创建中国人三维人脸库关键技术研究

通过CyberWare人脸专用扫描仪获取高分辨率的彩色三维人脸来构建中国人三维人脸数据库.创建三维人脸数据库时,要对原始三维人脸数据进行预处理,并通过规格化将三维人脸表示为统一的标准形式.规格化的关键是要建立三维人脸数据基于特征的稠密对应,这是图形学和计算机视觉中的难点问题,目前使用光流方法建立的对应效果并不理想,因此提出了基于网格重采样的计算方法,取得了良好的对应效果.

大型人脸库上基于局部二元模式直方图映射的快速识别

传统的基于局部二元模式(LBP)的人脸识别方法采用卡方统计度量LBP直方图间的差异,由于卡方统计度量的复杂性以及是在高维空间进行判别,此方法在大型人脸库上的识别速度低,为此提出一种LBP直方图映射(LBPHP)方法.将LBP直方图映射到保局投影(LPP)空间获取低维LBPHP特征,当判别新样本时只须比较新样本与训练样本的LBPHP特征,识别过程简单且在低维空间进行,识别速度很快.鉴于LPP强大的鉴别特性,此方法的识别率很高.在2个知名人脸库上对LBPHP方法进行实验验证,结果表明,相比于传统识别方法,LBPHP的识别速度快,尤其在大型人脸库上优势更加明显,适于在此类人脸库上的实际应用如身份认证等.

大型中国人人脸库(LCFD)

为了检验面像检测和识别算法的优劣,需要有大量的人脸样本。文中设计了一个人脸自动采集系统,构造了大型中国人人脸库(LargeChineseFaceDatabase,LCFD),它包含9486个中国人的人脸,采集时每个人具有10种典型的光线变化、13种拍摄角度、4种可变表情,每人至少130张照片,充分考虑了研究用途和实际应用场合。文中介绍了LCFD的采集系统,描述了人脸采集模型、方法、安装位置以及数据的组织。最后给出了样本人脸。

支持多场景的校园人脸库平台系统设计

本文阐述了校园人脸库平台的主要功能,实现对全校人员人脸照片数据统一采集、统一标准、统一建库、统一管理。通过接口提供人脸比对能力,按需将人脸数据下发至各个应用场景,为宿舍考勤、会议签到、迎新管理、门禁等各业务系统提供人脸对比赋能,提供公共AI能力支撑。人脸库平台以人脸作为身份核心标识,为全校师生提供校园管理服务,提升服务体验。

基于网格技术的大型人脸库人脸识别系统设计

以人脸识别为主线,对于人脸识别所面临的两大关键技术问题,提出了通过网格技术与人脸识别相结合的解决方案,并介绍了一种基于网格的大型人脸库人脸识别系统的总体设计思路和框架。

考虑光照鲁棒性的超分辨率人脸识别系统设计

为保障不同光照下低分辨率人脸的超分辨率识别精度与效率,设计了考虑光照鲁棒性的超分辨率人脸识别系统。通过包含DSP单元与ARM单元的控制器模块,驱动人脸视频采集模块。采集不同复杂光照的人脸视频信息并解析成视频帧后,预估视频帧序列的位移情况,恢复视频帧序列的超分辨率,融合超分辨率视频帧构成人脸图像样本。利用人脸特征提取模块补偿全部人脸图像样本复杂光照,并提取其LBP特征构成人脸库。通过人脸识别模块匹配人脸图像的LBP特征与人脸库,识别出超分辨率人脸图像。结果表明,该系统的光照鲁棒性人脸图像采集与人脸图像LBP特征提取两部分的实现效果均较好。可有效识别出背光、强光及弱光下的超分辨率人脸,识别效率较高,识别成功率能够达到96.7%,为光照鲁棒性人脸识别提供保障。

遮挡人脸正面图像库的自动生成

深度学习是实现人工智能的有效方法。对于深度学习,训练数据集对其性能有着至关重要的影响。在用深度学习进行遮挡人脸检测时,目前可用的遮挡人脸数据集并不多,为解决这个问题,提出一种自动构建正面遮挡人脸库的方法。该方法首先采用OpenCV级联分类器检测人眼和嘴巴,再根据人脸的生理特征中人眼、嘴与人脸的关系进行人脸定位,最后根据定位参数把人脸抠取下来并保存到指定文件夹。不管人脸的上半脸受遮挡还是下半脸受遮挡,该方法都能够有效地把遮挡的人脸抠取出来。作为验证,采用该方法构建了一个含12 893张遮挡人脸正样本的遮挡人脸库。

