基于视频的人脸识别研究进展

近年来基于视频的人脸识别已成为人脸识别领域最为活跃的研究方向之一.如何充分利用视频中人脸的时间和空间信息克服视频中人脸分辨率低,尺度变化范围大,光照、姿态变化比较剧烈以及时常发生遮挡等困难是研究的重点.文中对近期(主要近5年)基于视频的人脸识别研究进行了详细的介绍和讨论,在对相关方法分类的基础上,分析了各类方法中典型技术的优缺点,并概况介绍了常用的视频人脸数据库和实验结果,最后展望了基于视频人脸识别未来的发展方向和趋势.

一种基于相关反馈的视频人脸算法

在保局投影算法(LPP)及支持向量机(SVM)的基础上提出了一种基于相关反馈的视频人脸识别算法.该算法通过合理的数据建模提取出视频中的时空连续性语义信息,同时能够发现人脸数据中内在的非线性结构信息而获得低维本质的流形结构,还能通过反馈学习来增加样本的标记类别.在UCSD/Honda视频人脸数据库和自采集数据库上进行比较的实验结果表明,该算法能够获得更好的识别效果.

一种基于QPSO优化的流形学习的视频人脸识别算法

视频场景复杂多变,视频采集设备不一致等原因,导致无约束视频中充斥着大量的遮挡和人脸旋转,视频人脸识别方法的准确率不高且性能不稳定.为解决上述问题,本文提出了一种基于QPSO优化的流形学习的视频人脸识别算法.该算法将视频人脸识别视为图像集相似度度量问题,首先帧图像对齐后提取纹理特征并进行融合,再利用带有QPSO优化的黎曼流形大幅度简约维度以获得视频人脸的内在表示,相似度则由凸包距离表示,最后利用SVM分类器获得分类结果.通过在Youtube Face数据库和Honda/UCSD数据库上与当前主流算法进行的对比实验,验证了本文算法的有效性,所提算法识别精度较高,误差较低,并且对光照和表情变化具有较强的鲁棒性.

视频人脸识别中判别性联合多流形分析

将基于视频的人脸识别转换为图像集识别问题,并提出两种流形来表示每个图像集:一种是类间流形,表示每个图像集的平均脸信息;另一种是类内流形,表示每个图像集的所有原始图像的信息.类间流形针对图像集之间的区别提取整体判别信息,作用是选出几个与待识别图像集较为相似的候选图像集.类内流形则考虑图像集内各原始图像之间的关系,负责从候选图像集中找出最为相似的一个.不同于现有的非线性流形方法中每幅图像对应流形中的一个点,采用分片技术学习两种流形的投影矩阵,每个分片对应流形中的一个点,所学到的特征更具有判别性,进而使流形边界更加清晰,同时解决了传统非线性流形方法中的角度偏差和不充分采样问题.还提出了与分片技术相匹配的流形之间的距离度量方法.最后在几个广为研究的数据集上进行了实验,结果表明:新方法的识别准确率高,尤其适用于不受控环境下的视频识别,而且不受视频段长短的影响.

基于改进的Fisher准则的多示例学习视频人脸识别算法

视频环境下目标的姿态变化使得人脸关键帧难以准确定位,导致基于关键帧标识的视频人脸识别方法的识别率偏低.为解决上述问题,本文提出一种基于Fisher加权准则的多示例学习视频人脸识别算法.该算法将视频人脸识别视为一个多示例问题,将视频中归一化后的人脸帧图像作为视频包中的示例,采用分块TPLBP级联直方图作为示例纹理特征,示例特征的权值通过改进的Fisher准则获得.在训练集合的示例特征空间中,采用多示例学习算法生成分类器,进而实现对测试视频的分类及预测.通过在Honda/UCSD视频库和Youtube Face数据库中的相关实验,该算法达到了较高的识别精度,从而验证了算法的有效性.同时,该方法对均匀光照变化、姿态变化等具有良好的鲁棒性.

