Local feature hierarchy for face recognition across pose and illumination
Northwestern Polytechnical University（西北工业大学）
尽管在正面和正常光照条件下的人脸识别效果很好，但在极端条件下性能急剧下降。最近有许多工作分别处理姿态和光照问题。然而，照明和姿势变化将总是同时遇到。因此，我们提出了一种端到端的人脸识别方法，同时处理姿态和光照基于卷积网络的区别性的非线性特征，是不变的姿态和光照提取。通常，在不同视图中拍摄的图像的全局结构是相当不同的。因此，我们建议使用1*1卷积核来提取局部特征。进一步提出了并行多流多层1*1卷积网络来提取多层次特征。在实验中，我们在multiPIE数据集上获得了96.9%的平均人脸识别率，这将跨姿势和光照的人脸识别的最新水平提高了7.5%。特别是对于轮廓位置，我们提出的网络的平均识别率为97.8%，这将最先进的识别率提高了19%。
2016-07-12 cs.CV
Compositional Dictionaries for Domain Adaptive Face Recognition
Duke University（杜克大学）；University of Maryland（马里兰大学）
我们提出了一种字典学习方法来补偿由于视点，光照，分辨率等变化而引起的人脸变换。我们方法的关键思想是强制域不变稀疏编码，即，在不同的域中设计同一张脸的一致稀疏表示。以这种方式，在例如由正面人脸组成的源域中的稀疏代码上训练的分类器可以应用于目标域（由不同姿势、照明条件等的人脸组成），而不会损失太多的识别精度。该方法是首先学习域基字典，然后使用基字典上的稀疏表示来描述每个域移位（身份、姿态、照明）。适应于每个域的字典被表示为基字典的稀疏线性组合。在人脸识别的背景下，与建议的组合字典的方法，人脸图像可以分解成稀疏表示为一个给定的主题，姿势和照明分别。这种方法有三个优点：第一，提取的稀疏表示的主题是一致的跨域，使姿势和照明不敏感的人脸识别。其次，姿态和照明的稀疏表示可以随后用于估计面部图像的姿态和照明条件。最后，通过组成主题和不同领域的稀疏表示，我们还可以执行姿势对齐和照明归一化。使用两个公开的人脸数据集进行了大量的实验，以证明我们的方法的有效性人脸识别。
2015-09-12 cs.CV
DotFAN: A Domain-transferred Face Augmentation Network for Pose and Illumination Invariant Face Recognition
Fu Jen Catholic University（辅仁大学）；National Tsing Hua University（国立清华大学）；Tsinghua University（清华大学）
基于卷积神经网络（CNN）的人脸识别模型的性能在很大程度上依赖于标记训练数据的丰富性。然而，在不同的姿势和光照变化下收集具有较大变化的人脸身份的训练集是非常昂贵的，使得类内人脸图像的多样性成为实践中的关键问题。在本文中，我们提出了一个3D模型辅助的域转移人脸增强网络（DotFAN），它可以根据从其他领域收集的现有丰富人脸数据集中提取的知识生成一系列输入人脸的变体。DotFAN在结构上是一个条件CycleGAN，但有两个额外的子网络，即人脸专家网络（FEM）和人脸形状回归器（FSR），用于潜在代码控制。虽然FSR旨在提取人脸属性，FEM旨在捕获人脸身份。在他们的帮助下，DotFAN可以学习解开的人脸表示，并有效地生成各种面部属性的人脸图像，同时保留增强人脸的身份。实验结果表明，DotFAN算法有利于增强小样本人脸数据集，提高其类内多样性，从而从增强后的数据集中学习到更好的人脸识别模型。
2020-02-23 cs.CV
Nuclear Norm based Matrix Regression with Applications to Face Recognition with Occlusion and Illumination Changes
Nanjing University of Science and Technology（南京理工大学）
近年来，回归分析成为人脸识别的一种流行工具。现有的回归方法都采用一维的基于像素的误差模型，这种模型对误差图像的表征是逐像素的，忽略了误差图像的整体结构。我们观察到，遮挡和照明的变化通常会导致低秩的错误图像。为了充分利用这些低秩结构信息，本文提出了一种基于二维图像矩阵的误差模型，即矩阵回归，用于人脸表示和分类。该模型以表征误差图像的最小核范数为准则，采用乘子法中的交替方向法计算回归系数。与现有的回归方法相比，本文提出的基于核范数的矩阵回归（NMR）模型在消除光照影响方面具有更强的鲁棒性，在消除遮挡引起的结构噪声方面具有更直观、更强的鲁棒性。我们的实验使用四个流行的人脸图像数据库，扩展耶鲁B数据库，AR数据库，多PIE和FRGC数据库。实验结果表明，NMR的性能优势，国家的最先进的基于回归的人脸识别方法。
2014-05-06 cs.CV
Illumination,Expression and Occlusion Invariant Pose-Adaptive Face Recognition System for Real-Time Applications
NIT Warangal（瓦朗加尔国家理工学院）
实时的【形】场景下的人脸识别主要受光照、表情和姿态变化以及遮挡的影响。提出了一种基于姿态自适应组件的人脸识别系统框架。拟议的框架涉及上述所有问题。所提出的框架中涉及的步骤是（i）面部地标定位，（ii）面部组件提取，（iii）面部图像的预处理（iv）面部姿态估计（v）特征提取使用每个组件的局部二进制模式直方图，然后（vi）融合组件的姿态自适应分类。通过采用姿态自适应分类，基于估计的姿态对数据库的某些部分执行识别过程，而不是对整个数据库应用识别过程。本文还讨论了用于克服光照变化问题的预处理技术。与整体方法相比，当人脸图像被遮挡时，基于一致性的技术提供了更好的识别率。我们的方法是简单的，可行的，并提供了更好的结果相比，其他整体的方法。
2014-03-06 cs.CV
Learning and Fusing Multimodal Features from and for Multi-task Facial Computing
CUNY City College（纽约市立大学城市学院）；Graduate Center（研究生中心）
我们提出了一种基于深度学习的人脸计算特征融合方法，包括人脸识别以及性别，种族和年龄检测。我们不是在人脸图像上训练单个分类器来根据图像中出现的人脸的特征对其进行分类，而是首先训练四个不同的分类器，用于根据种族、年龄、性别和身份（ID）对人脸图像进行分类。然后从训练好的模型中提取多任务特征，并进行跨任务特征训练，这表明融合多任务特征的价值。我们发现，为一个任务训练的特征可以用于其他相关任务。更有趣的是，为具有更多类的任务（例如ID）训练的特征，然后用于具有更少类的另一个任务（例如种族），其性能优于为其他任务本身训练的特征。通过组合由四个分类器从图像中提取的四种类型的特征来执行最终的特征融合。特征融合的方法提高了7.2%，20.1%，22.2%，21.8%的利润率，分别为ID，年龄，种族和性别识别的分类准确率，在单一的分类器只训练他们的个人特征的结果。所提出的方法可以应用于可以提取不同类型的数据或特征的应用。
