基于Edge Boxes和深度学习的非限制条件下人脸检测

针对光线、旋转、遮挡、平移等因素对人脸检测结果产生的干扰,提出一种基于Edge Boxes和深度学习相结合的人脸检测算法。首先采用Edge Boxes算法提取出可能存在人脸的边界框,提取边界框中的图像并调整至合适的大小,作为卷积神经网络的输入,然后利用卷积神经网络对提取出的图像进行特征提取和分类,最后利用非极大抑制算法排除多余人脸检测框,得到人脸的准确位置。该算法应用于LFW和Yale B人脸数据库的检测率分别达到98.7%和98.5%,识别单张人脸的时间均小于0.5 s。实验结果表明,该算法在检测率和检测速率方面较传统算法都有了很大的提高,对于遮挡、光照、旋转等干扰具有更强的鲁棒性。

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%。