稀疏表示分类中遮挡字典构造方法的改进

针对稀疏表示分类算法中遮挡字典维数高且无冗余的问题,提出一种遮挡字典构造方法.首先通过图像分块得到各级的遮挡基图像;然后将所有互不相同的遮挡基图像按字典顺序转化为向量,并用这些向量作为遮挡字典的列,从而构造出维数相对较低且具有一定冗余度的遮挡字典.实验结果表明,该方法不仅明显提高了稀疏表示分类算法对遮挡人脸的识别率,而且还能通过减少图像的分块级数降低稀疏分解的耗时量,提高运算效率.

基于Gabor特征和遮挡字典的带遮挡人耳识别

通过引入遮挡字典来编码图像受遮挡部分,稀疏表示分类方法在带有遮挡情况下的人耳识别中能够取得较好的识别性能。然而,常规的利用单位阵作为遮挡字典的方法会对稀疏模型求解带来很大的计算量。提出了一种基于Gabor特征和Gabor遮挡字典的稀疏表示分类方法。利用图像的Gabor特征构造无遮挡字典,因为这种局部特征在姿态变化或遮挡情况下具有一定的鲁棒性。通过学习算法计算出比单位阵遮挡字典更为合理的Gabor遮挡字典,使得图像中被遮挡部分在遮挡字典上的稀疏编码具有更大的稀疏度。在两个人耳图像库上的实验结果表明,相比已有的基于稀疏表示的人耳识别方法,该方法在遮挡情况下能够取得更好的识别效果;对真实环境中存在头发遮挡的人耳识别,也能够取得较好的识别性能。

先验采样约束结合扩展遮挡字典的细化稀疏人脸识别技术研究

为解决可能存在遮挡环境下的模式识别问题,提出先验采样约束结合扩展遮挡字典的细化稀疏人脸识别算法。针对训练样本无法包含测试样本遮挡变化的情况,首先需要构造遮挡字典(墨镜、围巾等),进而利用先验局部采样子模块稀疏表示分类方法判断测试样本可能存在的遮挡模式;然后对未被遮挡的局部子模块利用Borda计数投票,依据每类残差大小分配给不同的票数,计算样本类别信息;其次根据遮挡模式结果,利用全局稀疏表示通过构造样本遮挡扩展字典对测试样本进行全局分类投票;最后将两次分类投票结果进行融合,最终实现是否存在遮挡环境下的精细模式判别。实验结果表明,本文算法不仅能够给出准确的模式类别,还能给出遮挡类别信息,可得到精细化识别结果。

基于奇异值分解的Gabor遮挡字典学习

因遮挡、光照等变化因素所引发的协变量偏移问题是面向现实的人脸识别系统需要重点解决的问题。从字典编码的角度探讨了这一问题。通过对现有的结构化误差编码方法的回顾,指出几种主流的结构化误差编码方法都可以转化为训练字典与遮挡字典联合表示的形式,只需对不同的误差编码方法建立合适的遮挡字典即可。鉴于遮挡字典在结构化误差编码方法中的重要作用,针对一种重要的基于字典表示的误差校正方法——基于Gabor特征的鲁棒表示与分类方法(GRRC)展开研究,指出其基于K-SVD的遮挡字典学习方法的主要不足在于:计算代价较高、冗余性较强、缺乏针对自然遮挡的结构,并提出了一种基于奇异值分解(SVD)的Gabor遮挡字典学习方法。在Extended Yale B,UMBDB和AR 3个人脸数据库上的实验结果表明,相对于基于K-SVD字典学习方法的GRRC,基于SVD字典学习方法的GRRC在各种情形下都具有更好的时间性能和识别性能。

基于稀疏表示的遮挡人脸表情识别方法

用基于稀疏表示的分类方法识别遮挡人脸表情时,遮挡字典不具有冗余度且身份特征易干扰表情分类.针对此问题,文中提出一种基于稀疏表示的遮挡人脸表情识别方法.该方法首先通过对图像多级分块得到具有冗余度的遮挡字典,然后通过稀疏分解求出待测图像的稀疏表示系数,最后在待测图像所在的子空间内实现表情类别判断.该方法使待测图像的分解系数变得更稀疏,同时避免身份特征对表情分类的干扰.在Cohn-Kanade和JAFFE人脸库上的遮挡表情识别实验表明,该方法对遮挡人脸的表情识别具有较强的鲁棒性.

