基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用

合集下载

基于稀疏矩阵人脸特征识别

基于稀疏矩阵人脸特征识别稀疏矩阵在人脸特征识别中的应用是一种热门的研究领域。

通过将人脸图像表示为稀疏矩阵，可以减小特征维度，提高识别准确率。

本文将详细介绍基于稀疏矩阵人脸特征识别的原理、方法和应用。

人脸是一种重要的生物特征，具有唯一性和稳定性。

人脸特征识别是一种常见的生物识别技术，广泛应用于安全验证、图像和人机交互等领域。

然而，传统的人脸特征识别方法往往存在维度高、计算复杂度高、易受噪声干扰等问题，难以满足实际应用需求。

稀疏矩阵是一种特殊的矩阵，其大部分元素为零，仅有少量非零元素。

在人脸图像处理中，人脸特征通常是高维度的，但是许多特征并不是都对人脸识别有用，因此可以通过稀疏矩阵对其进行稀疏表示，减小特征维度，提高识别准确率。

基于稀疏矩阵的人脸特征识别方法主要分为两个步骤：稀疏编码和分类器训练。

首先，将人脸图像表示为稀疏矩阵，可以使用一些稀疏字典学习算法，如K-SVD、OMP等。

这些算法通过学习一组稀疏基向量，将原始图像进行线性表示，从而得到稀疏矩阵表示。

这样做的好处是可以减小特征维度，提取出对人脸识别有用的特征。

接下来，使用分类器对稀疏矩阵进行训练和分类。

常用的分类器包括最近邻分类器、支持向量机等。

分类器通过学习一些样本的特征分布规律，对未知的人脸图像进行分类，从而实现人脸识别。

基于稀疏矩阵的人脸特征识别方法已经得到了广泛的应用。

例如，在人脸图像中，可以使用稀疏矩阵对图片进行特征提取，然后通过计算图片之间的相似性进行。

在人脸识别门禁系统中，可以使用稀疏矩阵对人脸进行特征提取，然后通过与数据库中的特征进行比对，实现识别和授权。

总的来说，基于稀疏矩阵的人脸特征识别方法具有特征维度低、计算速度快、鲁棒性强等优点，在人脸图像处理中有着广泛的应用前景。

然而，稀疏矩阵人脸特征识别方法仍然存在一些挑战，如稀疏性约束和字典学习算法的选择等问题。

未来的研究方向可以进一步提高人脸特征识别的准确率和鲁棒性，推动该技术在实际应用中的广泛推广和应用。

稀疏编码在人脸识别中的应用与实用性分析

稀疏编码在人脸识别中的应用与实用性分析人脸识别技术是一种通过对人脸图像进行分析和处理，从而实现对人脸身份的识别的技术。

在现代社会中，随着科技的不断进步，人脸识别技术已经被广泛应用于各个领域，如安全监控、人脸支付等。

而稀疏编码作为一种重要的信号处理技术，也逐渐在人脸识别中得到了应用。

稀疏编码是一种将高维数据表示为低维稀疏向量的方法，其基本思想是通过选择少量的基向量来表示原始数据，从而实现数据的降维与压缩。

在人脸识别中，稀疏编码可以有效地提取人脸图像的关键信息，从而实现对人脸的准确识别。

首先，稀疏编码可以通过对人脸图像进行特征提取，提取出人脸的重要特征，如眼睛、鼻子、嘴巴等。

这些特征在人脸识别中具有重要的作用，可以帮助识别算法更好地区分不同的人脸。

通过稀疏编码，可以将原始的高维人脸图像表示为低维的稀疏向量，从而减少了计算量和存储空间的消耗，提高了人脸识别的效率和准确率。

其次，稀疏编码可以通过对人脸图像进行降噪处理，提高人脸识别的鲁棒性。

在现实应用中，人脸图像往往会受到光照、遮挡等因素的影响，导致图像质量下降，从而影响人脸识别的效果。

稀疏编码可以通过对图像进行降噪处理，去除图像中的噪声，从而提高人脸识别的鲁棒性和稳定性。

此外，稀疏编码还可以通过对人脸图像进行特征融合，提高人脸识别的准确率。

在实际应用中，往往需要将多个特征进行融合，以提高识别算法的性能。

稀疏编码可以将不同的特征表示为稀疏向量，然后通过对这些向量进行加权融合，得到最终的特征表示。

这种融合方式可以提取出更加丰富和准确的特征信息，从而提高人脸识别的准确率和鲁棒性。

然而，稀疏编码在人脸识别中的应用也存在一些挑战和限制。

首先，稀疏编码的计算复杂度较高，需要大量的计算资源和时间。

这对于实时应用来说是一个挑战，需要进一步优化算法和提高计算效率。

其次，稀疏编码对参数的选择较为敏感，不同的参数选择可能导致不同的结果。

因此，如何选择合适的参数成为了一个重要的问题。

融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪

ＩｍｐｒｏｖｅｄａｄａｐｔｉｖｅａｌｇｏｒｉｔｈｍｉｎｆａｃｅｔｒａｃｋｉｎｇｏｆｆｕｓｉｎｇＭｅａｎ－－ｓｈｉｆｔａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ
ＬＩＬａｎ，ＺＨＡＮＧＹｕｎ，ＳＨＩＢａｏｍｉｎｇ（ＤｅｐａｒｔｍｅｎｔｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙｏｆＡｒｔｓａｎｄＳｃｉｅｎｃｅ，Ｌａｎｚｈｏｕ７３００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｌａｒｇｅｃｏｍｐｕｔａｔｉｏｎａｎｄｐａｒｔｉｃｌｅｄｅｇｅｎｅｒａｃｙｆｏｒｆａｃｅｔｒａｃｋｉｎｇ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍ－ｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｕｓｉｎｇｃｏｍｂｉｎａｔｉｏｎｏｆＭｅａｎ —ｓｈｉｆｔａｎｄｐａｒｔｉｃｌｅｆｉｌｔｅｒｉｎｇ．Ｆｉｒｓｔｌｙ．ｂａｓｅｄｏｎｔｈｅ “ｋｅｒｎｅｌ’’ ｏｆＭｅａｎ—ｓｈｉｆｔａｌｇｏｒｉｔｈｍ，ｔｈｅｔａｒｇｅｔｍｏｄｅｌｏｆｗｅｉｇｈｔｅｄｃｏｌｏｒｈｉｓｔｏｇｒａｍｉｓｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅｎａｎｅｗｐａｒｔｉ— ｃｌｅｃｏｌｌｅｃｔｉｏｎｉｓａｄａｐｔｉｖｅｇｅｎｅｒａｔｅｄｕｓｉｎｇｔｈｅＭｅａｎ —ｓｈｉｆｔａｌｇｏｒｉｔｈｍｏｎｔｈｅｉｎｉｔｉａｌｆａｃｅｐｏｓｉｔｉｏｎ，ａｎｄｔｈｅｎｅｘｔｆｒａｍｅｆａｃｅｐｏｓｉｔｉｏｎｉｓｇｏｔｔｅｎｂｙｐａｒｔｉｃｌｅｆｉｌｔｅｒａｌｇｏｒｉｔｈｍｔｏｕｐｄａｔｅａｎｄｒｅ —ｓａｍｐｌｉｎｇｗｅｉｇｈｔｓ，ｗｈｉｃｈｓｍａｌｌｅｒｐａｒｔｉｃｌｅｓａｒｅｄｉｓｃａｒｄ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｓｔｈｅｃｏｍｐｕｔｉｎｇｓｐｅｅｄａｎｄｓｔａ— ｂｉｌｉｔｙｏｆｔｒａｃｋｉｎｇ，ａｎｄａｒｅａｌｓｏｈａｖｅｓｏｍｅｉｍｐｒｏｖｅｍｅｎｔｓｆｏｒｆａｃｅｏｃｃｌｕｓｉｏｎａｎｄｏｆｓｅｔ．

基于改进型Retinex理论和稀疏表示的人脸识别技术

２研究工作
2.1 二值化这种方法通常用于纹理描述操作。在这种技术中，会假设面部图像是由许多细微图案组成的。这种方法的优点是能来克服光照干扰。运算会考虑所有 3×3 矩阵的相邻像素。将中心像素值（pc）设置为阈值，并且与所有像素值进行比较。如果像素值高于阈值，会设置为 1，否则会设置为 0。可以将这个过程描述如下：
2016 年第 22 期
信息与电脑 China Computer&Communication
人工智能与识别技术
基于改进型 Retinex 理论和稀疏表示的人脸识别技术
杨琴
（硅湖职业技术学院，江苏昆山 215332）
摘要：人脸识别是在人的面部上进行模式识别的一种技术。人脸识别技术已成为生物识别最有希望的选择。笔者提出了一种基于改进型 Retinex 理论和稀疏表示的优化方法用于在复杂光照条件下的人脸识别技术。在这个新颖的算法中，原始 Retinex 算法通过微分方程进行优化，然后将获得的可以适用光照改变特征的词典。笔者提出的方法更适合于处理复杂光照下的人脸识别。关键词：人脸识别；复杂光照；Retinex；稀疏表示中图分类号：TP391.41 文献标识码：A 文章编号：1003-9767（2016）22-153-02
公共安全。 1.3 人脸识别系统技术难点人脸识别系统技术难点可总结如下。（1）部分特征的干扰。面部特征如胡须、眼镜可能存在也可能不存在，并且这些特征之间存在较大的变化性，包括形状、颜色和尺寸。（2）姿势。面部的图像由于相对的相机的位置不同，可能呈现出不同的变化（正面、倾斜、轮廓、颠倒）。（3）面部表情和情绪。面部的外观会根据人的表情和情绪变化产生不同的效果。（4）遮挡。面部可能被其他对象部分遮挡，产生不完整的面部信息。（5）图像方向。根据相机光轴的不同旋转，脸部图像会产生变化。（6）成像条件。主要是因为光线条件，在拍摄相片时，会受到诸如相机特性、闪烁的灯光、闪电等因素的影响。（7）年龄。在间隔多年后，拍摄的脸部图像可能会与数据库中的图像不匹配。

