计算机人脸识别技术综述

概述了计算机人脸识别技术的历史及发展现状,讨论了在计算机人脸识别领域占有主流地位的Eigen脸方法(主元素分析方法)、最佳鉴别矢量集法(基于Fisher线性判别准则方法和基于Foley-Sammon变换方法)、Bayesian脸方法、基于傅里叶不变特征法和弹性图匹配法。指出了各个研究方向人脸识别方法, 给出了计算机人脸识别性能评价指标,包括识别率、计算时间、数据存储量和可扩展性等。根据这些性能评价指标,对当前的各种计算机人脸识别技术进行分析评价。讨论结果表明,基于Fisher线性判别准则的最佳鉴别矢量集法,Bayesian脸方法和基于傅里叶不变特征法都有较好的性能,具有一定的应用前景.

基于头发信息的性别分类

性别分类是指根据人脸部分的图像判别其性别的模式识别问题。探讨使用头发信息作为特征进行基于人脸图像的性别分类,提出了一种检测正面人脸图像中头发区域的方法,定义了6种头发特征并且提出了相应的特征提取方法。通过在两个人脸库上的对比实验,发现相对于特征脸(PCA)、Fisher脸(LDA)仅仅作用于人脸内部的特征提取方法,使用头发作为特征能使性别分类的平均准确率提高2.7%～8.2%。该实验结果说明了头发特征对于性别分类的重要性。

基于特征脸和支持向量机的人脸识别技术研究

在人脸检测的基础上,针对人脸识别问题,将特征脸理论和支持向量机相结合,把待识别样本投影到由特征脸张成的特征空间,从而提取出有效的可供识别特征,再将提取的特征送入支持向量机训练、分类,最终实现识别算法.该算法充分利用了主分量分析法在特征提取方面的有效性以及支持向量机在处理小样本问题和泛化能力强等方面的优势,使得算法具有较高的识别率.最后在设计的软件平台上进行了仿真,仿真结果表明,该系统可以运用在小型人脸识别的场合.

基于差分图像和PCA主元分析的人脸检测

提出了一种基于差分图像和PCA(principle component analysis)主元分析的人脸检测算法,先对Anil K.Jain的Cb、Cr椭圆聚类方法给予改进,用改进的算法进行肤色提取,通过对肤色区域的分析,得到人脸候选区域,然后在这些可能的区域中运用特征脸进行细致的匹配,找出人脸的准确位置,然后利用马赛克模板排除虚假人脸。考虑到图像像素间的相关性,人脸特征提取同时对原始图像和其水平方向及垂直方向的差分图像进行PCA分析,从而提高了人脸检测的稳定性。

复杂背景下的人脸检测与跟踪系统

在复杂背景下进行人脸检测与跟踪是多功能感知的重要交互通道．文中设计并实现了一种基于特征子脸（ｅｉｇｅｎ－ｓｕｂｆａｃｅ）的人脸检测与跟踪系统．首先利用模板匹配的方法进行粗检测，设计了一种基于灰度分布的人脸模板，并在此基础上收集有效的反例样本集（非人脸样本集）．提出了特征子脸的概念，设计了有效的人脸器官空间基底，并给出了详细的求解方法及检测与跟踪策略．测试结果表明，本系统可以在任意背景下进行令人满意的人脸检测与跟踪．

利用慢度曲面及偏振态研究晶体的铁弹相变

利用晶体中弹性波的微分方程,求解出慢度曲面极大值的方向,从而确定其软模及偏振态,根据居里原理来确定晶体铁弹相变前后结构对称性。可根据弹性系数随温度的变化规律找出相变温度。得到的结果与实验相吻合。

PCA算法在人脸识别中的应用研究

特征脸方法是从主成分分析导出的一种人脸识别技术。本文首先介绍K-L变换和PCA的原理,然后描述特征脸的方法的流程及分类判别方法,最后介绍了提高PCA算法效率的分组PCA算法。这些算法为结合支持向量机进行人脸识别提供了依据。

