基于多尺度韦伯脸和梯度脸的复杂光照下人脸识别研究

针对复杂光照变化影响人脸识别准确性的问题,提出了一种基于多尺度韦伯脸和梯度脸相结合的复杂光照下人脸识别方法。首先定义了能够有效描述人脸纹理结构的多尺度韦伯脸,一定程度上减弱了不同光照条件的影响;其次融合多尺度韦伯脸和梯度脸提取人脸光照不变量;最后利用SVM多类分类算法实现人脸识别。使用CMU PIE与Yale B人脸库进行验证,结果表明:提出的算法能够有效消除复杂光照变化对人脸识别的影响,即在光照极差情况下,单样本图像作为训练图像也可以有很好的识别效果,且识别率显著高于韦伯脸、多尺度韦伯脸和梯度脸。

利用离散余弦变换与梯度脸的人脸光照处理

针对光照变化对人脸识别效果带来的严重影响,提出了一种基于离散余弦变换和梯度脸的人脸光照处理方法。该方法首先将人脸图像变换到对数域,在对数域中计算离散余弦变换,舍弃部分低频系数,再计算其离散余弦反变换。然后用梯度脸(Gradientfaces)算法对人脸图像的高频细节成分进行增强。在人脸识别阶段,采用主成分分析法提取人脸特征,运用基于余弦距离的最近邻分类器进行分类判别。在Yale B正面人脸库和CUM PIE人脸库上进行实验,实验结果表明该方法可以削弱人脸光照的影响,适用于光照鲁棒的人脸识别,合理地选择相关参数,人脸识别率分别能够达到100%和96.25%。

“梯度脸”局部高阶主方向模式的人脸识别

现有高阶特征的人脸识别由于对噪声敏感导致鲁棒性差以及特征冗长,为此提出一种基于“梯度脸”的局部高阶主方向模式的人脸识别方法.首先设计梯度脸卷积算子,计算像素的多方向梯度分量和,以构造梯度脸;然后在梯度脸上引入主方向分组策略表征其高阶导数特征,以局部邻域高阶导数方向变化的特征码形成主方向特征图;最后分块统计其直方图特征并级联,并利用多分类支持向量机完成分类识别.在多个公开人脸库中的实验结果表明,该方法对光照、表情和面部遮挡等变化因素具有良好的鲁棒性,以及更高的识别效率.

基于一维经验模式分解与梯度脸的人脸光照处理算法

提出一种基于一维经验模式分解与梯度脸的人脸光照处理算法。首先将人脸图像分别进行水平方向和垂直方向的一维经验模式分解,分解层数为一层,分解完成后将两张图像相加。重构后的人脸图像用梯度脸对其高频成分进行增强。运用主成分分析法对人脸图像进行降维处理,采用基于余弦距离的k近邻进行分类判别。在Yale B正面人脸库中的实验结果表明,选择适当的参数,利用算法能有效减少人脸光照的影响,对不同角度的光照具有很好的鲁棒性。

基于正交梯度二值模式的单样本人脸识别

针对传统人脸识别方法在单样本条件下识别效果不佳的问题,提出一种改进的对光照和表情姿态等变化具有较强鲁棒性的梯度脸算法——正交梯度二值模式(OGBP)。首先采用正交梯度二值模式对样本图像进行特征提取,然后将每个方向特征向量串接起来作为用于人脸识别的总体特征向量,最后通过主成分分析(PCA)方法降维并利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试,实验结果表明所提方法简单有效,性能优于原始的梯度脸算法,且对单样本人脸描述具有更好的效果。