三维人脸深度图的流形学习-LOGMAP识别方法

人脸识别是生物特征识别技术最友好的身份识别方式,而三维人脸识别由于可解决二维人脸识别中存在的光照、姿态等局限,成为人脸识别的研究热点,但其特征维数过高是该领域的瓶颈,而维数约减是解决这一问题的关键。流形学习是一类非线性维数约减算法,LOGMAP是一种基于黎曼法坐标的流形学习算法,该算法可以在保持度量信息不变的情况下,把高维空间的数据映射到低维空间。构建了基于流形学习的三维人脸识别框架,并结合LOGMAP进行三维人脸深度图的识别。实验结果表明,该方法在三维深度图上可以得到良好的识别效果。

基于Gabor特征核协作表达的三维人脸识别

为了克服三维人脸识别中光照、表情、姿态等变化带来的识别困难,本文提出了基于Gabor特征的核协作表达三维人脸识别算法.协作表达分类算法利用相似人脸数据共同协作表示测试人脸,通过2范数求解稀疏系数,根据重构误差将测试人脸正确归类.该方法通过Gabor滤波器提取三维人脸深度图的40个不同尺度和方向的Gabor特征,然后选择合适核函数将其映射到高维核空间进行非线性降维和特征选取,最后结合协作表达分类算法完成三维人脸的识别.Kinect人脸库和Texas三维人脸库实验表明,该方法能在较少训练样本的情况下取得足够好的识别效果.

基于多角度LBP特征的三维人脸性别分类

人脸性别分类是一个富有挑战的研究方向,目前的研究尚不完善.本文提出一种三维人脸的性别分类方法,首先对数据集进行局部区域最近邻点迭代算法(Iterative closest point,ICP)匹配,自动实现人脸正向姿态校正;对数据集人脸统一做俯仰角度的旋转,从不同视角上提取基于深度缩略图的多角度LBP(Local binary patterns)特征;再由支持向量机(Support vector machine,SVM)分类器完成训练分类.该方法在CASIA数据库上实验,对全库中性表情人脸进行性别分类,可以得到最高98.374%的正确率.