改进Retinex方法在人脸图像分辨率提高中的应用

ｄｅｆｅｃｔｓｏｆｔｒａｄｉｔｉｏｎａｌＲｅｔｉｎｅｘａｌｇｏｒｉｔｈｍ，ｔｈｅｐａｐｅｒｉｎｔｒｏｄｕｃｅｄｇｅｏｍｅｔｒｉｃｅｎｖｅｌｏｐｅｐｉｎｃｒｉｐｌｅａｎｄ
ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｌｇｏｉｔｒｈｍ，ｐｒｏｐｏｓｅｄｔｈｅｉｍｐｒｏｖｅｄＲｅｔｉｎｅｘａｌｇｏｉｔｒｈｍｉｎｖｉｅｗｏｆｆａｃｅｄｅｔｅｃｔｉｏｎｉｍａｇｅｒｅｓｏｌｕｔｉｏｎｅｎｈａｎｃｅｍｅｎｔ．Ｔｈｅａｌｇｏｒｉｔｈｍｄｉｒｅｃｔｌｙｇｅｔｔｈｅｅｓｔｉｍａｔｉｏｎｂａｓｅｄｏｎｏｎｅｌａｙｅｒａｓｔｈｅｉｌｌｕｍｉｎａｔｉｏｎｉｍａｇｅｉｎｔｈｅｉｎｐｕｔｉｍａｇｅ，ａｎｄｔｈｅｎｇｅｔｓｃｅｎｅｒｙｒｅｌｅｆｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ，ａｎｄｕｓｉｎｇｔｈｅｐｙｒａｍｉｄｐｒｉｎｃｉｐｌｅｏｆ
２．ＨｅｎａｎＯｉｌｆｉｅｌｄＧｅｏｐｈｙｓｉｃａｌＥｘｐｌｏｒａｔｉｏｎＣｏｍｐａｎｙ，ＨｅｎａｎＡｎｙａｎｇ，４７３１３２ｒａｃｔ：Ｗｉｔｈｔｈｅｇｒｏｗｉｎｇｐｒｏｇｒｅｓｓｏｆｃｏｍｐｕｔｅｒｖｉｓｉｏｎｒｅｓｅａｒｃｈａｎｄｔｈｅｇｒａｄｕａｌｉｍｐｒｏｖｅｍｅｎｔｏｆｉｍａｇｅ’ Ｓｓｕｐｅｒ —ｒｅｓｏｌｕｔｉｏｎｔｅｃｈｎｏｌｏｇｙ，ｔｈｅｒｅｓｏｌｕｔｉｏｎｅｎｈａｎｃｅｍｅｎｔｔｅｃｈｎｉｑｕｅｏｆｆａｃｅｉｍａｇｅｄｅｔｅｃｔｉｏｎｈａｓｆｏｃｕｓｅｄｏｕｒａｔｔｅｎｔｉｏｎ．Ｂａｓｅｄｏｎｔｈｅｐｒｅｓｅｎｔｒｅｓｅａｒｃｈｓｉｔｕａｔｉｏｎｏｆｆａｃｅｄｅｔｅｃｔｉｏｎ’ Ｓｒｅｓｏｌｕｔｉｏｎｅｎｈａｎｃｅｍｅｎｔａｎｄ

基于稀疏表示的人脸识别算法研究

基于稀疏表示的人脸识别算法研究基于稀疏表示的人脸识别算法研究摘要：人脸识别技术在当今社会中得到广泛应用。

本文以稀疏表示方法为基础，对人脸识别算法进行了研究。

首先介绍了人脸识别的重要性和应用现状，然后详细解释了稀疏表示的原理和方法。

接着，结合实例介绍了基于稀疏表示的人脸识别算法的流程和实现步骤。

最后，通过一系列实验证明了基于稀疏表示的人脸识别算法在精确性和鲁棒性方面的优势。

关键词：人脸识别；稀疏表示方法；算法研究；精确性；鲁棒性一、引言人脸识别技术是一种通过对人脸图像的分析和处理，将其与已知的人脸进行比较，从而实现对人脸的自动识别的技术。

