词汇树融合SIFT的热成像和视觉图像人脸识别

针对热成像和视觉图像人脸识别问题,提出了一种基于词汇树融合尺度不变特征变换方法。首先,对视觉和热成像图像分别单独进行提取,利用Viola-Jones层叠检测器从自然图像中检测出人脸;然后,利用SIFT描述符从尺度空间提取稳定特征;最后,使用词汇树进行分类,利用评分融合和决策融合算法提高系统的精确性和安全性。在拍摄的41个人的脸部图像上的实验表明了该方法的有效性,识别率可接近100%,相比其他几种较为新颖的人脸识别方法,该方法取得了更高的识别精度,并且在一定程度上降低了计算耗时。     

利用判别共同向量方法选取ROI的面部遮挡人脸识别

人脸识别中面部遮挡易影响识别性能,针对该问题提出一种判别共同向量方法。该方法利用DWT对训练图像进行预处理,利用DCVA提取特征以确定感兴趣区域,计算测试图像与训练图像之间的多流形距离,并利用稀疏重建系数和最近邻分类器完成识别。在AR及LFW人脸数据库上的实验结果表明,该方法的识别率可高达99%,相比其他几种较新的面部遮挡识别方法取得了更高的识别率,同时减少了识别所耗的时间。     

一种基于稠密SIFT特征对齐的稀疏表达人脸识别算法

该文针对人脸图像受到非刚性变化的影响,如旋转、姿态以及表情变化等,提出一种基于稠密尺度不变特征转换(SIFT)特征对齐(Dense SIFT Feature Alignment, DSFA)的稀疏表达人脸识别算法。整个算法包含两个步骤：首先利用DSFA方法对齐训练和测试样本;然后设计一种改进的稀疏表达模型进行人脸识别。为加快DSFA步骤的执行速度,还设计了一种由粗到精的层次化对齐机制。实验结果表明：在ORL,AR和LFW 3个典型数据集上,该文方法都获得了最高的识别精度。该文方法比传统稀疏表达方法在识别精度上平均提高了4.3%,同时提高了大约6倍的识别效率。     

基于SIFT特征的两阶段procrustes迭代匹配算法

以得到尽量准确的图像SIFT(Scale Invariant Feature Transform)特征点之间的匹配关系为目的,给出了一种基于SIFT特征的两阶段procrustes迭代匹配方法。该方法首先基于图像SIFT描述向量得到图像SIFT特征点之间的初始匹配关系,初始匹配的特征点之间存在较多的错误匹配特征点对,然后利用特征点之间全局的几何约束采用第一阶段的procrustes迭代匹配方法去除错误匹配的特征点对,这时部分正确的匹配特征点对也可能被去除,最后利用另一个procrustes迭代匹配过程找回被去除的正确匹配特征点对。仿真实验表明,本文的方法有效去除了SIFT描述向量匹配中存在的错误匹配点对,并能找回被去除的正确匹配点对,得到图像特征点之间正确的匹配关系。      

基于深度残差网络模型压缩的局部遮挡人脸识别

尽管卷积神经网络使遮挡人脸识别效果有所改善,但随着性能的提高会造成结构复杂、网络参数增加、耗时长的问题。针对此问题,提出一种基于深度残差网络模型压缩的局部遮挡人脸识别方法。首先,采用多任务级联卷积神经网络(MTCNN)对人脸图像进行预处理;其次,选择残差网络作为主体网络,以残差块的卷积层为基本单位,通过结构化剪枝修剪卷积层滤波器,实现对深度残差网络模型压缩的同时移除滤波器输出的特征映射;最后,学习掩码特征去除遮挡损坏的特征元素对人脸进行识别。实验结果表明在准确率影响不大的情况下,网络参数量减少,识别速度有明显的提升。     

基于粗糙集近似约简和SIFT特征的图像匹配算法

SIFT(Scale Invariant Feature Transform)描述符由于具有尺度、旋转和光照不变等特性在图像匹配领域获得了广泛的应用。但是,SIFT特征点采用128维特征向量表示,当图像特征点较多时,匹配算法所需的存储空间大、匹配时间长,且匹配精度不理想。针对以上问题,本文给出了一种基于Rough-SIFT描述符的图像匹配算法。首先,利用排序法求出图像的稳健特征点,然后为提高后续匹配处理运算效率,将粗糙集约简理论引入到基于SIFT特征的匹配算法中,通过构建一种新的近似约简算法来对稳健特征点的128维特征向量进行降维处理,最后利用约简后的特征点对图像进行匹配。仿真实验表明, 本文方法使得约简后的SIFT特征点更加精确、稳定、可靠,有效减小了匹配算法的存储空间,提高了匹配算法的效率和准确率。      

一种基于SIFT和区域选择的图像拼接方法

提出了一种基于SIFT和区域选择相结合的图像拼接方法.该方法采用改进的尺度不变特征变换(SIFT)特征提取方法获得图像特征点,并充分利用圆形区域的旋转不变性和互信息量最大原则进行特征点匹配,避免了传统的图像配准算法计算量过大、特征点匹配不准确等问题,最后采用加权平均的方法对图像进行融合.实验表明,该方法对图像间存在的平移、旋转、明暗强度和噪声干扰等都具有良好的鲁棒性,可实现高质量的图像拼接.     