2016-10-14 cs.CV
Robust Face Recognition using Local Illumination Normalization and Discriminant Feature Point Selection
Kim Il Sung University（金日成大学）
人脸识别系统必须对人脸表情、光照、头部姿态和年龄等各种因素的变化具有鲁棒性。特别是，对光照变化的鲁棒性是人脸识别系统实际应用中需要解决的最重要的问题之一。Gabor小波由于能够模拟人类视觉系统的功能而被广泛应用于人脸检测和识别中。本文提出了一种在局部光照变化下保持稳定的Gabor小波特征提取方法，并给出了实验结果，证明了该方法的有效性。
2012-12-11 cs.CV cs.LG
Face Recognition Algorithms based on Transformed Shape Features
Sikkim Manipal Institute of Technology（锡金马尼帕尔理工学院）
人脸识别是一项具有挑战性的任务，特别是在光照和姿态变化的情况下。我们研究在本文件的有效性，两个简单的算法，使用Coiflet包和Radon变换识别人脸的一些数据库中的静态灰度图像，在光照和姿态变化的环境下。这两种算法都将二维灰度训练人脸图像转换为各自的深度图或物理形状，然后通过Coiflet包和Radon变换计算能量进行特征提取。实验表明，这种变换后的形状特征对光照和姿态变化具有鲁棒性。提取的特征，训练类是通过线性判别分析（LDA）进行最佳分离，而测试人脸图像的分类是通过一个k-NN分类器，基于L1范数和马氏距离措施。建议的算法进行测试，然后在不同的照明，表情或姿势分别从三个数据库，即ORL，耶鲁和埃塞克斯-鬼脸数据库获得的人脸图像。结果，这样得到的，与两个不同的现有算法进行了比较。使用Daubechies小波的性能也进行了检查。可以看出，提出的Coiflet包和Radon变换的算法具有显着的性能，特别是在不同的光照条件和姿态变化。比较表明，所提出的算法是优越的。
2012-07-11 cs.CV
Face Recognition using Multi-Modal Low-Rank Dictionary Learning
University of Alberta（阿尔伯塔大学）
人脸识别由于其在不同应用中的重要性而得到了广泛的研究，然而，大多数提出的方法在人脸图像被遮挡或在光照和姿态变化下捕获时失败。最近，一些低秩字典学习方法已被提出，并取得了可喜的成果，噪声观测。虽然这些方法大多是针对单模态场景开发的，但最近的研究表明了多输入特征融合的优势。我们提出了一种多模态结构化的低秩字典学习方法，用于鲁棒的人脸识别，利用人脸图像的原始像素及其光照不变表示。所提出的方法学习鲁棒性和歧视性表示污染的人脸图像，即使有几个训练样本与大类内变化。在不同数据集上的大量实验验证了我们的方法对严重光照变化和遮挡的优越性能和鲁棒性。
2017-03-15 cs.CV
Lights, Camera, Matching: The Role of Image Illumination in Fair Face Recognition
Florida Institute of Technology（佛罗里达理工学院）；University of Notre Dame（圣母大学）
该研究针对不同人口群体人脸识别准确率差异问题，通过调整面部皮肤区域亮度（中值或分布）开展实验，有效缩小了白种与非裔美国女性匹配对的d'差距，同时提升了两类群体的相似度分数。
2025-01-15 cs.CV
Automatic Face Recognition from Video
Trinity College（三一学院）
这项工作的目的是自动识别人脸的视频序列中的一个现实的，无约束的设置，其中照明条件是极端的，大大改变，视点和用户的运动模式有很大的变化，视频输入是低质量的。在焦点的中心是人脸外观流形：这篇论文提出了一个显着的进步，他们的理解和应用领域的人脸识别。两个主要贡献是通用形状照明流形识别算法和各向异性流形空间聚类。通用形状照明流形上获得的真实世界条件下的大型数据语料库进行评估，其性能大大超过了国家的最先进的方法在文献中，最好的商业软件。经验评估的各向异性流形空间聚类的一个流行的情景喜剧也描述了良好的初步结果。
2015-04-21 cs.CV
Deep Convolutional Neural Networks in the Face of Caricature: Identity and Image Revealed
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；University of Maryland（马里兰大学）；University of Siegen（锡根大学）
真实世界的人脸识别需要能够在多个可变图像中感知单个人脸的独特特征。灵长类动物的视觉系统解决了图像不变性的问题，使用级联的神经元将面部图像转换为面部身份的分类表示。深度卷积神经网络（DCNN）也可以创建可推广的面部表示，但使用的是模拟神经元的级联。DCNN表示可以在多维“面空间”中进行检查，身份和图像参数通过它们在定义空间的轴上的投影进行量化。我们研究了在这个空间中的观点，照明，性别和身份的组织。我们发现，该网络创建了一个高度有组织的，分层嵌套的，人脸相似性结构，其中有关人脸身份和成像特征的信息共存。自然图像的变化被容纳在这个层次结构中，面部身份嵌套在性别下，照明嵌套在身份下，视点嵌套在照明下。为了检验身份，我们对人脸进行了漫画化，发现网络识别的准确性随着漫画水平的提高而提高，并且模仿人类的感知，一张脸的漫画化扭曲“类似于”其真实的对应物。漫画通过将身份从面部空间中的其他身份移开并最小化照明和视点的影响来提高性能。深度网络产生人脸表示，解决了广义人脸识别中长期存在的计算问题。他们还提供了一个统一的理论框架，用于协调几十年来的行为和神经结果，这些结果强调图像或物体/面孔的表征，而不理解神经代码如何无缝地适应两者。
2018-12-28 cs.CV
Face Recognition Under Varying Blur, Illumination and Expression in an Unconstrained Environment
Madras Institute of Technology（马德拉斯理工学院）
人脸识别系统是模式识别和计算机视觉的重要研究领域之一，同时也是其面临的主要挑战。识别人脸的一些挑战是模糊，照明和各种表情。使用相机、手机等拍摄照片时，模糊是很自然的。模糊可以是均匀的，也可以是不均匀的。通常，非均匀模糊发生在使用手持图像设备拍摄的图像中。在人脸识别系统中区分或处理模糊图像通常是困难的。在不同的照明条件下，正确识别人是具有挑战性的。幸福、悲伤、惊讶、恐惧、愤怒等多样化的面部表情会改变或变形正常图像的面部表情。由于面部表情所引起的变形，识别具有面部表情的人脸也是一项具有挑战性的任务。为了解决这些问题，进行了预处理步骤，之后进行模糊和光照鲁棒人脸识别（BIRFR）算法。利用表情去除（FER）算法将带有表情的测试图像和训练图像转化为中性人脸。每个训练图像都基于最佳变换扩展函数（TSF）和光照系数进行变换。从测试图像和变换后的训练图像中提取局部二值模式（LBP）特征用于分类。
2019-02-28 cs.CV cs.LG
