HOG在人脸识别中的性能研究

介绍梯度方向直方图(HOG)人脸识别算法,设计基于脸部识别技术人脸库的HOG人脸识别实验,以测试不同HOG参数对人脸识别的影响,从而进行最优参数设置。实验结果表明,HOG特征在行人检测和人脸识别上对梯度方向空间和区间的选择是一致的,不同分块模式对人脸识别的影响与行人检测不同,HOG特征描述子用较少的特征维数就能有效地表达人脸,采用块内标准化方式后,识别性能有大幅度提升。

基于HOG金字塔人脸识别方法

为了提取人脸的全局和局部特征,以实现复杂环境下的人脸特征有效表达,提出一种基于梯度方向直方图(HOG)金字塔人脸识别方法.该方法通过多尺度分析、HOG特征谱提取来构建人脸图像的HOG金字塔,对HOG金字塔各层特征谱划分为非重叠小块来构建统计直方图,并将各层的统计直方图连接起形成特征向量来实现整个人脸的特征表达,计算不同序列特征的相似度并采用最近邻分类器来进行人脸识别.在光照和时间环境等复杂变化的人脸识别技术(FERET)库中进行人脸识别实验,结果表明:该方法具有较强的人脸特征鉴别能力,方法的鲁棒性也较好.

基于Haar特性的改进HOG的人脸特征提取算法

现有的大多数特征提取算法在提取人脸特征时,容易受到光照等外界因素的影响,从而导致后期人脸识别率下降。而方向梯度直方图(Histogram of Oriented Gradient,HOG)具有较强的光照鲁棒性,能够很好地减少由光照带来的干扰,但传统HOG在计算梯度幅值和方向时只计算水平和垂直方向上4个像素点对中间像素的影响,当外界环境变化时不能保证稳定性,因此提出一种基于Haar特性的改进HOG的人脸特征提取算法。该算法在计算梯度幅值和方向时考虑水平、垂直以及对角线上8个像素点对中间像素的影响,由于增加计算量导致特征提取时间也随之增加,因此引入Haar,借助Haar型特征运算简单、快捷的特点设计4组Haar型特征编码模式,按照改进的HOG特征计算方式提取人脸特征。在有光照等外界因素影响的FERET人脸数据库和Yale B扩展的人脸测试库中进行实验,实验结果表明,与GFC,LBP和其他文献中的HOG算法相比,该算法对光照具有更好的鲁棒性,能够在光照变化的环境下提高人脸识别率。该算法在FERET探测集fb,fc,dup1和dup2上的识别率分别为95.1%,80.9%,70.1%和63.2%,在Yale B中的识别率为89.1%。

基于HOG和特征描述子的人脸检测与跟踪

在人脸检测和跟踪过程中,真实场景的光照变化和随机噪声会降低检测准确率,而多张人脸的存在和人脸的姿态变化会影响单个目标的跟踪。针对这些问题,提出了一种基于HOG和特征描述子的人脸检测与跟踪方法。在人脸检测过程中,利用方向梯度直方图(HOG)特征来检测视频帧中的人脸,提高了检测的准确度;在人脸跟踪过程中,采用了一种结合特征描述子的跟踪校正策略,利用基于欧氏距离的方法进行人脸相似度对比,并以此更新跟踪结果,降低了多人脸因素的干扰。实验结果表明:笔者算法的人脸检测与跟踪准确率较高,鲁棒性较好。

结合多尺度HOG特征和语义属性的合成素描人脸识别

合成素描的人脸识别问题属于异质人脸识别研究领域,在刑侦领域具有重要的实际应用.由于合成素描与人脸照片属于不同模态,对不同模态人脸进行鲁棒的表征是识别的关键.针对合成素描人脸在某些区域缺乏纹理细节,单纯依赖局部细节特征识别率较低的问题,文中提出一种融合多尺度HOG特征并加以语义属性约束的合成素描人脸识别的算法.首先提取出合成素描人脸的全局HOG特征以及五官等关键部位的局部HOG特征来表征人脸的整体结构特征和细节特征,之后将得到的整体结构特征和各个部位的细节特征进行分数层融合,最后用语义属性特征对匹配结果进行重排序.在PRIP-VSGC和UoM-SGFS数据集上进行验证,文中算法rank10的识别率分别达到88.6%和96.7%,与现有算法相比有明显的提高.