有遮挡人脸识别综述:从子空间回归到深度学习

有遮挡人脸识别是面向现实的人脸识别系统需要重点解决的问题,其困难性主要体现在由遮挡所引发的特征损失、对准误差和局部混叠等方面.该文从鲁棒分类器的设计和鲁棒特征提取两方面回顾了现有的方法.充分利用人脸图像和遮挡自身所固有的结构来表示、抑制或消除遮挡或由遮挡引发的误差是目前设计鲁棒分类器的关键思路.从子空间回归的角度回顾了主流的线性回归分类器处理遮挡问题的一般方法:协同表示、遮挡的字典表示及遮挡字典的学习和压缩技术;从结构化误差编码的角度回顾了基于人脸图像低秩结构的误差编码方法和将遮挡的空间结构嵌入重构误差的编码方法;从噪声抑制和遮挡检测两方面回顾了现有的迭代重权误差编码方法.文中强调特征提取对于解决有遮挡人脸识别问题的重要性,总结了鲁棒特征提取的基本要素,深入分析了以图像梯度方向和韦伯脸为代表的"浅层"特征所引发的零和差异现象、以PCANet为代表的将卷积神经网络与经典的"特征图-模式图-柱状图"特征提取框架相结合的编码原理,以及以DeepID为代表的卷积神经网络所生成的"深度"特征所具有的遮挡不变性及其所蕴含的编码准则.在Extended Yale B、AR和LFW等三个基准数据库上对现有方法的有效性进行了大规模测试,指出了现有方法的适用面及局限性.最后指出了有遮挡人脸识别给计算机视觉带来的挑战、现有方法在优化算法和特征提取方面存在的主要问题以及未来利用卷积神经网络处理遮挡问题需重点考虑的问题.

有遮挡人脸识别方法综述

现实人脸识别系统的图像采集过程中往往存在光照、姿态、遮挡等不确定性因素,传统的人脸识别方法识别效果不佳,有效地处理这些问题提高识别效率仍是人脸识别系统中的难点。回顾了传统的人脸识别的相关方法,重点针对人脸遮挡的处理方法,从遮挡区域如何重构地生成模型,如何检测遮挡位置的判别模型及鲁棒特征提取三个方面进行了详细的综述,比较了各自的优缺点及应用场合,总结分析了目前有遮挡人脸识别存在的问题和未来研究方向。

边缘优化下的戴口罩人脸实例分割

传统基于人脸关键点的人脸检测方法,在戴口罩的人脸识别中由于口罩大面积遮挡精度大幅下降,而分割算法在边缘特征上误检率较高。为了更精准地定位出戴口罩人脸的有效区域,本文提出了一种融合多阶段边缘分割算法的戴口罩人脸精细实例分割方法。一方面,在掩模区域卷积网络(Mask Region Convolutional Neural Networks,Mask RCNN)中添加了可拆分注意力的思想,增强了不同尺寸特征间的联系和检测性能;另一方面,使用双线性差分孪生网络搭建遮挡字典结合多阶段边缘优化分割方法优化目标边缘信息,逐步实现精细分割。在RMFD戴口罩人脸数据集上进行训练和测试。实验结果表明,RS_Mask R-CNN+边缘分割模型相比于基准Mask R-CNN的平均像素精确度(Pixel Accuracy,MPA)提高了4.11个百分点,目标检测精度达99%以上,在自遮挡以及不同类型口罩的人脸图像上都能取得不错的分割效果。

部分遮挡人脸识别的方法综述

通过人脸识别进行身份确认一直以来都是非常活跃的研究主题,在现实环境中,表情变化、光照影响、姿态变化、遮挡等都会对人脸识别任务产生不良的影响,其中部分遮挡问题一直没有得到有效的解决。对部分遮挡人脸识别的稀疏表示法、遮挡字典的处理方法、遮挡的误差编码方法、基于深度学习的方法、基于深度学习与传统算法结合的方法和基于3D的方法进行了总结,阐述了各类方法的基本思想和原理,分析了现阶段存在的问题和未来的研究方向。