Learning Symmetry Consistent Deep CNNs for Face Completion
Harbin Institute of Technology（哈尔滨工业大学）；Hefei University of Technology（合肥工业大学）；Anyvision；The Hong Kong Polytechnic University（香港理工大学）
深度卷积网络（CNN）在面部补全方面取得了巨大成功，可以生成合理的面部结构。然而，这些方法在保持面部组件之间的全局一致性和恢复精细的面部细节方面受到限制。另一方面，反射对称性是人脸图像的一个重要性质，有利于人脸识别和一致性建模，但在人脸的深层修复中尚未得到研究。在这项工作中，我们利用两种强制执行的卷积来形成一个一致的CNN模型（即，SymmFCNet）进行有效的面完井。对于其中一个半面上的缺失像素，开发了一个照明重新加权的变形子网来指导另一半面的变形和照明重新加权。对于两个半面上的缺失像素，我们提出了一个生成重建子网，并结合感知对称性损失来加强恢复结构的对称性一致性。SymmFCNet是通过在光照重加权扭曲子网上堆叠生成重建子网来构建的，并且可以从未对齐的人脸图像的训练集进行端到端学习。实验表明，SymmFCNet可以生成高质量的结果，对图像的合成和真实的遮挡，并表现出良好的国家的最先进的。
2018-12-19 cs.CV
Illumination-invariant face recognition from a single image across extreme pose using a dual dimension AAM ensemble in the thermal infrared spectrum
Université Laval（拉瓦尔大学）；Deakin University（迪肯大学）
在过去的十年中，红外（IR），特别是热红外成像为基础的人脸识别已经成为一个有前途的补充，传统的，可见光谱为基础的方法，继续挣扎时，在实践中应用。虽然固有地对可见光谱照明变化不敏感，但IR数据引入了其自身的特定挑战，最显著的是对影响面部热发射模式的因素的敏感性，例如情绪状态、环境温度和酒精摄入。此外，面部表情和姿态变化更难以在IR图像中校正，因为它们在高频细节中不太丰富，而高频细节是拟合任何可变形模型的重要线索。在本文中，我们描述了一种新的方法，解决这些主要的挑战。具体来说，当比较两个热红外图像的脸，我们相互规范化的姿态和面部表情，通过使用主动外观模型（AAM）生成合成图像的两个面孔与中性的面部表情，并在同一视图（两个输入视图的平均值）。这是通过AAM拟合之后的分段仿射变形来实现的。我们的工作的一个主要贡献是使用的AAM合奏，其中每个AAM是专门为一个特定范围的姿态和一个特定区域的热红外人脸空间。结合我们以前工作的贡献，解决了热红外光谱中可靠的AAM拟合问题，以及对面部温度发射模式的瞬态变化具有鲁棒性的个人特定表示的发展，所提出的集成框架准确地匹配了从正面到侧面的整个偏航范围内的面部，即使在存在比例变化的情况下（例如，由于对象与相机的距离变化）。
2013-06-07 cs.CV
Imperceptible Physical Attack against Face Recognition Systems via LED Illumination Modulation
Jinan University（暨南大学）；Zhejiang University（浙江大学）；The University of Hong Kong（香港大学）；Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳））；Peng Cheng Laboratory（鹏城实验室）
本文提出一种基于LED光照调制与CMOS卷帘快门效应的低计算量物理对抗攻击，实现对人脸检测的拒绝服务攻击和人脸验证的躲避攻击，在多个主流模型上取得接近或达到100%的成功率。
2023-08-07 cs.AI cs.CV
A Comprehensive Analysis of Deep Learning Based Representation for Face Recognition
Sabanci University（萨班哲大学）；Istanbul Technical University（伊斯坦布尔理工大学）
基于深度学习的方法一直主导着人脸识别领域，因为它们在具有挑战性的野生数据集上提供了显着的性能改进。这些方法已经在这些无约束的数据集上进行了广泛的测试，在野外的标签脸和YouTube脸上，仅举几例。然而，它们处理由诸如头部姿势、照明、遮挡和未对准等因素引起的个体外观变化的能力至今尚未得到彻底评估。在本文中，我们提出了一个全面的研究，以评估性能的深度学习为基础的人脸表示在几个条件下，包括不同的头部姿势角度，上，下面部遮挡，不同强度的照明变化，以及由于错误的面部特征定位错位。两个成功的和公开可用的深度学习模型，即VGG-Face和Lightened CNN已被用于提取面部表示。所获得的结果表明，尽管深度学习为人脸识别提供了强大的表示，但它仍然可以受益于预处理，例如，姿势和光照归一化，以便在各种条件下实现更好的性能。特别是，如果这些变化不包括在用于训练深度学习模型的数据集中，则预处理的作用变得更加关键。实验结果还表明，基于深度学习的表示对未对准具有鲁棒性，并且可以容忍高达两眼间距离的10%的面部特征定位误差。
2016-06-09 cs.CV
Asymmetric Modality Translation For Face Presentation Attack Detection
人脸呈现攻击检测（PAD）是防止人脸识别系统被恶意用户欺骗的重要措施，受到学术界和工业界的广泛关注。虽然现有的大多数方法都能在一定程度上达到期望的性能，但是在跨域设置下的人脸呈现攻击检测的泛化问题（例如，设置不可见的攻击和变化的照明）仍然有待解决。在本文中，我们提出了一种新的框架，基于非对称模态翻译的双模态场景中的人脸呈现攻击检测。在此框架下，我们建立了真实面孔的两种模态意象之间的联系。提出了一种新的模态融合方法，即通过非对称模态转换器将一种模态的图像转换为另一种模态的图像，然后与对应的成对图像进行融合。将融合结果作为输入馈送到用于推理的神经网络。译者的训练受不对称的情态翻译损失的监督。此外，基于局部引力模式（PLGF）表示的光照归一化模块用于减少光照变化的影响。我们在三个公共数据集上进行了大量的实验，验证了我们的方法在检测各种类型的攻击方面是有效的，并且在不同的评估协议下达到了最先进的性能。
2021-10-20 cs.CV
Performance analysis of weighted low rank model with sparse image histograms for face recognition under lowlevel illumination and occlusion
NIT Warangal（瓦朗加尔国家理工学院）