人脸识别技术广泛应用于安防领域、身份验证、社交网络等众多领域。

然而，由于人脸图像的复杂性和多变性，如何提高识别率和鲁棒性成为了人们关注的焦点。

二、稀疏表示方法的原理和方法稀疏表示是一种通过使用尽可能少的非零系数来表示某个样本的方法。

稀疏表示方法的本质是通过构建一个字典，使得样本可以用该字典中的少数几个原子线性组合来表示。

通过求解最小化稀疏表示误差的优化问题，可以得到样本的稀疏表示。

三、基于稀疏表示的人脸识别算法的流程和实现步骤1. 数据预处理：对于一幅人脸图像，需要对其进行预处理，包括灰度化、尺度归一化、对齐等。

2. 字典训练：构建用于稀疏表示的字典，可以使用训练集中的人脸图像作为字典的基底。

3. 稀疏表示：对于待识别的人脸图像，使用字典中的原子进行稀疏表示，得到稀疏系数矩阵。

4. 识别决策：通过计算待识别图像与数据库中已知人脸图像的稀疏系数之间的相似度，进行人脸识别决策。

四、基于稀疏表示的人脸识别算法的实验结果通过对多个数据集上的实验证明，基于稀疏表示的人脸识别算法具有较高的精确性和鲁棒性。

实验结果表明，在不同光照、姿态和表情等复杂情况下，基于稀疏表示的人脸识别算法仍然能够取得较好的识别效果。

另外，与传统的人脸识别算法相比，基于稀疏表示的算法在准确性和计算效率上都有显著的提升。

retinex算法实例

retinex算法实例Retinex算法是一种图像增强算法，用于改善图像的亮度和对比度。

该算法基于人眼对于光照和色彩感知的原理，通过模拟人眼对光照的适应能力来增强图像的质量。

本文将介绍Retinex算法的原理、应用和优缺点。

一、原理Retinex算法基于Retina和Cortex两个部分，其中Retina模拟了人眼的感光层，Cortex模拟了人脑的处理层。

这两个部分相互作用，共同完成图像增强的过程。

Retina模块主要处理图像的亮度信息，它通过计算图像中每个像素点的亮度值来获得图像的亮度分布。

这个过程中，Retina模块会对图像进行多次滤波，从而提取出图像中的低频、中频和高频信息。

低频信息代表图像的全局亮度分布，中频信息代表图像的局部亮度变化，高频信息代表图像的细节和纹理。

Cortex模块主要处理图像的色彩信息，它通过计算图像中每个像素点的色彩值来获得图像的色彩分布。

这个过程中，Cortex模块会对图像进行多次滤波，从而提取出图像中的低频、中频和高频信息。

低频信息代表图像的全局色彩分布，中频信息代表图像的局部色彩变化，高频信息代表图像的细节和纹理。

Retinex算法通过将Retina模块和Cortex模块得到的亮度和色彩信息进行组合，来增强图像的质量。

具体来说，算法会对图像的亮度和色彩进行调整，从而使得图像的亮度和对比度更加均衡。

通过这种方式，Retinex算法能够提升图像的清晰度和细节，并改善图像的观感。

二、应用Retinex算法在图像增强领域具有广泛的应用。

它可以用于医学图像的增强，例如X光图像和MRI图像。

在这些图像中，Retinex算法能够减少噪声和增强边缘，从而帮助医生更好地诊断病情。

此外，Retinex算法还可以用于监控图像的增强，例如安防摄像头的图像增强。

在这些图像中，Retinex算法能够提升图像的细节和对比度，从而提高监控的效果。

三、优缺点Retinex算法具有以下优点：1. 能够提升图像的亮度和对比度，改善图像的观感；2. 能够增强图像的清晰度和细节，减少噪声和模糊；3. 能够适应不同光照条件下的图像增强，具有较好的鲁棒性。

基于mean-shift算法的人脸实时跟踪方法

要通过手动确定搜索窗口来选择目标。本文通过基于肤色模型的人脸检测算法来确定起始帧搜索窗口的位置与大小实现自动跟踪。首先将起始帧图像转换成ＨＳＶ图像，再通过日分
量阈值肤色区域分割，立肤色模型提取出人脸，建自动确定初始跟踪窗口的位置和大小，后利用ｍｅｎｓｉ迭代计算跟踪然ａ— ｆｈｔ
遮挡、寸变化等过于敏感的不足，尺限制了其应用范围。提出了一种人脸检测、ａ —ｈｆ算法与卡尔曼滤波器ｍｅｎｓｉｔ相结合的实时全自动人脸跟踪算法。实验结果表明该算法实时性很强，以实现对运动人脸的快速跟踪，可同时对目标遮挡也有很好的鲁棒性。关键词：人脸跟踪；ｍｅｎｓｉ算法；卡尔曼滤波器；目标遮挡ａ —ｈｆｔ中图分类号：Ｔ３１Ｐ９文献标志码：Ａ文章编号：１０ — ６５２０）７２２ — ３０１３９（０８０－２５０
基于ｍｅｎｓｉ算法的人脸实时跟踪方法冰ａ —ｈｔｆ
蒋建国，孙洪艳，齐美彬
（合肥工业大学计算机与信息学院，肥２００）合３０９摘要：复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义，目前的跟踪算法普遍存在目标但
在复杂环境下对目标进行实时有效的跟踪是计算机视觉
中的关键技术，涉及到图像处理、式识别、工智能以及自它模人

基于稀疏表示的人脸识别算法研究

目录1 绪论 (2)1.1 背景及意义 (2)1.2 发展状况 (2)2 人脸识别 (3)2.1 人脸识别概念 (3)2.2 影响因素及相应解决方法 (4)2.2.1 光照问题 (4)2.2.2 姿态问题 (4)2.2.3 数据库大小问题 (4)2.2.4 遮挡、年龄、表情等问题 (5)3 稀疏表示 (5)3.1 稀疏表示的意义 (5)3.2 稀疏表示的概念 (5)4 基于稀疏表示的人脸识别 (6)4.1 基于稀疏表示的人脸识别原理 (6)4.2 基于稀疏表示的人脸识别算法 (8)4.2.1 正交匹配追踪算法 (8)3.2.2 快速正交匹配追踪 (9)5 实验结果与分析 (9)5.1 有表情变化的实验 (10)5.2 不同光照条件的实验 (11)6 结束语 (11)基研究摘要：稀疏表示的数学实质就是在超完备字典下对给定信号的线性分解。

本文研究了一种基于稀疏表示的正交匹配追踪（orthogonal marching pursuit,简称OMP）算法，递归的对所选原子集合进行正交化，并且利用矩阵cholesky分解简化迭代过程中矩阵求逆的计算。

在人脸识别的实际应用中，利用实验样本构建冗余字典，将待检测样本表示成试验样本的线性组合。

通过在不同人脸库上的实验证明了该算法的有效性。

关键字: 稀疏表示；稀疏编码；人脸识别；正交匹配追踪ABSTRACT1 绪论1.1 背景及意义随着科技的迅猛发展，人类社会已经进入信息时代，信息安全问题日益得到高度重视。

