1.关键算法

2.人脸识别局部研究的创新点

3.感悟

1.人脸识别的研究现状及面临的挑战
人脸识别的发展过程大概分为三个阶段：
第一阶段：上世纪60年代到90年代。从人脸的几何构造特点出发，通过器官关键点之间的距离，人脸轮廓的形状简单记录人脸几何特征。该阶段是研究的初级阶段，方法的应用性不够强，逐渐被淘汰。
第二阶段：1991年到1997年，麻省理工学院媒体实验室提出“Eigenfaces”方法，该算法利用主成分分析（PCA）获得包含主要成分的低维特征；1992年左右通过对比实验确定了一个结论：模板匹配的方法相比基于结构特征的方法有着更优秀的识别性能。Belhumeur等人提出Fisherface，他们将主成分分析和线性鉴别分析算法有效结合并应用于人脸识别。主要分为三个方面：对人脸识别的研究者或者研究部门提供资助，创建有效的人脸库，组织相关算法的性能测评。
第三阶段：1998年至今。研究者们使用很多新技术用于解决人脸识别问题，如流形学习方法，神经网络，三维人脸识别的大规模研究。
相关算法
1.基于几何特征的人脸识别
将人脸器官间的关系用几何数据进行描述，将这些数据转化为特征向量，进而进行人脸识别。主要有三大步骤：
第一，根据关键器官位置和相对关系记录人脸几何信息
第二，通过得到的信息完成对几何特征的提取
第三，利用有效的分类器实现特征分类，识别身份。
2.基于统计特征的人脸识别
通过对原始人脸的学习获得投影矩阵，然后利用投影矩阵将原始人脸图像进行映射变换，获得更便于识别的人脸特征。代表的方法有：主成分分析（PCA），独立成分分析（ICA）以及线性鉴别分析（LDA）。
PCA 根据样本库所有人脸信息得到最优正交子空间，然后通过正交子空间将复杂的高维数据投影变换，得到包含主要成分的低维特征。经过转换后的特征维数远低于原向量空间维数，可以大大减少数据维度，加快人脸识别的速度。
ICA 从训练样本库中学习得到若干独立的基图像，然后经过线性组合优化获得二阶或更高阶的统计信息。
LDA 利用样本标签实现监督学习，通过投影矩阵将原始人脸映射到新的空间，在降维的同时使同一类人的样本更加靠近，不同类人的样本分离的更加明显，从而实现更准确的分类。
3.基于流形学习的人脸识别
流形学习主要包括基于全局嵌入和基于局部嵌入的流形学习方法。
等距映射（Isometric Mapping，ISOMAP）和局部线性嵌入（Locally Linear Embedding，LLE）是两种代表性方法。
ISOMAP 的最大特点是降维后的数据使得原本在高维空间样本特征的相对分布关系在低维空间仍保持一致。LLE 方法则与 ISOMAP 不同，它是一种局部模型，它的目标是在对数据降维重构时依然保持原本局部邻域样本点的线性关系。
4.基于深度学习的人脸识别·
它利用了卷积神经网络(Convolutional Neural Network，
CNN)参与特征提取，尤其是在 3D 人脸对齐和人脸表示步骤上的大量改进使得其识别性能大辐提升。
2.局部人脸识别的创新点
（1）针对局部方向数（LDN）类方法的人脸识别通常仅利用梯度信息且存在信息提取不
充分的问题，提出双偏差双空间局部方向模式（DVDSLDP）。该方法首先通过像素采样扩大关联邻域信息，再利用边缘响应算子和局部前后向差分，分别获得相对偏差和绝对偏差以构成双偏差信息，充分挖掘局部梯度空间信息；然后与所提取像素的灰度空间特征级联融合，以获得双空间特征，再进行模式编码得到特征图；最后依据信息熵加权级联各子块直方图获得人脸特征向量，使用最近邻分类器完成分类。针对 ORL、Yale、AR 人脸库和相关典型方法的对比结果表明：利用双空间特征的融合，获得了轮廓更清晰、纹理更丰富的编码特征图，在 ORL 和 Yale 库上分别达到了 99.5%、94.44%的识别率，尤其是在训练样本较少时性能提升明显；同时，特别需要提及的是，该方法针对 AR 库的表情、光照、遮挡 A 和遮挡 B 子集分别达到了 99.67%、100%、99.33%和 97.33%的识别率，明显高于其它方法，表现出良好的鲁棒性。
（2）针对局部二值模式（LBP）及局部图结构 (LGS)方法因非均衡的提取方式导致特征
表达能力不强，以及单纯提取局部特征不能全面描述人脸信息的局限性，提出基于均衡局部模式 DOG 多尺度融合的人脸识别算法。首先针对 LBP、LGS 的不足，在利用双圆交叉采样和以局部宏观信息为参考的自适应阈值、中心对称的采样图结构实现均衡优化的基础上，提出可变参的延展交叉型局部二值模式（ECLBP）和四星型局部图结构（FLGS）方法，合称为均衡局部模式，增强了对关键特征信息的提取。然后将经高斯核及图像差分生成的 DOG 金字塔与均衡局部模式方法融合，补充的多尺度特征图在丰富样本信息的同时实现了大尺度全局轮廓和小尺度局部细节的融合，可进一步捕捉类间及类内差异特征。最后加权级联所有特征图各子块的统计直方图，得到更加全面准确的特征向量，采用最近邻分类器实现匹配识别。特征图、直方图的主客观对比，从理论上验证了均衡局部模式获得信息更丰富、判别性更强的局部特征。针对 ORL、AR、LFW 人脸库和相关典型方法的对比结果发现：在时间消耗相当时，均衡局部模式的识别率提升最高达 15.52%；进一步融合 DOG 金字塔后，识别率再次提升最高达 9.24%。实验结果表明：均衡局部模式特征明显拥有更强的表征能力及鲁棒性，补充的多尺度信息进一步增强了特征性能，尤其在少样本环境，当样本信息有限时，算法的整体优势更加明显。
LPB类算法