在广泛的计算机视觉应用中，低秩矩阵近似（LRMA）模型的目的是从其退化的观察中恢复底层的低秩矩阵。最新的LRMA方法-鲁棒主成分分析（RPCA）采用核范数最小化（NNM）作为非凸秩最小化的凸松弛。然而，NNM倾向于过度收缩秩分量，并平等对待不同秩分量，限制了其在实际应用中的灵活性。我们使用一个更灵活的模型，即加权Schatten p-范数最小化（WSNM），将NNM推广到Schatten p-范数最小化，并将权重分配给不同的奇异值。提出的WSNM不仅给出了一个更好的近似原始的低秩假设，但也考虑了不同的秩分量的重要性。在本文中，两个LRMA算法- RPCA和WSNM的低秩恢复性能进行了比较，在遮挡的人脸图像。该分析是在来自Yale数据库和over own数据库的面部图像上进行的，其中不同的面部表情、眼镜、不同的照明解释了面部遮挡。本文还讨论了通过这些算法的应用进行的实验结果观察到的突出趋势。由于低秩图像有时可能无法充分捕捉到人脸的细节，我们进一步提出了一种新的方法，使用图像直方图的稀疏图像，从而获得识别个人在任何给定的图像。大量的实验结果表明，定性和定量，WSNM超越RPCA在其性能更有效地消除面部遮挡，从而恢复低秩图像的更高的PSNR和SSIM。
2020-07-24 cs.CV
A Multi-Face Challenging Dataset for Robust Face Recognition
Indian Institute of Information Technology, Sri City（斯里城印度信息技术学院）
图像中的人脸识别是计算机视觉研究者们的一个活跃的研究领域。然而，在不受约束的环境中识别人脸是一个相对较少探索的研究领域。由于人脸图像的视点、尺度、姿态、光照和表情等变化，无约束环境下的多人脸识别是一项具有挑战性的任务。人脸的部分遮挡使得识别任务更具挑战性。本文的贡献是双重的：引入了一个具有挑战性的多面数据集（即，IIITS MFace Dataset）用于无约束环境中的人脸识别，并评估最先进的手工设计和基于深度学习的人脸描述符在数据集上的性能。建议的IIITS MFace数据集包含具有挑战性的人脸，如姿势变化，遮挡，面具，眼镜，表情，照明变化等。我们使用几种最先进的人脸描述符进行实验，包括最近基于深度学习的人脸描述符，如VGGFace，并与现有的基准人脸数据集进行比较。实验结果清楚地表明，与基准数据集相比，所提出的数据集的难度要高得多。
2019-03-28 cs.CV
3D-Aided Data Augmentation for Robust Face Understanding
AWS/Amazon AI（亚马逊云科技人工智能部门）
数据增强在缩小数据差距和降低人工注释成本方面非常有效，特别是对于难以获得地面真实标签且成本高昂的任务。在人脸识别中，人脸图像的大的姿态和光照变化一直是性能下降的关键因素。然而，在这些具有挑战性的场景下，用于各种人脸理解任务（包括人脸地标定位、人脸属性分类和人脸识别）的人类注释的获取成本很高。因此，期望对这些情况执行数据增强。但是，简单的二维图像域数据增强技术不能满足这些具有挑战性的情况下的要求。因此，3D人脸建模，特别是单图像3D人脸建模，代表了超越基于2D的数据增强的这些挑战性条件的可行解决方案。为此，我们提出了一种方法，通过3D人脸建模，每个与几何准确的人脸地标，属性和身份信息，从多个角度具有不同的照明条件下，产生逼真的3D增强图像。实验表明，所提出的三维数据增强方法在多个基准测试中均达到了最佳水平，同时显著提高了各种人脸理解任务的性能和鲁棒性。
2020-10-06 cs.CV
Human Face Recognition using Line Features
Tripura University（特里普拉大学）；Jadavpur University（jadavpur大学）
在这项工作中，我们研究了一种新的方法来处理人脸识别的挑战，其中包括旋转，缩放，遮挡，照明等。在这里，我们使用了热人脸图像，因为这些图像能够最大限度地减少光照变化和遮挡的影响，由于胡子，胡须，装饰等。所提出的方法在极坐标中注册训练和测试热人脸图像，其能够处理由缩放和旋转引入的复杂性。从热极坐标图像中提取直线特征，并利用这些直线构造特征向量。这样获得的特征向量通过主成分分析（PCA）用于特征向量的降维。最后，使用多层感知器对投影到特征空间的图像进行分类。在实验中，我们使用的对象跟踪和分类超可见光谱（OTCBVS）数据库。实验结果表明，该方法显著提高了验证和识别性能，成功率为99.25%。
2010-07-05 cs.CV
Multi-Pose Face Recognition Using Hybrid Face Features Descriptor
Mataram University（马塔兰大学）；Kumamoto University（熊本大学）
提出了一种基于混合人脸特征描述子（HFFD）的多姿态人脸识别方法。HFFD是一种包含丰富判别信息的人脸描述符，它是通过融合使用小波和DCT分析提取的几种不同姿态的2D人脸图像的一些基于频率的特征而创建的。该方法的主要目的是使用一个主频率分量来表示多姿态人脸图像，与最近的多姿态人脸识别方法相比，仍然具有合理的成就。基于HFFD的人脸识别往往比最近的基于2D的人脸识别方法实现更好的性能。此外，基于HFFD的人脸识别也足以处理由于人脸姿态变化而引起的大的人脸变化。
2017-03-12 cs.CV
Image Pixel Fusion for Human Face Recognition
Tripura University（特里普拉大学）；Jadavpur University（jadavpur大学）
本文提出了一种基于图像像素融合方法的光学和热成像人脸图像融合技术。在视觉图像的情况下，在影响面部识别性能的几个因素中，照明变化是需要解决的重要因素。热图像在处理光照条件方面更好，但在捕捉面部纹理细节方面并不十分一致。其他因素，如太阳镜，胡子，胡子等也发挥积极作用，增加复杂的识别过程。热图像和视觉图像的融合是克服单独的热图像和视觉面部图像中存在的缺点的解决方案。在这里，融合图像被投影到特征空间中，并且使用径向基函数（RBF）神经网络以及多层感知器（MLP）对投影图像进行分类。在实验中，已使用的热和视觉人脸图像的对象跟踪和分类超可见光谱（OTCBVS）数据库基准。实验结果表明，该方法在识别人脸图像时，RBF神经网络和MLP的成功率分别为96%和95.07%。
2010-07-05 cs.CV
Face recognition using color local binary pattern from mutually independent color channels
本文提出了一种基于局部二值模式（LBP）的高性能人脸识别系统，该系统利用了不同颜色通道中像素的概率分布函数（PDF），对正面均匀光照和平面旋转具有鲁棒性。通过使用最先进的技术，这是使用离散小波变换（DWT）和奇异值分解（SVD）的人脸的照明增强。均衡后，人脸图像分割使用局部连续均值量化变换（SMQT），然后基于肤色的人脸检测系统。通过LBP获得的给定面部的级联PDF与数据库中每个面部的级联PDF之间的Kullback-Leibler距离（KLD）用作识别过程中的度量。各种决策融合技术已被用来提高识别率。该系统已在FERET，HP和博斯普鲁斯海峡人脸数据库上进行了测试。所提出的系统与传统的和thestate的最先进的技术进行了比较。FVF方法对FERET数据库的识别率为99.78%，而传统的灰度LBP和基于主成分分析（PCA）的人脸识别技术的识别率分别为79.60%和68.80%。
2014-12-31 cs.CV
Deep Heterogeneous Feature Fusion for Template-Based Face Recognition