钥匙、密码、证件等传统形式的身份认证技术已经远远不能完全满足现代社会中对信息安全有高质量要求的部门的需要。

因此，新一代的身份认证技术应运而生。

人的生物特征具有唯一性、稳定性等多种优点，已逐渐成为新一代的身份认证技术的主要依据。

在众多的基于生物特征的身份识别技术中，人脸识别技术因其自然性、友好性等显著优势而受到广泛关注，目前已经被应用到模式识别、人工智能、计算机视觉、认知科学等多个领域中。

基于预测的Mean+Shift人脸跟踪算法研究

III
华侨大学硕士论文
of objects. The required particle number is reduced greatly and the real-time ability is improved. Experiment results demonstrate that the improved algorithm can steadily track fast moving objects in the complicated background and temporally occluded o 研究现状人脸跟踪问题最初来源于人脸识别，而目前人脸跟踪的应用己经远远超出了人脸识别系统的范畴。人脸跟踪[3][4][5]是计算机视觉及相关领域中的关键技术，在基于内容的检索、智能人机接口、安全监控、视频会议、医疗诊断等方面有着重要的应用价值和潜在的经济价值，具有广泛的应用前景。 1.2.1 国内外人脸跟踪的研究进展随着视频会议、安全监控等的发展，迫切需要对环境中的人员进行跟踪，所以人脸跟踪技术越来越受到人们的广泛关注和重视。人脸跟踪问题的研究大约只有十多年的时间[6][7]。最早关于人脸跟踪的论文是 Azarbeyajani 和 Pentland 于 1993 年发表的《Recursive estimation of structure and motion using the relative orientation constraint》，文中提出一种递归的基于小波的人脸特征的估计算法。这些年来科学工作者在这一领域进行了大量的探索研究工作[8][9][10]。比较著名的研究单位有美国 CMU 的人机接口研究室和 MIT 的 AI 实验室及媒体实验室，主要针对人脸跟踪中实时性和鲁棒性问题进行研究。而美国的 Intel 则基于他们的研究成果开发了一个称为 Camshift 的系统，以人脸的运动来控制计算机虚拟场景中三维方向的运动。目前国外比较成功的跟踪方法有 Bala 等人利用视频的前后背景分析，结合色彩信息对整体人脸进行跟踪，并同时使用块匹配对双眼进行快速跟踪[11]。 Menser 等人则利用 PCA( Principal Component Analysis)进行快速定位与人脸跟踪[12]。Hager 等人建立了整体人脸的低阶参数模型，补偿形变与光照，实时跟踪人脸，并可容忍部分遮挡[13]。Sobottka 等人在 HSV 空间进行肤色分割，并利用脸部特征的对称性定位人脸[14]。随着各方面研究人员对于人脸检测研究的重视，国际上发表的有关论文数量也大幅度增长，在国际著名的学术杂志，如 IEEE Transaction on Pattern Recognition and Machine Intelligence、Computer Vision and Image Understanding、 Pattern Recognition 等，以及著名的学术会议，如 IEEE ICFG （International Conference on Automatic Face and Gesture Recognition）、 ICIP （International Conference on Image Processing）、CVPR（Conference on Computer Vision and Pattern Recognition）等上，每年都有大量关于人脸检测与跟踪的论文，

基于稀疏判别保持投影的人脸识别算法

基于稀疏判别保持投影的人脸识别算法摘要: 本文提出了一种新的特征提取方法，称为稀疏判别保持投影（Sparse Discriminant Preserving Projection，SDPP）。

SDPP首先通过最小化l1正则相关的目标函数来保持数据的稀疏重构关系。

然后，利用类别信息构建类内图和类间图。

最后，以最大化类间散度与类内散度的比率来寻求最优投影矩阵。

在Yale公开人脸数据库上的实验结果表明，利用SDPP特征提取后的分类性能优于经典的CRP和SPP算法。

关键词:稀疏表示，特征提取，图构造，人脸识别引言近20年来，人脸识别成为了图像处理和模式识别的等领域的研究热点，受到了众多学者的关注。

Wright等人提出了稀疏表示分类器（Sparse Representation Classifier，SRC）[1]，并成功将其应用到了人脸识别中。

Yang等人[2]分析了SRC的本质特性，认为算法中的l1正则化有稀疏性和亲密性两个优势。

Zhang等人[3]认为是SRC中的协作能力而不是稀疏性约束提高了算法的分类精度，于是提出了一种协作表示分类器（Collaborative Representation-based Classification，CRC）。

近年来，诸多学者致力于图嵌入框架特征提取方法在人脸识别中的应用。

研究发现利用稀疏表示方法自动构建邻域图能提高算法的自适应性和对噪声的鲁棒性。

因此，稀疏保持投影（Sparsity Preserving Projections，SPP）[4]和协同表示投影（Collaborative Representation based Projections，CPP）[5]等被提出。

SPP是无监督算法，在监督场景下，使用数据的标签信息能显著提升算法性能。

为此，本文利用类别信息提出了一种基于稀疏判别保持投影的人脸识别算法（Sparse Discriminant Preserving Projection，SDPP）。

