低分辨人脸识别综述

全面综述了低分辨(Low-Resolution,LR)人脸识别技术的研究进展,并对相关亟需解决的关键问题进行了讨论。对LR人脸识别系统的概念、待解决问题、系统结构、已有不同识别方法进行了分类阐述。根据高、低分辨率人脸图像空间特征维度的不匹配问题,分别对基于重构超分辨(Super-Resolution,SR)图像和基于公共特征子空间两类LR人脸识别方法进行了详细介绍。对每类方法按照不同的实现过程,进一步划分为三种不同的类型分别介绍,并对每类方法模型的主要思想和核心问题进行了分析和讨论。简单介绍了九种标准人脸数据库,从识别性能、平均运行时间和多人脸库实验结果比较等方面对每类代表性方法进行了分析。对LR人脸识别技术在未来发展中需要解决的难点问题给予了展望。

多流形耦合映射下的低分辨人脸识别

探讨低分辨人脸识别中如何保持高低分辨率人脸图像特征在公共特征子空间的一致性问题。基于耦合映射方法,联合利用高低分辨率人脸图像的局部流形几何结构信息与标签信息,增强耦合映射关系矩阵的判别能力和可分性,使得相同类别的高低分辨率人脸图像在公共特征子空间中的距离应尽可能接近,而不同类别的高低分辨率人脸图像之间的距离应尽可能疏远。在3个标准人脸库中对提出方法的有效性进行了验证。实验结果表明,该方法在不同的特征维度、Rank级别和分辨率下较同类方法均有明显地提升,具有较好地应用潜能。

基于改进Kaze特征匹配的低分辨人脸识别算法

针对普通算法难以提取低分辨人脸图像特征以实现人脸识别问题,探讨一种基于改进Kaze特征匹配的识别算法。首先,通过改进P-M扩散滤波中阈值和扩散函数来保留低分辨图像的边缘和细节,并利用加性算子分裂算法构造非线性尺度空间;其次,通过寻找不同尺度归一化后的Hessian矩阵局部极大值点来检测特征点,并使用M-SURF构造特征描述向量;最后,利用欧式距离进行特征向量的匹配实现识别分类。实验结果表明,与基于SIFT、SURF和普通Kaze特征匹配的算法相比,所探讨算法正确识别率更高,同时对噪声图像也有更好的鲁棒性。