尽管深度学习在人脸识别方面取得了令人印象深刻的性能，但许多研究表明，不同的网络学习不同的特征图：虽然一些网络更容易接受姿势和照明，但其他网络似乎捕捉更多的本地信息。因此，在这项工作中，我们提出了一种深度异构特征融合网络，以利用不同深度卷积神经网络（DCNN）生成的特征中存在的互补信息进行基于模板的人脸识别，其中模板是指来自不同来源的一组静态人脸图像或视频帧，这些图像或视频帧比传统的人脸数据集引入了更多的模糊，姿态，照明和其他变化。所提出的方法通过以下方式有效地融合不同深度特征的判别信息：1）联合学习深度特征的非线性高维投影; 2）生成更具判别力的模板表示，该模板表示保留了特征空间中深度特征的固有几何形状。在IARPA Janus Challenge Set 3（Janus CS3）数据集上的实验结果表明，该方法能有效地提高识别性能.此外，我们还提出了一系列的协变量实验的人脸验证任务，深入的定性评估所提出的方法。
2017-02-15 cs.CV
Multi-Directional Multi-Level Dual-Cross Patterns for Robust Face Recognition
University of Technology, Sydney（悉尼科技大学）；University of Maryland, College Park（马里兰大学帕克分校）
为了实现对光照、姿态和表情变化具有鲁棒性的无约束人脸识别，提出了一种从人脸图像中提取“多方向多级双交叉模式”（MDML-DCP）的新方法。具体而言，MDMLDCPs方案利用高斯算子的一阶导数来减少光照差异的影响，然后在整体和组件级别上计算DCP特征。DCP是一种新颖的人脸图像描述符，它的灵感来自于人脸独特的纹理结构。它在计算上是高效的，并且仅使计算局部二进制模式的成本加倍，但对姿势和表情变化非常鲁棒。MDML-DCP全面而有效地将人脸图像的不变特征从多个级别编码成模式，该模式对人与人之间的差异具有高度区分性，但对人与人之间的变化具有鲁棒性。在FERET、CAS-PERL-R1、FRGC 2.0和LFW数据库上的实验结果表明，DCP在人脸识别和人脸验证任务中的性能优于最先进的局部描述符（例如LBP、LTP、LPQ、POEM、tLBP和LGXP）。更令人印象深刻的是，通过在一个简单的识别方案中部署MDML-DCP，在具有挑战性的LFW和FRGC 2.0数据库上实现了最佳性能。
2015-08-06 cs.CV
A Face Recognition approach based on entropy estimate of the nonlinear DCT features in the Logarithm Domain together with Kernel Entropy Component Analysis
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
本文利用离散余弦变换（DCT）的特征提取能力，以及在对数域中的照明归一化方法，增加其鲁棒性的面部几何形状和照明的变化。然后在同一域中对DCT系数进行熵测度，提取最大熵保持像素作为特征向量。因此，可以在低维空间中提取人脸的信息特征。最后，核熵分量分析（KECA）与反余弦内核的扩展应用于所提取的DCT系数，贡献最大的熵估计，以获得只有那些真正的内核ECA特征向量与具有高的正熵贡献的特征值相关联。该系统在真实图像序列上进行了成功的测试，对显著的部分遮挡和光照变化具有鲁棒性，并在FERET，AR，FRAV2D和ORL人脸数据库上进行了实验验证。实验比较表明，证明所提出的方法在识别精度方面的优越性。使用特异性和灵敏度，我们发现，最好的实现时，Renyi熵的DCT系数。广泛的实验比较证明了所提出的方法在识别精度方面的优越性。此外，该方法非常简单，计算速度快，可以在任何实时人脸识别系统中实现。
2013-12-05 cs.CV
Multi-Prototype Networks for Unconstrained Set-based Face Recognition
National University of Singapore（新加坡国立大学）；National University of Defense Technology（国防科技大学）；Tencent FiT DeepSea AI Lab（腾讯FiT深海人工智能实验室）；University of Electronic Science and Technology of China（电子科技大学）；Inception Institute of Artificial Intelligence（人工智能初创研究所）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Qihoo 360 AI Institute（奇虎360人工智能研究院）
在本文中，我们研究了具有挑战性的无约束的基于集合的人脸识别问题，其中每个主题的脸是由一组媒体（图像和视频），而不是一个单一的图像实例化。单纯地聚集来自集合内的所有媒体的信息将遭受由异构因素（例如，变化的媒体形态、姿势和照明），并且不能学习区别性的面部表示。因此，提出了一种新的多原型网络（MPNet）模型，学习多个原型人脸表示自适应的媒体集。每个学习的原型是在一定条件下的姿态，照明和媒体模态方面的主体脸的代表。MPNet引入了一个密集子图（DSG）学习子网，而不是手工制作原型学习的集合分区，该子网隐式地解开不一致的媒体并学习许多代表性的原型。定性和定量的实验清楚地表明了所提出的模型的优越性，在国家的最先进的。
2019-03-23 cs.CV
Face Recognition Accuracy Across Demographics: Shining a Light Into the Problem
University of Notre Dame（圣母大学）；Valdosta State University（瓦尔多斯塔州立大学）；Florida Institute of Technology（佛罗里达理工学院）
本文研究跨人口统计群体人脸识别准确性差异，发现人脸图像亮度差异是重要原因，并提出亮度信息度量，建议在受控采集场景中为每个个体调整光照以提升识别准确性。
2023-04-16 cs.CV
Quotient Based Multiresolution Image Fusion of Thermal and Visual Images Using Daubechies Wavelet Transform for Human Face Recognition
Tripura University（特里普拉大学）；Jadavpur University（贾达沃普尔大学）
本文研究了基于多分辨率水平商和水平商的热图像和可见光图像融合。在所提出的系统中，方法-1即“分解然后商数-1级”和方法-2即“分解-重构然后商数-2级”都工作于视觉和热人脸图像的小波变换。小波变换是非常适合管理不同的图像分辨率，并允许在不同类型的系数的图像分解，同时保持图像信息没有任何损失。这种方法是基于一个定义的照明不变的签名图像，使一个分析生成的图像空间与不同的照明。商融合图像通过主成分分析（PCA）的降维，然后使用多层感知器（MLP）对这些图像进行分类。这两种方法的性能进行了评估，使用OTCBVS和IRIS数据库。对不同的类分别进行了测试，其中最高识别率为100%。
2010-07-05 cs.CV