图像稀疏表示算法在人脸识别中的应用

图像稀疏表示算法在人脸识别中的应用人脸识别作为一个重要的生物识别技术近年来受到广泛的关注，其在政府、安防、金融等领域有着广泛的应用。

然而，在进行人脸识别时，不同角度、光照、表情等因素的影响会使得人脸图像发生变化，从而对识别准确率产生影响。

为了解决这一问题，图像稀疏表示算法被引入到人脸识别领域，并取得了不错的效果。

所谓图像稀疏表示算法，是指将一幅图像表示为一组非常稀疏的向量加权和。

这种表示方式的好处在于它可以强化图像的稀疏性，去掉图像中的噪声，使得人脸识别的准确率得到提升。

在图像稀疏表示算法中，最常用的方法是基础学习，即从一组已知图像中学习出一组基，然后用这一组基对待识别图像进行表示。

具体地说，基础学习算法将一个高维输入数据向量表示为一个低维基向量组合的线性组合。

例子中基向量为向量系数矩阵，系数矩阵就是所求答案。

同时，由于基向量组是稀疏的，因此稀疏表示也继承了稀疏性。

在人脸图像中稀疏表示算法，我们可以利用基向量组对人脸进行描述。

例如，假设我们使用一组具有代表性的人脸图像进行基础学习，包括不同的姿势、光照等因素，这些图像都会被内容池化为一组基向量组。

当我们进行人脸识别时，我们可以利用这一组基向量组对待识别图像进行表示，从而消除图像中的噪声和不确定性。

具体来说，我们可以将待识别图像表示为基向量组的线性组合，同时额外加上一个稀疏度约束，使得待识别图像在基向量组空间中所处的位置是最稀疏的。

这种表示方式不仅提高了图像的表达能力，还能更好地区分不同人脸图像之间的差异，进而提高识别准确率。

除了基于基础学习的图像稀疏表示算法外，还有一种基于字典学习的算法，称为稀疏编码。

稀疏编码算法同样能够挖掘人脸图像的稀疏性，其思想是通过学习一组基字典，将人脸图像表示为该基字典中的少数几个基向量的线性组合。

这种方法不需要预先构造一组基向量，因此更加高效，而且泛化能力也更强。

总之，图像稀疏表示算法在人脸识别中的应用表明，这种算法能够有效提高人脸识别的准确率。

改进Retinex和稀疏表示的光照人脸识别

改进Retinex和稀疏表示的光照人脸识别张晓丹;李春来【摘要】In order to improve the face recognition under illumination variation condition, a novel face recognition algorithm based on improved Retinex and sparse representation is proposed in this paper to the defects of face recognition algorithms. Firstly, Retinex algorithm is improved and applied to the face image preprocessing to eliminate the illumination variation interference in face recognition, and then the sparse representation is used to extract face feature vector and vote method is used to recognize face, and finally the performance of algorithm is tested on three face data set. The results show that the proposed algorithm can not only improve effectively the face recognition rate, but also shorten the time of face recognition, and it has good robustness for illumination variation.%为了提高光照变化条件下的人脸识别率，针对当前人脸识别方法存在的缺陷，提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。

改进稀疏表示算法在人脸识别中的应用

改进稀疏表示算法在人脸识别中的应用刘霞;罗文辉;苏义鑫【摘要】人脸识别的主要难度在于,受到光照变化、表情变化以及遮挡的影响,会使得采集的不同人的人脸图像具有相似性.为有效解决基于稀疏表示的分类算法(Sparse Representation-based Classification,SRC)在人脸训练样本不足时会导致识别率降低和稀疏表示求解效率较低的问题,提出了基于判别性低秩分解与快速稀疏表示分类(Low Rank Recovery Fast Sparse Representation-based Classification,LRR_FSRC)的人脸识别算法.利用低秩分解理论得到低秩恢复字典以及稀疏误差字典,结合低秩分解和结构不相干理论,训练出判别性低秩类字典和稀疏误差字典,并把它们结合作为测试时所用的字典;用坐标下降法来求解稀疏系数以提高了计算效率;根据重构误差实现测试样本的分类.在YALE和ORL数据库上的实验结果表明,提出的基于LRR_FSRC的人脸识别方法具有较高的识别率和计算效率.%The main difficulty in terms of face recognition lies in the occlusion as well as the changes in lightning and expre-ssions, both of which may result in the similarity between the different face images. The classification algorithm based on sparse representation(SRC)is a classical face recognition algorithm. However, such method has the problem that the recog-nition rate decreases and the sparse representation has low efficiency when face training samples are insufficient. To elimi-nate these drawbacks, this paper proposes a face recognition algorithm based on discriminative Low Rank Recovery Fast Sparse Representation-based Classification(LRR_FSRC). Firstly, low-rank decomposition theory is used to obtain a low-rank recovery dictionary and a sparse error dictionary. This isfollowed by the integrated utilization of the low-rank decom-position and structural incoherence theory, which are used to train discriminative low-rank dictionary and sparse error dic-tionary. The discriminative low-rank dictionary and sparse error dictionary are combined as dictionary for testing. Secondly, the method of coordinate descent is used to figure out the sparse coefficient to improve the computational efficiency. Finally, according to the reconstruction error, the classification of the test sample is achieved. Experimental results on the YALE and ORL databases show that the LRR_FSRC based face recognition method proposed in this paper has higher recogni-tion rate and faster computational efficiency.【期刊名称】《计算机工程与应用》【年(卷),期】2019(055)014【总页数】7页(P191-197)【关键词】人脸识别;稀疏表示;低秩矩阵恢复;坐标下降法;基于稀疏表示的分类(SRC)算法【作者】刘霞;罗文辉;苏义鑫【作者单位】武汉理工大学自动化学院,武汉 430070;武汉理工大学自动化学院,武汉 430070;武汉理工大学自动化学院,武汉 430070【正文语种】中文【中图分类】TP391.41 引言近年来，压缩感知[1]理论的发展使得稀疏表示受到越来越多学者的关注。