多角度特征融合的视频人脸纹理表示及识别

提出了一种在Gabor变换幅值域内提取3个正交平面上的局部二值模式的多角度特征融合的视频人脸纹理表示及其识别方法。首先对视频帧集合中归一化的每幅人脸图像进行不同尺度和方向的Gabor小波变换得到增强的Gabor幅值图谱。然后采用3个正交平面上的局部二值模式提取视频纹理特征。最后采用基于Fisher加权的Chi平方概率统计最近邻方法进行视觉人脸识别。通过在Honda/UCSD视频库进行的相关实验,验证了算法的有效性,该方法对光照变化、表情变化等具有较好的鲁棒性。

一种采用AVS的视频监控系统设计与实现

AVS是我国具备自主知识产权的第2代信源编码标准,是一套包含系统、视频、音频、媒体版权管理在内的完整标准体系,在未来中国数字音视频产业中有广阔的应用前景。设计并实现了一套基于AVS视频编解码技术的视频监控系统,可以对AVS视频流自动进行处理。该系统结合AVS视频编解码、背景/非背景分类、人脸检测与识别等技术,可输入文本、图片和视频段对出现在监控视频中的人物进行身份的自动识别,并引入两级索引结构以达到快速检索的目的,在数字监控、门禁控制以及身份识别等方面有一定的应用价值。

视频人脸识别进展综述

人脸识别是生物特征识别领域的一项关键技术,长期以来得到研究者的广泛关注。视频人脸识别任务特指从一段视频中提取出人脸的关键信息,从而完成身份识别。相较于基于图像的人脸识别任务来说,视频数据中的人脸变化模式更为多样且视频帧之间存在较大差异,如何从冗长而复杂的视频中抽取到人脸的关键特征成为当前的研究重点。以视频人脸识别技术为研究对象,首先介绍了该技术的研究价值和存在的挑战;接着对当前研究工作的发展脉络进行了系统的梳理,依据建模方式将传统基于图像集合建模的方法分为线性子空间建模、仿射子空间建模、非线性流形建模、统计建模四大类,同时对深度学习背景下基于图像融合的方法进行了介绍;另外对现有视频人脸识别数据集进行分类整理并简要介绍了常用的评价指标;最后分别采用灰度特征和深度特征在YTC数据集及IJB-A数据集上对代表性工作进行评测。实验结果表明:神经网络可以从大规模数据中提取到鲁棒的视频帧特征,从而带来识别性能的大幅提升,而有效的视频数据建模能够挖掘出人脸潜在的变化模式,从视频序列包含的大量样本中找到更具判别力的关键信息,排除噪声样本的干扰,因此基于视频的人脸识别具有广泛的通用性和实用价值。

一种融合流形学习的视频人脸性别识别改进算法

如何有效利用视频中人脸之间的时空连续性信息来克服人脸分辨率低、图像尺度变化大和姿态、光照变化以及遮挡等问题是视频人脸识别的关键所在。提出了一种基于流形学习的视频人脸性别识别算法。该算法不仅可以通过聚类融合学习来挖掘视频内在的连续性信息,同时能发现人脸数据中内在非线性结构信息而获得低维本质的流形结构。在UCSD/Honda和自采集数据库上与静态的算法比较结果表明,所提算法能够获得更好的识别率。

基于视频的人脸识别系统研究

人脸识别系统的人脸库的建立是一个十分麻烦的工作,需要耗费研究者大量的时间和精力。针对这个情况,提出了一种基于视频建立人脸库的新思路,并通过构建一个人脸识别系统来验证该方法的可行性。首先利用基于肤色的改进的Adaboost算法提取视频中的人脸样本,建立人脸库;然后结合改进的2DPCA人脸识别算法构成一个基于视频的人脸识别系统,用待测视频来检测该系统的人脸识别性能。实验结果表明,该系统有着不错的人脸识别率,解决了人脸库建库难的问题。

奇异值分解和改进PCA的视频人脸检索方法

针对视频中人脸检索问题,提出一种基于奇异值分解和改进PCA相结合的视频中单样本人脸检索方法,其中通过融合局部均值和标准差的图像增强处理来实现PCA算法的改进,从而克服光照对目标的影响。通过AdaBoost人脸检测算法对人脸图像和视频进行人脸检测;通过奇异值分解增加训练样本,在原样本和新样本的基础上采用改进的PCA人脸识别算法提取待检测人脸和视频中的人脸代数特征;采用最近邻分类器进行特征匹配,判断视频中检测出的人脸是否为要检索的目标人脸。实验结果表明,该方法在简单背景的视频环境下可以较准确地检索出目标人脸。

一种基于多人视频的人脸识别考勤方法

本文主要讲述一种基于多人视频的人脸识别考勤方法,主要应用了人脸检4测,图片拼接以及图片清晰度检测等技术。该方法可以从视频中提取图片,对图片进行人脸检测及图片处理,交给人脸识别服务器对比识别完成签到,相比较于传统的人脸识别考勤机,实现了高并发、过程透明化、防早退等优点,使得该方法可以应用于学校以及各大场景。