Face Recognition using Hough Peaks extracted from the significant blocks of the Gradient Image
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
本文提出了一种利用二值梯度图像的Hough变换显著块的积分峰进行自动人脸识别的新方法。该方法首先计算图像的梯度并设置阈值，得到对噪声和光照变化不敏感的二值梯度图像。其次，从绝对梯度图像中提取重要块，利用降维思想提取相关信息。最后，从霍夫变换的重要块中提取最佳拟合的霍夫峰，以进行高效的人脸识别。然后将这些Hough峰连接在一起，作为分类过程中的特征。该方法的效率证明了实验1100图像从FRAV2D人脸数据库，2200图像从FERET数据库，其中图像的姿态，表情，照明和规模和400图像从ORL人脸数据库，其中图像略有不同的姿态。我们的方法已经显示出93.3%，88.5%和99%的识别准确率分别为FRAV2D，FERET和ORL数据库。
2013-12-05 cs.CV
Local Directional Relation Pattern for Unconstrained and Robust Face Retrieval
Indian Institute of Information Technology（印度理工学院信息技术学院）
人脸识别仍然是一个非常苛刻的研究领域。这个问题变得更具挑战性，在不受约束的环境中，并在存在几个变化，如姿势，照明，表达等本地描述符被广泛用于这项任务。现有的局部描述符大多只考虑了少量的直接局部邻居，不能利用更广泛的局部信息来使描述符更具区分性。更广泛的基于局部信息的描述符主要由于增加的维度而受损。在本文中，这个问题是解决编码的方向邻居之间的关系，在一个有效的方式。中心像素和编码的方向邻居之间的关系被进一步利用，以形成建议的局部方向关系模式（LDRP）。描述符是固有的均匀照明不变。多尺度机制还适于进一步提高描述符的区分能力。在人脸数据库的图像检索框架下对所提出的描述符进行了评估。非常具有挑战性的数据库，如PaSC，LFW，PubFig，ESSEX，FERET，AT&T和FaceScrub用于测试LDRP描述符的区分能力和鲁棒性。最后，将该方法与LBP、LTP、LDP、LDN、LVP、DCP、LDGP和LGHP等人脸描述符进行了比较。非常有前途的性能观察到使用建议的描述符非常有吸引力的人脸数据库相比，现有的人脸描述符。所提出的LDRP描述符在大规模FaceScrub人脸数据集上的性能也优于预先训练的ImageNet CNN模型。此外，它在许多场景下也优于基于深度学习的DLib人脸描述符。
2019-07-03 cs.CV
Probabilistic Face Embeddings
Michigan State University（密歇根州立大学）
嵌入方法通过在潜在语义空间中比较人脸特征，在人脸识别中取得了成功。然而，在完全不受约束的人脸设置中，嵌入模型学习的面部特征可能是模糊的，甚至可能不存在于输入人脸中，从而导致噪声表示。我们提出了概率人脸嵌入（PFEs），它表示每个人脸图像作为一个高斯分布在潜在的空间。分布的均值估计最可能的特征值，而方差显示特征值的不确定性。然后可以自然地导出概率解，用于使用不确定性信息来匹配和融合PFE。在不同基线模型、训练数据集和基准测试上的实验结果表明，该方法可以将确定性嵌入转换为PFE，从而提高人脸识别性能。PFE估计的不确定性也可以作为潜在匹配精度的良好指标，这对于风险控制的识别系统是重要的。
2019-08-07 cs.CV
Learning Disentangling and Fusing Networks for Face Completion Under Structured Occlusions
National Laboratory of Pattern Recognition, CASIA（模式识别国家重点实验室，中国科学院自动化研究所）；Center for Research on Intelligent Perception and Computing, CASIA（智能感知与计算研究中心，中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
人脸补全的目的是为缺失的人脸部分生成语义上的新像素。这是一个具有挑战性的生成任务，由于大的变化，面部外观。本文研究了结构化遮挡下的生成式人脸补全。我们把人脸补全和腐败看作是干净人脸和遮挡人脸的解缠和融合过程，提出了一种联合解缠和融合的生成对抗网络（DF-GAN）.首先，构造了三个域，分别对应于遮挡人脸、干净人脸和结构化遮挡的分布。解缠和融合的过程被表述为三个域之间的转换。然后构建解缠和融合网络来学习来自未配对数据的转换，其中采用编码器-解码器结构，并允许DF-GAN通过修改潜在表示来模拟结构遮挡。最后，解缠和融合过程被统一到一个双重学习框架中，并带有一个对抗策略。所提出的方法进行评估Meshface验证问题。在四个Meshface数据库上的实验结果表明，我们提出的方法在结构化遮挡下的人脸完成的有效性。
2017-12-13 cs.CV
Training Deep Face Recognition Systems with Synthetic Data
University of Basel（巴塞尔大学）；Department of Mathematics and Computer Science（数学与计算机科学系）
深度学习的最新进展显著提高了人脸识别系统的性能。这些模型的性能和可靠性在很大程度上取决于训练数据的数量和质量。然而，带注释的大型数据集的集合不能很好地扩展，并且对数据质量的控制随着数据集的大小而降低。在这项工作中，我们将探索如何使用综合生成的数据来减少训练深度人脸识别系统所需的真实世界图像的数量。特别是，我们利用3D可变形人脸模型来生成具有任意数量面部身份的图像，并完全控制图像变化，例如姿势、照明和背景。在我们使用现成的人脸识别软件的实验中，我们观察到以下现象：1）训练有竞争力的深度人脸识别系统所需的真实训练数据量可以显着减少。2)将大规模真实数据与合成数据相结合可提高性能。3)仅在姿态、光照和背景变化很大的合成数据上训练的模型在不同的数据集上表现非常好，即使没有数据集自适应。4)使用合成数据进行预训练，然后使用真实世界的图像进行微调，可以缩小真实与虚拟的性能差距。5)使用合成数据进行预训练没有可观察到的负面影响。因此，我们实验中的任何人脸识别系统都受益于使用合成人脸图像。合成数据生成器以及所有实验都是公开的。
2018-02-16 cs.CV
Adversarial Relighting Against Face Recognition
Tianjin University（天津大学）；Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）；Cleveland State University（克利夫兰州立大学）
