矩－傅里叶描述子的不同姿态三维人脸识别

三维人脸相比二维人脸包含更丰富的信息,而且能够克服姿态,表情,光照因素的影响,更好地表示人脸特征,从而逐渐受到广泛的关注和重视。文中对不同姿态下的三维人脸深度图,先用微分几何相关知识把该图校正到正中面,然后通过提取人脸面部的等高线特征,将三维人脸变成容易处理的二维曲线,针对如何能够更好的描述该二维曲线,提出了一种把矩和傅里叶描述子相结合的新方法,最后利用提取的曲线特征进行人脸识别。实验结果表明,该方法具有很好的实时性和更强大的形状区分能力,鲁棒性高,优于传统傅里叶描述子提取等高线特征的方法。