改进的HOG和Gabor,LBP性能比较

为了实现复杂环境下的人脸特征有效表达,提出一种改进的梯度方向直方图(HOG)人脸识别方法.首先以人脸图像网格作为采样窗口并在其上提取HOG特征;然后将所有网格HOG特征向量进行组合,实现整个人脸特征表达;最后采用最近邻分类器进行识别.另外,比较了该方法与Gabor小波和局部二值模式(LBP)2种著名的人脸局部特征表示方法的优劣.实验结果表明,在调优的HOG参数下,在具有光照和时间环境等复杂变化的FERET人脸库中,较少维数的HOG特征比LBP特征有更好的表现,而且HOG特征提取时间和特征向量维数比Gabor小波方法更具有优势.

基于hog图像特征的人脸识别系统设计与实现

人脸识别是一种典型的计算机图像视觉技术应用。本文以该技术为背景,给出一个基于hog特征算子来描述目标的人脸识别系统。该系统提取被检测图像的hog特征并使用Adaboost学习算法训练识别分类器,从而对目标特征进行分类判断。通过实验可以发现,使用hog特征结合分类器的方法对人脸进行识别可以获得较高的检测率,具有良好的应用价值。

基于HOG多特征融合与随机森林的人脸识别

针对人脸识别在复杂环境下识别率低的问题,提出了一种基于梯度直方图(HOG)多特征融合与随机森林的人脸识别方法。该方法通过HOG特征描述子对人脸进行特征提取。首先以网格作为采样窗在整个人脸图上进行整体HOG特征的提取,并将人脸图像分成均匀子块,在包含有人脸关键部分的子块中提取局部HOG特征。然后通过二维主成分分析(2DPCA)和线性判别分析(LDA)对整体和局部特征进行降维,并进行特征层融合形成最终分类特征,最后通过随机森林分类器对其进行分类。FERET人脸库、CAS-PEAL-R1人脸库、真实场景人脸库实验表明,该方法对光照具有鲁棒性,且有较高的识别率和较短的识别时间。

基于HOG与LBP特征的人脸识别方法

针对人脸识别方法在复杂环境下识别性能下降、单一特征表述能力有限的问题,基于梯度方向直方图(HOG)和局部二值模式(LBP)特征,提出一种人脸识别方法。通过提取人脸的HOG特征和LBP特征,利用主成分分析和线性判别分析方法进行线性降维,给出基于加权的特征融合策略。在环境复杂的人脸数据库上进行实验,结果表明,相比于单一的局部特征,该特征融合方法能提高人脸识别的精度与速度。

基于颜色分割和HOG学习机制的人脸检测

人脸检测在信息安全和处理等应用领域起到很重要的作用。提出了一种鲁棒的人脸检测算法。该算法结合了基于颜色分割的粗定位过程和基于Histogram of Oriented Gradient(HOG)特征的人脸精确定位过程。粗定位利用人脸的颜色特征,采用基于YCbCr空间的颜色分割方法,获得图像中有可能包含人脸的图像子区域;精确定位则采用HOG特征,并利用SVM进行分类,得到人脸的准确位置。实验证明我们的方法对不同亮度、各种年龄及性别、表情变化及部分遮挡的人脸都具有很强的鲁棒性。

基于HOG-SVD特征的人脸识别

为提高复杂环境下的人脸识别率,该文提出了一种基于方向梯度直方图-奇异值分解(HOG-SVD)的人脸识别方法。首先提取整个人脸图像的HOG特征,通过奇异值分解形成图像的整体HOG-SVD特征。然后将人脸图像分成均匀子块,提取各子块的HOG-SVD特征。之后将整体HOG-SVD特征和局部HOG-SVD特征组合形成最终分类特征。最后通过支持向量机分类器对其分类。在Yale人脸库上的实验表明,该方法对表情、光照、姿态具有鲁棒性,具有较高的识别率。

基于HOG特征和DSPP降维的人脸识别算法

稀疏保留投影(SPP)是一种以保持数据的稀疏表示结构为目的的降维方法,该方法仅考虑了数据的稀疏重构关系而没有充分利用样本的类别信息。为提高分类识别性能,提出一种有监督的判别稀疏保留投影方法(DSPP)。首先在构建样本的稀疏重构关系时,通过样本系数和类内样本平均系数的差来重新表示类内紧凑度,同时考虑不同类样本的类别信息和相同类样本的类内紧凑度信息,优化得到具有较强鉴别能力的稀疏表示系数;再通过最小化重构误差准则来得到最优投影,从而提取有效的人脸信息;最后用稀疏表示分类方法进行人脸分类识别。HOG算子可以很好地表征人脸图像的局部特征同时有很好的鲁棒性,文中在HOG算子提取图像特征的基础上,用DSPP方法对图像特征降维后再进行人脸识别分类。实验结果表明,结合HOG特征和DSPP算法的人脸识别在Extended Yale B和LFW库上的平均识别率分别达到98.33%和77.93%,相比其他方法有较好的识别结果。