深度人脸识别（FR）在几个具有挑战性的数据集上实现了非常高的准确性，并促进了成功的现实世界应用，甚至对通常被认为是FR系统主要威胁的光照变化表现出很高的鲁棒性。然而，在现实世界中，不同的光照条件下造成的光照变化不能完全覆盖有限的人脸数据集。本文从一个新的角度来研究雷电对FR的威胁，对抗攻击，并识别新任务，即，对抗性再照明给定一张人脸图像，对抗性重光照的目标是产生一个自然重光照的对应物，同时愚弄最先进的深度FR方法。为此，我们首先提出了基于物理模型的对抗性重光照攻击（ARA），表示为基于干扰的对抗性重光照攻击（AQ-ARA）。它在FR系统的物理照明模型和指导下生成自然对抗光，并合成对抗重光照的人脸图像。此外，我们提出了自动预测对抗性重光照攻击（AP-ARA），通过训练对抗性重光照网络（ARNet），根据不同的输入面以一步的方式自动预测对抗性光，允许效率敏感的应用程序。更重要的是，我们建议通过精确的重新照明设备将上述数字攻击转移到物理ARA（PhyARA），使估计的对抗性照明条件在现实世界中重现。我们在三种最先进的深度FR方法上验证了我们的方法，即，FaceNet，ArcFace和CosFace，两个公共数据集。广泛而富有洞察力的结果表明，我们的工作可以生成逼真的对抗性重光照人脸图像，轻松地欺骗人脸识别任务，揭示特定光线方向和强度的威胁。
2022-08-27 cs.CV
Eight Years of Face Recognition Research: Reproducibility, Achievements and Open Issues
Idiap Research Institute（Idiap研究所）；University of Zurich（苏黎世大学）；University of Lausanne（洛桑大学）
自动人脸识别是一个非常热门的研究领域。在过去的三十年里，人们在人脸识别领域进行了深入的研究，提出了许多不同的人脸识别算法。随着深度学习的普及及其解决各种不同问题的能力，人脸识别研究人员集中精力在这种范式下创建更好的模型。从2015年开始，最先进的人脸识别已经植根于深度学习模型。尽管有大规模和多样化的数据集可用于评估人脸识别算法的性能，但许多现代数据集只是结合了影响人脸识别的不同因素，如人脸姿态，遮挡，光照，面部表情和图像质量。当算法在这些数据集上产生错误时，尚不清楚哪些因素导致了这种错误，因此，在哪个方向需要更多的研究方面没有指导。这项工作是我们在2014年开发并最终于2016年发表的先前工作的后续工作，显示了各种面部方面对人脸识别算法的影响。通过将当前最先进的系统与过去最好的系统进行比较，我们证明了在强遮挡、某些类型的照明和强表情下的人脸是深度学习算法所掌握的问题，而低分辨率图像、极端姿势变化和开集识别的识别仍然是一个悬而未决的问题。为了证明这一点，我们使用六个不同的数据集和五个不同的人脸识别算法以开源和可重复的方式运行了一系列实验。我们提供了运行所有实验的源代码，这些代码很容易扩展，因此在我们的评估中使用您自己的深度网络只需几分钟。
2022-08-09 cs.CV
Improving Heterogeneous Face Recognition with Conditional Adversarial Networks
彩色图像和深度图像之间的异构人脸识别对于其中形状信息被视为仅涉及图库的现实世界应用是非常期望的能力。在本文中，我们提出了一种跨模态深度学习方法，作为应对这一挑战的有效和高效的解决方案。具体来说，我们首先学习两个卷积神经网络（CNN）来分别提取2D和2.5D人脸特征。一旦经过训练，它们可以作为另一个双向CNN的预训练模型，该模型探索颜色和深度之间的相关部分，以进行异构匹配。与大多数传统的交叉模态方法相比，我们的方法还使用条件生成对抗网络（cGAN）从单色图像进行精确的深度图像重建，并通过融合多模态匹配结果进一步提高识别性能。通过在基准FRGC 2D/3D人脸数据库上的定性和定量实验，我们证明了所提出的流水线在异构人脸识别上的性能优于最先进的性能，并确保了一个非常有效的在线阶段。
2017-09-13 cs.CV
Face anonymization preserving facial expressions and photometric realism
Department of Informatics, Systems and Communication, University of Milano-Bicocca（信息学、系统与通信系，米兰-比科卡大学）
本文提出一种保留面部表情和光度真实性的面部匿名化框架，通过引入密集面部地标和轻量级后处理模块，提升匿名化效果，并设计专用评估指标量化表情保真度、光照一致性和颜色保留。
2026-03-18 cs.CV
Hierarchical Clustering in Face Similarity Score Space
University of Notre Dame（圣母大学）
人脸识别中的相似度分数表示由匹配算法计算的图像对之间的接近度。给定一个大的图像集和所有对之间的接近度，定义一个相似性得分空间。将聚类分析应用于相似性得分空间以开发各种分类。考虑到数据集中的受试者数量，我们使用分层方法来聚合同一受试者的图像。我们还探讨了学科水平之上和之下的层次结构，包括反映性别和种族的聚类。证据支持存在的聚类种族，性别，主题，和照明条件。
2016-05-19 cs.CV
2D Face Recognition System Based on Selected Gabor Filters and Linear Discriminant Analysis LDA
Benha University（班哈大学）
本文提出了一种新的人脸识别方法。该方法基于二维人脸图像的特征，使用非相关的正交Gabor滤波器子集代替整个Gabor滤波器组，然后使用线性判别分析（LDA）压缩输出特征向量。采用多级图像处理技术对人脸图像进行增强处理，使其归一化并补偿光照变化。实验结果表明，该系统是有效的降维和良好的识别性能相比，完整的Gabor滤波器组。该系统在CASIA、ORL和Cropped YaleB二维人脸图像库上进行了测试，平均识别率达到98.9%。
2015-03-12 cs.CV
An adaptive block based integrated LDP,GLCM,and Morphological features for Face Recognition
Indian Statistical Institute（印度统计研究所）；Jadavpur University（贾达普大学）
本文提出了一种基于多特征集的人脸自动识别方法。讨论了基于形态学、局部方向图和灰度共生矩阵的特征提取技术在人脸识别中的应用。首先，新的形态特征，即，提取基于四个方向（N、NE、E、NW）上的像素游程数的特征，以及从梯度图像的重要块中提取对噪声和非单调照明变化不太敏感的基于GLCM的统计特征和LDP特征。然后将这些特征连接在一起。我们将上述方法结合起来，以充分利用这三种方法。从绝对梯度图像中提取重要块，从而从原始图像中提取相关信息，并采用降维的思想构成了工作的基础。我们的方法的效率证明了实验1100图像从FRAV2D人脸数据库，2200图像从FERET数据库，其中的图像在姿态，表情，照明和规模和400图像从ORL人脸数据库，其中的图像略有不同的姿态。我们的方法已经显示出90.3%，93%和98.75%的识别准确率分别为FRAV2D，FERET和ORL数据库。
2013-12-05 cs.CV
Face Recognition Using Scattering Convolutional Network
NYU School of Engineering（纽约大学工程学院）
