基于GLOH算子和局部特征融合的人脸识别

为了减小高维特征算子的计算复杂度、提高识别算法的准确率,提出一种基于GLOH(Gradient Location and OrientationHistogram)算子的人脸识别算法。首先将人脸图像划分为4个独立的子区域并对提取的特征点进行聚类。为了更有效地描述人脸特征以及特征匹配,为不同的区域赋予不同的权重值,并采取整体结合局部聚类子区域的方法进行人脸识别。通过在ORL人脸图像库上的实验,验证了算法的有效性,特别是在不同表情、不同姿态等干扰因素的条件下,表现出了较好的稳定性和鲁棒性。

基于圆形邻域SIFT特征描述子的3D人脸识别

提出一种基于圆形邻域尺度不变特征变换(Scale Invariant Feature Transform,SIFT)描述子的三维人脸识别方法。首先,针对传统SIFT描述子向量维数高、匹配耗时的问题,文中提出了一种改进的SIFT特征描述子及其生成方法。该方法在利用传统SIFT算子精确定位特征点的基础上,采用以特征点为中心的圆形邻域来代替矩形邻域进行特征描述。然后,分别对3D人脸的灰度图和深度图提取特征描述子。在特征点匹配阶段,根据人脸图像的先验知识剔除部分误匹配点对。最后,采用决策级的评分融合策略完成3D人脸识别。实验结果表明,该算法能够有效降低特征匹配时间,人脸识别的平均识别率高达95.3%。

一种基于特征匹配的人脸配准判断方法

现有的人脸识别应用系统大都忽略了人脸配准的检查,造成"误配准灾难",导致识别性能下降。因此,对规格化后的人脸图像进行判断筛选,以保证只有正确配准的人脸图像才能用于后续识别。选用一定数量正确配准的规格化人脸图像平均值作为标准人脸,用SIFT关键点定位方法得到标准人脸的多个关键点,采用分块的梯度方向直方图统计方法提取关键点的邻域图像特征;然后,将标准人脸的关键点位置作为待检测人脸的定位点,用同样的方法提取定位点的邻域图像特征;计算待检图像与标准人脸图像对应关键点的特征矢量相似度,设定合理阈值判断待检测图像是否配准。实验证明,该方法能有效去除误配准人脸图像,有利于提高人脸识别系统的可靠性。

基于SIFT特征的人脸识别

尺度不变特征变换SIFT(scale invariant feature transform)对图像尺度、旋转、平移具有不变性,而被广泛应用,但是匹配过程中的错配问题难以避免。针对错配点的问题,对匹配策略进行了优化,利用人脸图像中关键点的特征描述子,对局部距离进行加权平均。实验表明,该方法能够有效剔除错配点,提高人脸匹配的正确识别率。