基于HOG特征和稀疏表征的鲁棒性人脸识别

在图像局部遮掩或者被局部损坏的情况下，随机投影和稀疏表征的人脸识别方法可以很好的达到正确识别的目的．但是为了得到好的识别效果，这种方法对训练库中每个人的人脸图片的数目要求比较高（至少五张以上），在实际应用中很不方便，该文将HOG（方向梯度直方图）特征引入稀疏表征的人脸识别方法中能够很好的克服这一缺点。实验表明，即使在每个人的人脸图片数只有一张的情况下，该文的方法仍然能得到很好的识剐效果。

基于HOG特征和SVM的人脸表情识别

研究人脸表情识别,赋予计算机情感理解和情感表达的能力在人机交互与情感计算中具有重要的意义.本文提出了一种基于HOG特征的表情识别方法.首先提取人脸表情图像的梯度方向直方图(HOG)特征,对得到的特征利用主成份分析(PCA)方法进行降维,然后用支持向量机分类.在JAFFE人脸表情数据库上的实验表明,与传统的人脸表情识别算法相比,该方法能获得更高的识别率.

基于改进的HOG和LBP算法的人脸识别方法研究

人脸识别技术易受光照、表情等因素影响,为充分提取人脸特征信息,提出了融合改进的局部二值模式(LBP)和梯度方向直方图(HOG)方法提取人脸图形纹理、细节特征,利用列方向压缩的2DPCA+PCA算法对人脸的特征空间进行降维处理,使用2DPCA算法降低了特征维度,解决了仅仅使用PCA方法,由于人脸图像特征维度高而造成求解模型复杂的问题,降低了计算规模,提高了运算速度。最后,使用ORL和Yale人脸数据库进行实验。结果表明,基于改进的LBP和HOG融合的特征提取具有一定的互补性,与其它的识别算法相比,该改进的算法识别率有了较大的提高,鲁棒性更强。

融合人脸图像深度和外观特征的BMI估计方法

身体质量指数(BMI)是人类健康重要指标。从2D正脸图像中估计3D人脸信息并提出一个端到端BMI估计框架,以进一步提高BMI估计性能。首先,计算人脸468个3D关键点,并根据关键点相对头部质心的深度绘制深度人脸图;其次,提取人脸图像的方向梯度直方图(HOG)并可视化以表示外观特征;最后,利用卷积神经网络(CNN)VGGNet、ResNet分别对深度人脸图和HOG进行特征提取,并使用Hadamard积融合2个骨干网络的特征以估计BMI。与目前已有方法的对比实验中,本文提出方法在2个公开数据集上的整体平均绝对误差(MAE)分别比最优结果低0.38和1。上述实验结果证明了本文提出的融合3D人脸图像深度和外观特征的BMI估计方法的有效性。

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征(AW-HOG)的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析(PCA)算法进行降维,最后利用支持向量机(SVM)进行分类识别。在Yale B以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。

融合遮挡检测与HOG特征协作表示的鲁棒人脸识别

稀疏表示分类算法在人脸识别中表现出较好性能,但其对面部遮挡的鲁棒性较差,在特征提取时未利用面部鲁棒特征且实时性差。针对以上问题,本文提出了融合遮挡检测与HOG特征协作表示的人脸识别方法。首先,设计了一种基于HOG特征和支持向量机的遮挡检测方法,根据常见遮挡的分布将人脸分块,在子块上检测遮挡。然后,结合遮挡检测结果,仅提取非遮挡部分的HOG特征并利用协作表示方法进行分类。测试结果表明:对AR人脸库中遮挡图像的平均识别率为95.2%,对AR、Yale人脸库中发生光照和表情变化人脸的识别率分别为97.3%和98.6%,且运算速度比稀疏表示方法提升了约293倍。与基于稀疏表示的分类方法相比,该方法的鲁棒性和实时性都有明显提升。

基于HOG特征的加权稀疏表示人脸识别算法

在人脸识别中,为了进一步提高人脸图像对光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相融合,以降低复杂度,提高识别性能。首先,统计每一幅图像的方向梯度直方图(HOG)特征,并对每一幅图像进行归一化处理,削弱人脸图像中的光照影响;其次,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的距离作为稀疏系数的权值;在此基础上,对传统稀疏表示分类器进行改进,样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,最后利用样本的重构残差和对样本进行识别分类。ORL人脸库和GT人脸数据库上的实验证明该方法对光照等外界物理因素有着很好的鲁棒性。

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类。在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6%。