基于改进SIFT的图像拼接算法

针对目前基于SIFT的图像拼接算法复杂度较高和特征点匹配不准等问题,提出了一种基于改进SIFT的图像拼接算法。算法利用改进的SIFT进行特征提取,降低了算法的复杂度,同时采用模拟退火算法进行特征点匹配,从而估计出几何变换的参数。实验结果表明,该方法对图像间存在的平移、旋转、明暗强度和噪声干扰都具有良好的鲁棒性,可实现高质量的图像拼接。     

基于初始尺度变换的SIFT匹配算法

直接使用检测到的SIFT(Scale-Invariant Feature Transformation)特征点进行特征点匹配,匹配性能仍然有待提升.提出了改进的SIFT匹配算法,利用匹配特征点的尺度比直方图,估计出近似的图像尺度比k,然后将空间分辨率较高的图像初始尺度增大到k倍,再次提取特征点进行匹配.实验结果表明,相比于其它用尺度约束条件提升性能的匹配算法,基于初始尺度变化的SIFT匹配算法在处理结构型图像时性能得到了很大的提升.     

浅谈部分遮挡下的人脸识别技术研究

本文从新冠肺炎疫情防控的应用场景引出了计算机视觉领域中的人脸识别技术,指出了部分遮挡下人脸识别存在的困难与挑战,概述了部分遮挡下人脸识别技术的研究进展以及深度学习在部分遮挡人脸识别技术中的应用。     

通用学习框架结合2DPCA的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。     

字典学习优化判别性降维的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、面部遮挡等变化而严重影响识别性能的问题,提出了基于字典学习优化判别性降维的鲁棒人脸识别算法。首先,利用经典的特征提取算法PCA初始化降维投影矩阵;然后,计算字典和系数,通过联合降维与字典学习使得投影矩阵和字典更好地相互拟合;最后,利用迭代算法输出字典和投影矩阵,并利用经l2-范数正则化的分类器完成人脸的识别。在扩展YaleB、AR及一个户外人脸数据库上的实验验证了本文算法的有效性及鲁棒性,实验结果表明,相比几种线性表示算法,本文算法在处理鲁棒人脸识别时取得了更高的识别率。     

Face Recognition Using Dense SIFT Feature Alignment

This paper addresses face recognition problem in a more challenging scenario where the training and test samples are both subject to the visual variations of poses,expressions and misalignments.We employ dense Scale-invariant feature transform (SIFT) feature matching as a generic transformation to roughly align training sampies;and then identify input facial images via an improved sparse representation model based on the aligned training samples.Compared with previous methods,the extensive experimental results demonstrate the effectiveness of our method for the task of face recognition on three benchmark datasets.     

一种基于肤色和脸部特征的人脸检测方法

针对人脸检测问题中快速性与准确性难以同时满足的情况,提出了一种将肤色和脸部特征相结合的方法来检测人脸.由于通过基于肤色的算法能快速定位出人脸大致位置,因而检测速度能达到实时的要求;同时利用脸部特征进一步细检,可保证检测的精确性.     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

人脸显性特征的融合构造方法及识别

 目前的人脸识别研究中,面部几何特征没有得到很好的利用.本文阐述了几何特征对于人脸识别的重要性,在此基础上提出了一种提取面部几何特征的新方法;通过融合几何信息和纹理信息构造出一种面部显性特征,并给出了相应的人脸识别方法.这种新的人脸识别方法相对于基于统计学习的子空间方法具有一定的优势,同时也可作为后者的有益补充.实验表明,本文提出的人脸表示特征及识别方法对人脸表情变化和环境光照变化均有一定的鲁棒性.     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

结合小波局部特征与LDA的人脸识别

提出了一种小波局部特征结合LDA(线性判别分析)的人脸识别算法。首先对图像分块,选取包含图像信息量多的区域进行小波变换并提取特征,将小波分解得到的低频部分利用LDA投影求得人脸识别特征,最后利用最近邻分类器对图像进行分类。在ORL和Yale人脸数据库上进行实验,结果表明使用小波局部特征结合LDA的方法可达到较高的识别率。     

Face recognition based on wavelet-curvelet-fractal technique

In this paper, a novel face recognition method, named as wavelet-curvelet-fractal technique, is proposed. Based on the similarities embedded in the images, we propose to utilize the wavelet-curvelet-fractal technique to extract facial features. Thus we have the wavelet’s details in diagonal, vertical, and horizontal directions, and the eight curvelet details at different angles. Then we adopt the Euclidean minimum distance classifier to recognize different faces. Extensive comparison tests on different data sets are carried out, and higher recognition rate is obtained by the proposed technique.