特征子空间规整化的人脸图像超分辨率重建

传统的图像超分辨率(SR)方法中的规整化技术一般用于保持求解过程的数值稳定性以及提供解的平滑性约束,但并不能确保高质量的重建结果.将人脸图像块看作一些特定信号类,利用主成分分析计算训练人脸图像块的特征子空间;并将传统的"重建约束"与人脸图像块的"正交补特征子空间约束"统一在贝叶斯框架下,提出一种人脸图像SR的规整化方法.不局限于以往SR方法中普遍假定的纯平移运动模型的限制,在仿射变换运动模型下提出了3种图像配准与超分辨率重建的联合迭代求解算法.最后通过仿真结果证实了文中方法的有效性.

一种视频人脸跟踪算法

介绍了一种简单、鲁棒、快速的实时视频人脸对象跟踪算法.在使用贝叶斯肤色分类器分割出椭圆候选人脸区域的基础上,采用人眼谷极点生成人脸假设和特征脸人脸验证方法得到参数化的人脸椭圆区,并使用2个正交的边缘梯度跟踪模型和椭圆内部肤色像素统计直方图跟踪模型跟踪人脸.本算法较好地解决了跟踪的连续性、实时性、精确度和鲁棒性间的矛盾.实验证明:本算法能够实时跟踪多个人脸.

基于特征加权模块双方向二维主成分分析的人脸识别

对模块双方向二维主成分分析(Two-directional two-dimensional principal component analysis,(2D)2PCA)人脸识别算法进行了改进,提出了基于特征加权模块(2D)2PCA的人脸识别算法。首先对图像进行分块及(2D)2PCA特征提取。然后依据每一子图像块的特征对识别的贡献程度分配特征权重。最后对测试样本采用加权距离进行最近邻分类。该算法无需任何先验知识,依据子图像块在特征空间中的信息比重确定其贡献程度,从而实现自适应权重分配。试验结果表明:本文算法能够有效地提高人脸识别的正确率。

优化线性辨别分析在人脸识别中的应用(英文)

国内外学者研究发现,类间方差最大化的方向与类内方差最大化的方向之间的角度对传统的线性辨别分析方法的准确性影响显著,并且,当这两个方向平行的时候,传统的线性方法往往不能得到很好的结果。经过的研究和实验,发现传统线性方法的准确性与类间方差和类内方差之间的角度没有直接的决定关系,它的最大问题在于线性地对类间方差和类内方差的加和不能完全保留类别之间的辨别信息。提出了一种优化的线性辨别分析的方法(OLDA)来解决这个问题。首先,引入了辨别能量的概念,能够给任意两个类之间的辨别信息赋予同样的权重;其次,引入了一种梯度下降的算法来计算最终的判别向量,并且加速迭代算子的引入能够更加有效地解决运算复杂度的问题。最后,为了解决非线性问题,预先的聚类算法能够将非线性问题转化成为线性问题,从而使数据集能够被有效地分辨出来。采用了一个人脸数据集和一个虚拟数据集进行了实现,实验结果表明提出的优化辨别分析的方法能够有效地解决数据集的分类问题。

一种快速、鲁棒的人脸检测方法

根据特征脸思想 ,提出了一种新的基于特征肤色的人脸检测方法。首先从RGB彩色空间转换到HSI彩色空间中 ,然后训练肤色点样本集得到特征肤色 ,最后在特征肤色构成的肤色空间中检测人脸。实验表明 ,该方法是快速的、鲁棒的。

基于偏最小二乘的人脸超分辨率重构

提出了一种基于偏最小二乘(PLS)的超分辨率重构方法用于快速恢复高分辨率人脸图像.该算法利用主成分分析(PCA)方法将所有高、低分辨率人脸图像投影到各自的特征子空间中,通过PLS对高、低分辨率投影变量之间的统计关系进行回归建模.当输入的低分辨率人脸图像给定时,对应的高分辨率人脸图像可以由训练后的回归模型导出.实验结果表明,在离线训练的情况下,所提出的算法可以快速地给出令人满意的重构解.

基于PCA与MLP感知器的人脸图像辨识技术

单纯PCA的人脸辨识对未训练样本感知力低的缺点会造成识别率降低。基于PCA与MLP感知器的人脸图像辨识技术是针对该情况提出的,在PCA提取有强特征性的人脸图像后,在辨识精度不变的情况下,利用MLP感知器对简化的特征属性进行训练,加强监督式规则提取,从而提高识别率。

基于小波低频子带的奇异值分解的图像识别

提出一种基于小波低频子带的统一特征空间奇异值分解的人脸识别方法.首先利用小波变换提取人脸图像的低频子带,然后作傅立叶变换,获得低频子带的频谱;将低频子带的频谱投影到标准脸奇异值分解的统一特征空间,投影系数作为人脸识别特征;采用L_1距离进行最小距离分类,实验结果表明,该方法比统一特征空间奇异值分解方法可获得更高的识别率.

基于动态优化PCA人脸识别算法的实现

提出一种人脸识别动态优化PCA算法。采用ORL人脸数据库,对数据库中图像进行放缩归一化操作并按升序或降序排列。然后,将数据库分为最大值类、中值类、最小值类三个部分,求其各类平均值,特征值个数选取9和10,实现人脸识别和重建。随机采样人脸图像,采用DCT算法将其转换到频域进行分析,通过比较整个数据库平均脸与三类中各自平均脸,算法运行后,特征值个数可以实现自动优化。实验结果显示,该算法在一定程度上可用来对传统PCA算法部分关键参数进行优化。

人脸识别方法综述

首先对人脸识别技术的概念、研究内容进行了简单回顾,并介绍了人脸识别技术在国内外的应用状况;然后对一系列人脸识别方法进行了综合性描述,并对其中一些经典的流行的方法进行了比较详细的阐述。

基于加权小波变换和FLD的表情特征提取

为了解决表情特征变化引起的人脸识别率降低问题,设计了一种人脸表情特征提取方法。首先对人脸图像进行小波变换,将四个小波子带进行加权融合,接着采用主成分分析法(principal component analysis,PCA)将融合后的图像映射到低维空间,最后使用线性判别分析法(Fisher Linear Discriminant,FLD)方法进行表情特征提取,仿真实验表明,该方法能有效克服表情姿势变化对人脸识别的影响,提高了人脸识别率和识别速度。

基于结构光三维重建的头部姿态估计算法

头部姿态估计广泛应用于多个领域,大多基于二维图像,而三维(3D)头部姿态估计与人脸三维重建结合的相关研究较少。利用重建的头部三维信息,可以为估计头部姿态提供更多有效的数据信息,能大大提高头部姿态估计的精确度和准确度。因此,将基于结构光三维重建和3D头部姿态估计相结合,重建人脸三维形貌并实现3D点云可视化。同时提出一种3D头部姿态估计算法,搜索鼻尖和鼻梁,建立空间直角坐标系和人脸本征坐标系,利用人脸的垂直对称性估计头部姿态欧拉角。利用模特人头进行实验,基于结构光三维重建的3D头部姿态估计算法的欧拉角在-25°~25°范围内均可测量,绝对误差的平均值和标准差均小于1°,测量平均值与真实值的线性相关度达99.8%。与基于二维图像的头部姿态估计相比,本文算法具有更高的准确度和鲁棒性。

目标检测在高校考勤管理中的应用

在信息化时代,针对考勤趋向于非接触式方向发展,采用经典目标检测方法,完成人脸特征提取和目标检测,最终达到考勤的目的。本目标检测的高校考勤管理系统对输入图像进行去噪,然后提取特征脸向量,继而对已知类别人脸数据使用特征脸向量完成人脸的信息化构建。之后采用相似度度量的方式,度量特征脸向量的相似度,以达到人脸识别的目的。整体采用C/S架构,核心模块采用动态编程语言Python,界面采用跨平台Java swing,实现了以考勤管理为核心的具有高校考勤、监督、提醒等功能的考勤系统。经测试运行,该系统具有硬件依赖度低,界面渲染延时短,运行稳定等特点。