用于人脸识别的多年龄人脸图像合成

为了解决人脸识别中识别率随年龄变化急剧下降，提出了一种多年龄人脸图像合成方法。首先将测试图像表示为形状向量和纹理向量，之后用渐进智能神经网络（IINN）估计测试图像的年龄，然后利用事先训练的查找表计算目标年龄的形状向量和纹理向量，最后利用基于三角形的仿射变换把目标年龄的形状和纹理结合起来，生成目标年龄的人脸图像。实验结果表明，该方法有效地由1幅图像重构不同年龄时期的人脸图像，有效“改变”人脸图像的年龄。     

基于单视图的多姿态人脸图像生成技术研究

该文提出了一种基于单视图或小样本的多姿态人脸图像生成技术,它首先利用一个特征点集表示人脸,然后基于二元高次多项式函数最小二乘方法对人脸各姿态之间的特征点集坐标变化进行拟合,形成全局的变形域,最后由单视图通过变形映射生成多姿态人脸图像。实验结果表明,利用单视图和生成的多姿态图像进行多姿态人脸识别,正确率得到大大提高,证明该文人脸图像生成技术十分有效。     

基于引导图像滤波的素描人脸图像合成技术

针对传统人脸图像合成算法存在过度平滑的问题,文中提出一种使用引导图像滤波的改进合成算法。通过引入K近邻基准算法和机器学习等理论,测试人脸图像可以得到训练图像块的线性组合表示,从而获取初始的合成结果。并在此基础上,利用引导图像滤波的方法,增强人脸素描图像的细节特征,进一步优化人脸细节纹理的展示。相关的仿真结果表明,文中所提出的合成算法有效回避了传统合成算法过度平滑的弊端,能够合成效果更加优秀的人脸素描图像。     

基于个性化原型的人脸衰老图像合成

 本文提出了一种新的个性化人脸衰老图像合成方法.基于已建立的黄种人脸图像数据库,提出了一种基于人脸外轮廓局部曲率标准差的个性化原型匹配算法,通过计算出表征人脸的脸型特征点的局部曲率标准差,在人脸图像数据库中匹配找出多幅图像,进行纹理增强的原型合成,再通过形状和颜色变换模型实现了人脸衰老图像的生成,能达到皱纹增加、眼袋生成、皮肤光泽减退、毛发变花白等具有真实感的衰老合成效果.实验表明本方法能方便逼真地合成不同种类的人脸在不同年龄段的衰老图像.     

面向视频图像的人脸检测与识别分析

目前,人脸检测与识别在各行各业中均得到了深入应用.随着人工智能神经网络技术发展逐渐成熟,相关工程方案已经进入社会生活,使人脸检测、识别需求大幅提升.在这种背景下,应当重视基于视频图像的人脸检测与识别工作,确保其能够得到有效处理,避免产生丢失问题,实现理想应用目标.本文主要针对视频图像人脸检测、识别进行深入研究,并提出解...     

人脸成像特性研究及人脸归一化的目标

探讨了多种输入设备下的人脸成像原理和特征，并基于人脸识别的要求指出了人脸归一化的目标。为了达到这些目标，提出了若干种人脸归一化的方法，并给出了实验结果。     

基于稀疏表示的人脸姿态估计研究

针对人脸光照、遮挡、身份、表情等因素变化的人脸姿态估计难题,结合稀疏表示分类(SRC)方法的优秀识别性能,对SRC理论进行了深入分析,并将其应用于人脸姿态分类.为了解决姿态估计中人脸光照、噪声和遮挡变化问题,将人脸姿态离散化为不同的子空间,每个子空间对应一个类别,据此,提出基于字典学习与稀疏约束的人脸姿态识别方法.通过在公开的XJTU和PIE人脸库上实验表明:所研究的方法对人脸光照、噪声和遮挡变化具有鲁棒性.     

彩色序列图像的人脸检测

针对人脸的色度特性、运动特性和几何特性,提出了一种新的方法进行人脸检测。首先结合色度分析和运动检测排除非仍脸区域,未被排除的区域作为人脸候选区域,再根据人脸区域的几何特征和事先训练好的支撑向机进行验证,从而最后检测出人脸。该方法原优点是将人脸的检测工作分成独立的两个模块,第一模块尽可能减少漏检率,第二模块减少虚检率。采用这样的系统结构可以提高检测成功和系统响应度。     

姿态和光照可变条件下的仿射最小线性重构误差人脸识别算法

传统人脸识别算法通常把光照处理和姿态校正作为两个相对独立的处理过程,难以取得全局最优识别性能.针对该问题,本文根据人脸的非刚体特性,将仿射变换和分块思想融入线性重构模型中,提出了一种基于仿射最小线性重构误差(Affine Minimum Linear Reconstruction Error,AMLRE)的人脸识别算法,在处理光照问题的同时能够补偿姿态变化造成的局部区域对齐误差,以获得更好的全局识别性能.在公共数据集上的实验结果表明,本文提出的算法对光照和姿态有很好的鲁棒性,同时与现有的人脸识别算法相比,本文的算法具有更高的识别率.     

