在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首...在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首先,利用类内人脸对样本,学习带权重的类内协方差矩阵,通过加权子空间的投影,从人脸图像中获得鲁棒性的人脸特征表达;其次,利用样本对的相似性与差异性,建立了带先验相似性和先验距离约束的相似度度量学习模型,优化后的度量矩阵可以有效提高特征向量的类内鲁棒性和类间判别性;最后,利用优化的度量矩阵计算人脸对的相似度.在LFW(Labeled Faces in the Wild)数据集的实验验证了所提模型的有效性,与其它同类相似度度量学习方法相比,优化的度量矩阵更能准确地评估人脸间的相似性,并在受限训练集上取得了91.2%的识别率.展开更多
针对人脸全局特征用于人脸验证存在的局限性,本文在Joint Bayesian人脸识别方法的基础上提出了基于局部贝叶斯分类器融合的人脸验证方法。该方法使用约束局部模型(CLM)在人脸上标注27个局部特征点,提取以这些特征点为中心的人脸块,并将...针对人脸全局特征用于人脸验证存在的局限性,本文在Joint Bayesian人脸识别方法的基础上提出了基于局部贝叶斯分类器融合的人脸验证方法。该方法使用约束局部模型(CLM)在人脸上标注27个局部特征点,提取以这些特征点为中心的人脸块,并将它们进一步划分为互不重叠的若干个单元格;将这些人脸块的局部二值模式(LBP)特征通过Joint Bayesian统计训练得到多个局部分类器;最后利用逻辑回归模型将局部分类器融合为人脸验证分类器。在LFW(Labeled Face in the Wild)和WDRef(Wide and Deep Reference)数据库上进行了性能验证实验,实验结果表明该方法的性能要优于Joint Bayesian和其他现有典型分类器。展开更多
文摘在无约束条件下,人脸表情、姿态、光照以及背景等复杂因素可能导致人脸图像的类内变化大于类间变化.针对如何降低较大的类内变化对人脸验证研究的影响,本文结合加权子空间,提出了一种带先验相似性和先验距离约束的相似度度量学习方法.首先,利用类内人脸对样本,学习带权重的类内协方差矩阵,通过加权子空间的投影,从人脸图像中获得鲁棒性的人脸特征表达;其次,利用样本对的相似性与差异性,建立了带先验相似性和先验距离约束的相似度度量学习模型,优化后的度量矩阵可以有效提高特征向量的类内鲁棒性和类间判别性;最后,利用优化的度量矩阵计算人脸对的相似度.在LFW(Labeled Faces in the Wild)数据集的实验验证了所提模型的有效性,与其它同类相似度度量学习方法相比,优化的度量矩阵更能准确地评估人脸间的相似性,并在受限训练集上取得了91.2%的识别率.
文摘针对人脸全局特征用于人脸验证存在的局限性,本文在Joint Bayesian人脸识别方法的基础上提出了基于局部贝叶斯分类器融合的人脸验证方法。该方法使用约束局部模型(CLM)在人脸上标注27个局部特征点,提取以这些特征点为中心的人脸块,并将它们进一步划分为互不重叠的若干个单元格;将这些人脸块的局部二值模式(LBP)特征通过Joint Bayesian统计训练得到多个局部分类器;最后利用逻辑回归模型将局部分类器融合为人脸验证分类器。在LFW(Labeled Face in the Wild)和WDRef(Wide and Deep Reference)数据库上进行了性能验证实验,实验结果表明该方法的性能要优于Joint Bayesian和其他现有典型分类器。