高精度三维人脸图像数据库

3D人脸图像数据库广泛应用于计算机视觉、动画绘图设计、医学等很多领域。在法庭科学领域,采集三维人脸图像并建立数据库,可进行人像特征分类、统计人像特征的分布以及训练人像模型,这些分析是人像比对和识别的基础。与传统的二维数据库相比,三维(3D)人脸图像库能够提供更多信息,例如,三维人脸图像的空间结构和形状包含多视角轮廓。3D人脸图像采集方法包含多视角几何信息的方法、结构光的方法和3D扫描仪的方法,这些方法有不同的采集设备和环境。国内外已经建立了几个有代表性的3D人脸图像数据库,例如MPI实验室的MPI和BJUT的BJUT-3D,但这些库在分辨率和精度方面尚有不足。本文首先回顾了MPI、BJUT-3D数据库和它们的采集环境,然后对建立中国人的高精度3D人脸图像数据库进行探索研究。用彩色手持三维扫描仪(Artec Spider)采集了1100个3D人脸图像,这些图像包含彩色纹理和深度信息(几何形状和点云),每个人脸图像的几何形状的采样点数目超过2000万,三角面片数目超过4000万。与BJUT-3D人脸数据库在人脸形状、分辨率和纹理等方面的比较结果显示,本研究采集的人脸图像有更高的精度,在嘴巴、鼻子、眼睛等方面比其他数据库中的人脸图像显示了更多的细节。建立的数据库将会支持在3D人像识别和算法评估方面的进一步工作。

基于样本库的人脸图像处理方法

本文给出了一种基于样本库的人脸图像超分辨率方法,这一方法结合了人脸图像全局相似性和局部特征相似性的约束.局部结构的相似性将超分辨率解约束到人脸局部结构空间,不同尺度上的局部相似性指导搜索最优解,然后将局部结构重建的人脸图像投影到由人脸图像确定的特征人脸空间.实验结果表明该算法得到的人脸具有很好的准确性和视觉效果.

有关密集人群人脸检测的若干思考

现阶段,人脸检测作为人脸识别的重要部分已日益成为一项专门的研究课题,逐步被业界所重视。安防监控的核心即为人脸图像识别,其特点是可以在密集人群中检测出人脸图像。如今,在密集人群的场合开展人脸图像识别一般会运用常用的CPU芯片来对照人脸库中存储的全部图片,这样会大幅使用CPU芯片的内部资源,减弱CPU芯片的处理速度,也会对全面的人脸图像处理产生干扰。

基于隐马尔可夫模型的人脸特征标注和识别

传统的基于隐马尔可夫模型的人脸识别方法需要对原始人脸图像进行光照补偿、人脸旋转等预处理,而且模型对人脸姿势、表情、局部特征变化等非常敏感.为解决此问题,提出一种基于高斯隐马尔可夫模型的人脸特征标注方法,该方法假定人脸图像中人脸和人脸特征两个区域的灰度值服从两个不同的高斯分布,并将这两个分布作为隐马尔可夫模型的状态集合.同时,将灰度人脸图像转换为一维的灰度值序列作为观测序列,通过模型预测状态序列以实现人脸特征的标注和定位,并基于该模型建立人脸数据库,对未知人脸进行识别.在ORL人脸库和自建人脸库的测试中,均取得较高的标注准确率和识别准确率.

