基于迹变换和旋转增量调制特征的模糊人脸识别

为提高各种不同特殊场景下的模糊人脸识别精确性和鲁棒性,本文提出一种基于迹变换和旋转增量调制编码的特征提取方法.该方法将通信语音编码技术与图像变换技术相结合,首先通过迹线旋转扫描整幅图像,并对迹线上的采样信息进行增量调制编码,从而获得多角度的全局有序结构特征,然后用支持向量机对样本图像的这些特征进行训练以分类并识别图像.实验结果表明,在各种不同模糊级的低质量人脸数据库上,本文方法对不同光照变化、不同拍摄角度、不同遮挡等不同场景的人脸图像均能取得较好的识别效果,与一些传统方法相比识别性能大幅提升,相对于VGGNet和Sphereface两种先进方法在三组不同模糊度测试图像集的平均识别率分别提高2.18%和2.20%,具有更高的识别精度和更好的鲁棒性.

基于改进的格拉斯曼流形的模糊人脸图像识别

传统算法进行模糊人脸识别的过程中,一旦人脸表情发生变化,人脸特征也将发生改变,导致人脸识别的准确性降低。为此,提出一种基于改进的格拉斯曼流形的模糊人脸识别方法。在格拉斯曼流形上构建全部模糊人脸样本图像的近邻图来估计人脸特征分布的几何结构,然后将其作为正则化项整合到模糊人脸识别的目标函数中,从而获得更精确的人脸特征投影矩阵。仿真实验结果表明,利用改进算法进行模糊人脸识别,能够提高识别的准确率和效率,效果令人满意。