基于三维矫正和相似性学习的无约束人脸验证

针对无约束条件下的人脸图像样本少、面部姿态变化大、被遮挡以及背景复杂等问题,提出一种结合三维人脸矫正与相似性学习相结合的人脸验证算法(sub-SL)。首先,通过三维人脸矫正方法对人脸图像进行姿态矫正,将图像中的人脸矫正为标准正面脸;其次,裁剪该正面脸的脸部相关区域,去除复杂的图像背景;最后,利用基于个体子空间的相似性学习方法对图像对之间的相似度进行度量,完成人脸验证。实验采用了几个以LFW(Labeled Faces in the Wild)数据库为基础的经过预处理操作(例如人脸矫正、裁剪等)后建立起来的数据库。在基于局部三值模式(LTP)的特征提取方法并且训练图像对数为625的实验中,sub-SL算法的识别率比利用马氏距离进行度量学习的算法sub-ML以及结合了马氏距离与相似性学习的度量学习算法sub-SML分别高出了15. 6%和8. 4%。实验结果表明,sub-SL算法能够有效提高无约束条件下人脸识别的准确率。

基于神经网络模型融合的微笑识别系统

在过去的几年,微笑识别已经成为重要的研究课题,并已经广泛应用于人机交互系统等多个领域。人们在表达表情方面存在很大差异,然而,在真实环境下,拍摄的面部图像受到各种环境因素的影响,包括光、姿势、面部遮挡、背景环境和照片质量。所有这些约束都大大增加了微笑识别的难度。微笑是最常见的表情方式,尽管如此,在户外环境下笑脸识别仍然是一项重大挑战。提出了一种基于神经网络模型融合的微笑识别系统。微笑识别系统包含面部图像预处理和表情识别两个阶段。表情识别系统的核心是根据神经网络模型融合思想构建CNN融合框架,CNN融合框架融合了3个CNN神经网络,利用迁移学习技术和损失函数调参技术优化CNN融合框架的性能,结合面部、嘴部特征和概率融合方法,提升了系统面部识别和微笑识别的准确率。在GENIK-4K数据集上取得95.83%具有竞争力的识别结果。