基于学习的模糊人脸图像重构算法研究

人脸研究一直是计算机视觉、模式识别和计算机图形学领域中的热点研究问题之一。现今,通过监视器得到的人脸图像分辨率不高,以至于给人脸识别和跟踪等后续应用带来很大的难度。本文提出一种基于学习的超分辨率重构算法来得到清晰的人脸图像,采用对图像块搜索操作进行位置限制和检查图像分块间重叠区域水平兼容性的思想,降低了搜索的复杂度,提高了匹配相关性。     

手绘人脸识别的研究

人脸自动识别技术的应用领域十分广泛,其中从警察局的犯罪嫌疑人数据库中进行人脸图像的自动识别就是人脸识别的实际应用之一。但是,在许多情况下,犯罪嫌疑人的照片或图像是不容易得到的,最好的代替方法就是一张通过目击者的回忆而得到的手绘草图。介绍一种在人脸草图和照片之间进行自动识别的方法。通过将一张照片图像转化成手绘草图,减小了在照片和草图之间的差别,这样就为照片和图像进行匹配提供了有效的条件。在包含188个人脸图像数据中进行试验充分地证明了该算法的有效性。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

单对象人脸识别技术研究

针对单对象人脸识别的特点,提出了一种基于DWT-DCT平均脸和自适应阈值的单对象人脸识别算法,该算法首先利用肤色模型和人脸几何特征检测、定位、归一化内脸,然后对人脸进行DWT变换和DCT变换提取人脸特征,并计算DWT-DCT平均脸,最后利用自适应阈值进行人脸识别。实验证明,该方法具有识别有效性和认证可靠性。     

基于改进2DPCA的红外图像人脸识别方法

红外成像具有抗干扰性强、独立于可见光源、防伪装等优点,这使得红外图像人脸识别可以在很大程度上弥补可见光人脸识别技术的缺陷和不足。结合红外图像人脸识别的特点,提出了一种基于改进2DPCA的红外图像人脸识别方法。在特征提取中加入Fisher思想,弥补传统2DPCA的缺陷。实验结果表明,这种识别方法不论从理论上还是从实验上都是可行的,具有良好的识别能力。     

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。     

基于DCT和线性判别分析的人脸识别

 提出基于离散余弦变换和线性判别分析的人脸识别方法.DCT变换本身并不进行数据压缩,它只是将图像源数据映射到另一个域,如何在新的数据域中选择最有效的DCT系数作为识别特征成为关键问题.本文从选择有效特征角度出发,引入特征选择算法,根据可分性判据确定将哪些DCT系数作为特征,然后对选出的DCT系数进行线性判别分析提取识别特征.在ORL人脸库上的实验结果证明了提出方法的有效性.     

Face Image Recognition Based on Convolutional Neural Network

With the continuous progress of The Times and the development of technology,the rise of network social media has also brought the“explosive”growth of image data.As one of the main ways of People’s Daily communication,image is widely used as a carrier of communication because of its rich content,intuitive and other advantages.Image recognition based on convolution neural network is the first application in the field of image recognition.A series of algorithm operations such as image eigenvalue extraction,recognition and convolution are used to identify and analyze different images.The rapid development of artificial intelligence makes machine learning more and more important in its research field.Use algorithms to learn each piece of data and predict the outcome.This has become an important key to open the door of artificial intelligence.In machine vision,image recognition is the foundation,but how to associate the low-level information in the image with the high-level image semantics becomes the key problem of image recognition.Predecessors have provided many model algorithms,which have laid a solid foundation for the development of artificial intelligence and image recognition.The multi-level information fusion model based on the VGG16 model is an improvement on the fully connected neural network.Different from full connection network,convolutional neural network does not use full connection method in each layer of neurons of neural network,but USES some nodes for connection.Although this method reduces the computation time,due to the fact that the convolutional neural network model will lose some useful feature information in the process of propagation and calculation,this paper improves the model to be a multi-level information fusion of the convolution calculation method,and further recovers the discarded feature information,so as to improve the recognition rate of the image.VGG divides the network into five groups(mimicking the five layers of AlexNet),yet it USES 3*3 filters and combines them as a convolution sequence.Network deeper DCNN,channel number is bigger.The recognition rate of the model was verified by 0RL Face Database,BioID Face Database and CASIA Face Image Database.