基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用

基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识
别中的应用
陈莉;龙光利
【期刊名称】《计算机应用研究》
【年(卷),期】2015(032)003
【摘要】为了提高在光照变化条件下人脸图像的识别率,针对Retinex算法处理人脸光照图像产生的识别率不高的问题,提出了一种基于稀疏差分和Mean-Shift滤波的Retinex算法.对人脸图像增加部分使用稀疏差分,利用Mean-Shift滤波代替高斯滤波对光照进行估计,通过采用Yale B人脸库、CMU-PIE人脸图像库和AR 人脸图像库对算法性能进行测试,该算法具有很好的光照鲁棒性,有效地提高了人脸的识别率.
【总页数】4页(P934-937)
【作者】陈莉;龙光利
【作者单位】陕西理工学院物理与电信工程学院,陕西汉中723000;陕西理工学院物理与电信工程学院,陕西汉中723000
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于稀疏滤波和神经网络的人脸识别算法 [J], 何金洋;
2.基于稀疏滤波和神经网络的人脸识别算法 [J], 何金洋
3.基于稀疏表示的图嵌入降维算法在人脸识别中的应用研究 [J], 纪姝伊
4.基于Mean-Shift算法的粒子滤波器在目标跟踪中的应用 [J], 杨波
5.基于Mean-shift的粒子滤波算法在遮挡目标跟踪中的应用 [J], 李睿;刘涛;李明因版权原因，仅展示原文概要，查看原文内容请购买。

基于mean_shift算法的人脸实时跟踪方法

收稿日期:2007207219;修回日期:2007210224 基金项目:国家科技部创新基金资助项目(04c26213401216) 作者简介:蒋建国(19552),男,安徽黄山人,教授,博导,主要研究方向为信号与信息处理、传感与智能控制;孙洪艳(19802),女,硕士研究生,主要研究方向为数字图像处理、DSP 技术及应用(sunhongyan325@ );齐美彬(19692),男,副教授,博士研究生,主要研究方向为分布式人工智能、数字图像处理、DSP 技术及应用.基于m ean 2shift 算法的人脸实时跟踪方法3蒋建国,孙洪艳,齐美彬(合肥工业大学计算机与信息学院,合肥230009)摘　要:复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。

提出了一种人脸检测、mean 2shift 算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。

实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。

关键词:人脸跟踪;mean 2shift 算法;卡尔曼滤波器;目标遮挡中图分类号:TP391 文献标志码:A 文章编号:100123695(2008)0722225203Real 2time algorithm for face tracking based on mean 2shiftJ IANG J ian 2guo,S UN Hong 2yan,Q IMei 2bin(School of Co m puter &Infor m ation,Hefei U niversity of Technology,Hefei 230009,China )Abstract:A real 2ti m e face tracking under comp lex envir on ment has significance in visual surveillance syste m,but one com 2mon p r oble m t o face tracking algorith m s at p resent is their sensitivity t o te mporal occlusi on and scale variati ons,which restrict the m wide app licati on .This paper p r oposed a real 2ti m e aut omatic face tracking algorith m which combined face detecti on and mean 2shift algorith m with Kal m an filter .I n the experi m ents,the results show the p r oposed algorith m can track fastmoving face successfully and have better r obustness of occlusi on .Key words:face tracking;mean 2shift algorith m;Kal m an filter;te mporal occlusi on 在复杂环境下对目标进行实时有效的跟踪是计算机视觉中的关键技术,它涉及到图像处理、模式识别、人工智能以及自适应控制等多领域问题的综合。

基于mean-shift算法的人脸实时跟踪方法

基于mean-shift算法的人脸实时跟踪方法
蒋建国;孙洪艳;齐美彬
【期刊名称】《计算机应用研究》
【年(卷),期】2008(25)7
【摘要】复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围.提出了一种人脸检测、mean-shift算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法.实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性.
【总页数】3页(P2225-2227)
【作者】蒋建国;孙洪艳;齐美彬
【作者单位】合肥工业大学,计算机与信息学院,合肥,230009;合肥工业大学,计算机与信息学院,合肥,230009;合肥工业大学,计算机与信息学院,合肥,230009
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于mean-shift算法的目标跟踪方法 [J], 叶佳;张建秋
2.基于肤色信息的实时人脸跟踪方法 [J], 陈吓洪弟;陈锻生
3.基于改进的Mean-shift驾驶员人脸跟踪算法研究 [J], 魏秀金;李文书;何芳芳;姚建富
4.基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用 [J], 陈
莉;龙光利
5.基于帧差法与Mean-shift算法相结合的运动熔滴识别与跟踪方法 [J], 张赛钰;朱小玲;汪衍广;叶佳;马国红
因版权原因，仅展示原文概要，查看原文内容请购买。

基于Mean Shift算法的人脸跟踪

基于Mean Shift算法的人脸跟踪
汪建林
【期刊名称】《黑龙江科技信息》
【年(卷),期】2011(000)012
【摘要】人脸跟踪是视频检索、视觉监控等领域中的一项关键技术,随着机器视觉技术的发展,实现人脸跟踪的算法也是多种多样.将人脸跟踪问题近似于一个meanshift跟踪问题,选取面部的颜色特征作为跟踪模板,并在MATLAB中进行了仿真,得到了良好的实验效果.
【总页数】1页(P56)
【作者】汪建林
【作者单位】宁夏医科大学理学院,宁夏银川,750004
【正文语种】中文
【相关文献】
1.融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪 [J], 李岚;张云;史宝明
2.基于多特征Mean Shift的人脸跟踪算法 [J], 张涛;蔡灿辉
3.基于Mean shift算法的灰度人脸跟踪 [J], 张旭光;张叶;王延杰
4.基于改进的Mean-shift驾驶员人脸跟踪算法研究 [J], 魏秀金;李文书;何芳芳;姚建富
5.光照和尺度自适应的Mean Shift人脸跟踪算法 [J], 李晗;王瑜;薛红
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