3.感悟
人脸识别是一种重要的生物特征识别技术，已广泛运用于人们生活的方方面面，随着研究者的方法不断提出，加快了人脸识别的发展。目前主要的研究是对识别效率的提高，以及一些识别过程中障碍的研究。关键是算法上的改进，研究的方向也从静态的图像转向动态方面。
参考文献：[1]王鹏. 基于局部模式的人脸识别研究[D].杭州电子科技大学,2020.

学习感悟（局部模式的人脸识别研究）相关推荐

三维人脸识别研究进展综述（附pdf）
近年来,三维人脸识别研究取得了较大进展.相比二维人脸识别,三维人脸识别更具有优势,主要特点是在识别中利用了三维形状数据.该文首先根据三维形状数据的来源,将三维人脸识别分为基于彩色图像的三维人脸识别. ...
国内人脸识别研究现状
最近几年,在国内掀起了一股图像处理.分析.识别的热潮,而其中的车牌识别和人脸识别无疑是其中的研究热潮. 本人没有做过车牌识别的项目,不便叙述,不过,倒是可以跟大家聊聊最近几年国内在人脸识别领域的一些发 ...
博士论文——基于卷积神经网络的人脸识别研究 __张燕红
论文题目作者年份关键词链接备注基于卷积神经网络的人脸识别研究张燕红 2018 人脸识别:卷积神经网络:特征提取:分块策略:正则化博士论文摘要:随着信息技术的蓬勃发展,人们的学习和生活 ...
FPGA图像处理学习——基于肤色的人脸识别
本文针对咸鱼FPGA的FPGA实现人脸检测以及直方图拉伸进行原理学习.工程在文末. 一.人脸识别大致流程获取人脸图像--肤色提取(Ycbcr+阈值)--滤波处理(中值.腐蚀膨胀)--人脸框选--显示 ...
haar分类器详解（Haar特征，积分图，adaboost算法，筛选式级联分类器），DCG介绍 --文献阅读报告《基于素描对视频的人脸识别研究》
基于素描对视频的人脸识别--haar分类器详解,haar特征,adaboost,级联强分类器,积分图,DCG 背景算法总体流程 1.预处理--识别出人脸并将人脸图像标准化 haar特征积分图--加 ...
[雪峰磁针石博客]计算机视觉opcencv工具深度学习快速实战1人脸识别
使用OpenCV提供的预先训练的深度学习面部检测器模型,可快速,准确的进行人脸识别. 2017年8月OpenCV 3.3正式发布,带来了高改进的"深度神经网络"(dnn deep ...
吴恩达深度学习笔记13-Course4-Week4【人脸识别和神经风格转换】
人脸识别(Face Recognition) 一.人脸识别简介(What is face recognition?) 人脸验证:输入一张带人名/ID的人脸图片,验证是不是那个人.一对一问题. 人脸识别 ...
人脸识别研究任务及开源项目调研
0 任务人脸识别流程包括人脸检测.人脸对齐.人脸识别等子任务. 图1 一些部分遮挡的人脸样本.(a) LFW数据库中部分遮挡的人脸样本.(b)AR数据库部分遮挡的人脸样本. 人脸识别具有重要的学术价 ...
不得不赞！京东开源FaceX-Zoo，一站式人脸识别研究平台
近日,京东AI研究院开源了FaceX-Zoo,一个专为人脸识别而生的开源库,论文 FaceX-Zoo: A PyTorch Toolbox for Face Recognition 详述了其特点,不仅 ...

学习感悟（局部模式的人脸识别研究）

基于局部模式的人脸识别研究

1.关键算法

2.人脸识别局部研究的创新点

3.感悟

学习感悟（局部模式的人脸识别研究）相关推荐

最新文章

热门文章