三维人脸纹理改善及其在模型匹配中的应用

为改善三维人脸库的颜色纹理,基于纹理映射技术,提出了一种改善方法．使用统计学中曲线拟合与线性回归的方法,根据扫描仪获取的三维人脸库颜色纹理空间,拟合、逼近真实纹理空间,进而得到改善的颜色纹理空间,建立了三维人脸库颜色纹理空间到改善的纹理空间之间的映射关系．根据该映射关系改善了三维人脸库颜色纹理,缩小了其与真实纹理之间的差异．实验结果证明,用该方法改善后的纹理与真实纹理的差明显小于扫描得到的纹理与真实纹理之间的差;在模型匹配过程中使用改善后的纹理,可提高模型匹配速度,缩短匹配时间．

一种改进的基于小波的人脸图像光照归一化算法

为了消除光照变化对人脸识别的影响,提出了一种新的基于小波的光照归一化算法。首先对人脸图像进行三级小波分解,获取低频和高频系数;接着对低频成分直方图均衡化,减弱光照的影响,同时对高频成分阈值去噪,再放大高频以增强图像边缘;最后进行逆小波变换,得到归一化后的人脸图像。在Yale B人脸库上的实验结果表明:本文方法可有效减弱光照变化对人脸识别的影响,显著地提高了人脸识别系统的识别率。

基于组合子空间的最优特征抽取及人脸识别

传统的线性鉴别分析存在两个缺陷:小样本问题和至多只能抽取c。1个最优鉴别向量,本文提出了一种新的、有效的基于线性鉴别分析的组合子空间最优特征抽取方法。该方法解决了人脸等图像识别任务普遍存在的小样本问题,并且能够抽取更多的有效鉴别特征。在OR[。标准人脸库上的试验表明,组合子空间鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97％的正确识别率,而且识别结果十分稳定。该结果大大优于经典的特征脸和。Fishel'脸方法在ORI_。人脸库上的识别结果。

基于L_p范数的2DPCA的人脸识别方法

主成分分析(PCA)是降维的一种经典方法。二维主成分分析(2DPCA)在特征抽取之前不需要将图像矩阵转化为向量形式,所以能快速地提取特征。但是基于L2范数的PCA和2DPCA在遇到异常值时的表现不稳定而且得到的向量通常不是稀疏的。提出了一种基于L1范数的且受Lp范数约束的2DPCA方法(2DPCA-Lp)。当参数p接近1时,它可以得到稀疏的解。该方法既具有2DPCA的快速方便性,又是泛化的并且对异常值较不敏感。同时也证明该方法可以取得一个局部最大化的解。通过在ORL和UMIST人脸库上的实验表明了该方法的有效性。

基于特征联合和支持向量机的人脸识别

在兼顾实时性的情况下,为了进一步提高人脸识别的识别率,本文提出一种基于特征联合和支持向量机的人脸识别方法。首先,提取人脸样本的梯度方向直方图特征和局部二值模式特征,并将这两种特征进行联合形成样本的联合特征。其次,使用主成分分析法对样本联合特征进行降维得到样本的低维联合特征。最后,利用训练样本的低维联合特征训练支持向量机得到一个人脸识别器,并利用该人脸识别器对测试样本进行识别。基于ORL人脸库的实验结果表明,与现有方法相比,本文方法在取得较高识别率的同时也取得了较好的实时性。

基于径向基函数网络的人脸识别

提出了利用径向基函数网络(RBF)识别人脸的方法,分析了其识别原理,讨论了网络结构的设计,给出了各层节点,隐居中心向量及形状参数的选取原则,并针对ORL人脸库的多幅人脸图像进行了识别实验。实验结果表明,RBF网络的识别效果较好,且其学习算法要比BP网络的学习算法简单。

基于PCA-SIFT算法人脸识别

文中提出了一种分块PCA-SIFT人脸识别方法。先对图像矩阵进行分块,然后提取出样本特征点,采用PCA方法对分块得到的子图像矩阵计算出特征值和特征向量并且进行降维处理,生成PCA-SIFT描述子;据最近距离与次近距离之比是否满足某一阈值,来对输入图像与训练样本中的图像特征点进行匹配。使PCA不再只局限于满足高斯分布,也同时提高了主元的维数。在ORL和Yale人脸库上的实验结果表明,有效地增加了识别的精度和抗干扰能力。

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型。该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸。在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率。最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高。

一种基于Fisher最优判据的人脸识别新方法

通过对一种计算奇异类内离散度矩阵的Fisher最优判据方法的改进 ,提出一种改进的Fisher最优判据 ,并应用于人脸识别中 .在Olivetti_OracleResearchLab(ORL)和Yale标准人脸库上的识别结果显示 ,此方法比主元分析方法 (PCA)和直接线性判别分析方法 (DirectLinearDiscriminantAnalysis,DLDA)有更好、更高的识别效果 .