优先出版计算机应用研究第32卷
--------------------------------
基金项目：教育部科学技术研究重点项目(212177)；陕西省教育厅科研基金项目(2013JK1061)
作者简介：陈莉(1977-)女，讲师，硕士，主要研究方向为图像处理，通信信号处理；龙光利(1968-)男，副教授，主要研究方向为通信信号处理、电子技术．
基于稀疏差分和Mean-Shift 滤波的Retinex 算法在人脸识别中的应用
陈莉，龙光利
(陕西理工学院，物理与电信工程学院，陕西汉中 723000)
摘要：为了提高在光照变化条件下的人脸图像的识别率，针对Retinex 算法处理人脸光照图像产生的识别率不高的问题，本文提出了一种基于稀疏差分和Mean-Shift 滤波的Retinex 算法。

首先在对人脸图像增加部分使用稀疏差分；然后利用Mean-Shift 滤波代替高斯滤波对光照估计，通过采用Yale B 人脸库，CMU-PIE 人脸图像库和AR 人脸图像库对算法性能进行测试，结果表明，该算法具有很好的光照鲁棒性，有效的提高了人脸的识别率。

关键词：Retinex 算法稀疏差分人脸识别中图分类号：TP 文献标志码：A
Application of Retinex algorithm based on sparse difference and mean-shift
filtering in face recognition
CHEN li, LONG Guang-li
(College of Physics & Electronic Engineering, Shaanxi University of Technology, Hanzhong 723000, China)
Abstract: To improve recognition rate of facial image under illumination variation condition, the paper has proposed a Retinex algorithm based on sparse difference and Mean-Shift filtering directing at problem of “halo” arose in the process of Retinex algorithm handling face illumination image. It first applied sparse difference to face image in the process of non-linear enhancement; then utilized Mean-Shift filtering to estimate illumination by taking place of Gaussian filtering, and made test of algorithm performance through adopting Yale B face database, CMU-PIE facial image database and AR facial image database. The result represented that the algorithm has good illumination robustness and has effectively improved face recognition rate. Key Words: retinex algorithm; sparse difference; face recognition
0 0.引言
伴随着计算机技术与网络技术的发展，人脸识别是目前模式识别方面的一个经典问题，其技术已经广泛用于网络技术和信息安全领域，都具有巨大的应用前景。

经过大量学者的长时间研究，如今的人脸识别技术已经得到了快速发展，其中，比较经典识别方法包括：基于特征的人脸识别，基于子空间分析的人脸识别，基于几何特征的人脸识别和基于弹性图匹配的人脸识别[1-5]。

这些经典的算法从训练样本全局角度出发，本身算法复杂度高，对于姿态和光照鲁棒性差，使得这些经典的算法在应用的时候受到很大的制约，在人脸识别方面采用稀疏表示[6-7]越来越多的受到研究者的注意，这主要是因为稀疏表示具有识别率高和鲁棒性强等特点。

目前，一些国内外学者在人脸识别方面进行的稀疏表示进行研究。

文献[8]提出在人脸识别中应用稀疏表示,通过将待测样本人脸图像表达为以训练样本图像形式的稀疏线性组合,从而获得最紧致的人脸图像。

文献[9]提出将训练样本构造多尺度字典, 对待测样本进行稀疏表示, 采用权重值的投票机制对人脸图像进行分类识别。

文献[10]提出
在稀疏编码的基础上采用多核学习图像的分类方法, 在一定程度上增加了空间信息限制, 采用多核学习方法中的核矩阵的线性组合来获得分类能力最强的核矩阵, 从而可以实现对图像分类的鲁棒性。

文献[11]提出在稀疏表示中的针对1l 范数最小化的问题求解，通过验证光照，伪装和污损的人脸图像，具有一定的鲁棒性优化。

文献[12]提出构造差异辅助字典来测试样本与训练样本间的差异构造，实现在光照，伪装和污损的人脸图像下的鲁棒识别。

文献[13] 提出一种改进单尺度Retinex 的光照人脸识别方法。

采用双曲正切函数代替Retinex 的对数函数对人脸图像进行亮度和对比度非线性增强;利用双边滤波代替Retinex 的高斯滤波消除"光晕",采用Retinex 消除光照不利影响,采用K 近邻算法建立人脸分类器。

结果表明,改进Retinex 降低了时间复杂度,图像增强效果优于同类算法,提高了人脸识别率。

文献[14] 对Retinex 的图像对比度增强方法进行修正,引入了非线性变换函数修正红外图像的照射分量和反射分量以及全局对比度增强函数该算法处理后的图像能够更有效地增强图像的对比度,突出图像的边缘与细节信息，但是算法实现过程需要更多硬件支持。

文献[15]将人脸图像的识别问题看成具有稀疏约束的鲁棒
文章预览已结束
获取全文请访问
/article/02-2015-03-059.html。