人脸识别在过去的几十年里一直是一个活跃的研究领域。在一般情况下，人脸识别可以是非常具有挑战性的，由于在视点，照明，面部表情等的变化，因此，它是必不可少的，以提取特征是不变的一些或所有这些变化。在这里，一个新的图像表示，称为散射变换/网络，已被用来提取面部特征。散射变换是一种卷积网络，它为信号提供了强大的多层表示。在提取散射特征后，利用主成分分析对数据进行降维，然后利用多类支持向量机进行识别。该算法在三个人脸数据集上进行了测试，取得了很高的识别率。
2017-11-30 cs.CV
Depth as Attention for Face Representation Learning
人脸表示学习解决方案最近在验证和识别等各种应用中取得了巨大成功。然而，纯粹基于RGB图像的面部识别方法仅依赖于强度信息，因此对面部变化（特别是姿势、遮挡和环境变化，例如照明和背景）更敏感。提出了一种新颖的深度引导注意力机制，用于使用低成本RGB-D传感器进行深度多模式人脸识别。我们的新型注意力机制通过使用卷积神经网络（CNN）提取的深度特征来集中网络的注意力，从而指导深度网络“在哪里寻找”RGB图像中的视觉特征。深度特征有助于网络聚焦RGB图像中包含更突出的个人特定信息的面部区域。然后，我们的注意力机制使用这种相关性从CNN提取的深度特征中生成RGB图像的注意力图。我们在四个公共数据集上测试了我们的网络，表明我们提出的解决方案获得的特征在Lock 3DFace，CurtinFaces，IIIT-D RGB-D和KaspAROV数据集上产生了更好的结果，这些数据集包括姿势，遮挡，照明，表情和延时的挑战性变化。我们的解决方案达到平均准确率提高了87.3%（+5.0\%），99.1\%（+0.9\%），99.7\%（+0.6\%）和95.3\%（+0.5\%），从而提高了最新技术水平。我们还使用热图像进行了额外的实验，而不是深度图像，当采用其他模态来引导注意力机制而不是深度信息时，显示了我们的解决方案的高泛化能力
2021-04-05 cs.CV
A Novel Face Recognition Method using Nearest Line Projection
Yibin Vocational & Technical College（宜宾职业技术学院）
人脸识别是模式识别方法的一个热门应用，它面临着光照、表情、姿态等挑战性问题。最流行的方法是学习人脸图像的子空间，以便将其投影到另一个判别空间，在该判别空间中可以分离不同人的图像。本文提出了一种最近邻直线投影算法来表示人脸图像，并用于人脸识别。我们尝试将图像投影到由两个不同的人脸图像跨越的最近的线上，而不是将图像投影到最近的图像。学习子空间，以便最小化每个人脸图像到其最近的线。我们在一些基准人脸图像数据库上对该算法进行了评估，并将其与其他一些图像投影算法进行了比较。实验结果表明，该算法优于其他算法。
2014-02-24 cs.CV
Classification of Polar-Thermal Eigenfaces using Multilayer Perceptron for Human Face Recognition
Tripura University（特里普拉大学）；Jadavpur University（贾达普大学）
本文提出了一种新的方法来处理人脸识别的挑战。在这项工作中，热人脸图像被认为是，这最大限度地减少了由于胡子，胡须，装饰品等照明变化和闭塞的影响。所提出的方法注册的训练和测试热人脸图像在极坐标，这是能够处理的缩放和旋转引入的复杂性。将极坐标图像投影到特征空间，最后使用多层感知器进行分类。在实验中，我们使用了对象跟踪和分类超可见光谱（OTCBVS）数据库基准热人脸图像。实验结果表明，该方法显著提高了验证和识别性能，成功率为97.05%。
2010-05-21 cs.CV
Leveraging Billions of Faces to Overcome Performance Barriers in Unconstrained Face Recognition
我们采用了face.com内部开发的人脸识别技术，达到了一个公认的基准，并表明无需任何调整，我们就能够大大超过最先进的结果。大部分改进集中在零假阳性匹配的高值性能点，其中获得的召回率几乎是迄今为止最好的报告结果的两倍。我们讨论了我们的系统，使这一显着的性能差距的各种组件和创新。这些组件包括广泛利用精确的3D重建形状模型来处理姿势和照明带来的挑战。此外，基于数十亿张人脸的判别模型被用于克服衰老和面部表情以及低光和过度曝光。最后，我们确定了一组具有挑战性的识别查询，可能为未来的研究提供有用的重点。
2011-08-04 cs.CV
An Independent Evaluation of Subspace Face Recognition Algorithms
本文探讨了三个最流行的基于外观的人脸识别投影类的线性和内核实现的比较研究，这些方法的主成分分析，线性判别分析和独立成分分析。实验过程提供了一个平台的平等的工作条件，并检查了十个算法的类别的表达，照明，遮挡和时间延迟。然后根据评估工具的顺序组合对结果进行评估，这些评估工具有助于在类内和类间比较中进行直观和统计决策。最好的分类算法，然后纳入一个混合的方法，融合策略的有利影响被认为是。
2007-05-07 cs.CV
Domain-invariant Face Recognition using Learned Low-rank Transformation
Duke University（杜克大学）；University of Maryland（马里兰大学）
我们提出了一种低秩变换的方法来补偿由于视觉域的变化，如姿态和照明的人脸变化。其核心思想是学习判别线性变换的人脸图像使用矩阵秩作为优化标准。学习的线性变换恢复来自相同主题的面部的共享低秩结构，并且同时，迫使来自不同主题的面部的高秩结构。通过这种方式，在变换后的人脸中，我们减少了类内域变化引起的变化，并增加了类之间的分离，以便更好地跨域进行人脸识别。使用公共数据集进行了大量的实验，以证明我们的方法跨域人脸识别的有效性。讨论了该方法在通用目标识别和编码孔径设计中的特征提取潜力。
2013-08-01 cs.CV
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
Michigan State University（密歇根州立大学）
人脸反欺骗是防止人脸识别系统安全漏洞的关键步骤。以前的深度学习方法将面部反欺骗制定为二进制分类问题。他们中的许多人很难掌握足够的欺骗线索，而且概括得很差。在本文中，我们认为辅助监督的重要性，引导学习对歧视性和概括性的线索。学习CNN-RNN模型以使用逐像素监督来估计面部深度，并使用逐序列监督来估计rPPG信号。然后，我们将估计的深度和rPPG融合以区分实时人脸和欺骗人脸。此外，我们引入了一个新的人脸反欺骗数据库，涵盖了大范围的照明，主题和姿态变化。实验结果表明，该模型在数据库内和跨数据库测试方面都达到了最先进的性能。
2018-03-29 cs.CV
Reflection Analysis for Face Morphing Attack Detection
Fraunhofer HHI（弗劳恩霍夫电信研究所）；Humboldt University Berlin（柏林洪堡大学）
面部变形是一种合成的面部图像，看起来类似于两个不同的人，甚至可以欺骗生物特征面部识别系统来识别这两个人。这种攻击被称为面部变形攻击。创建这样的面部变形的过程是有据可查的，很多教程和软件可以免费获得。因此，必须能够检测这种欺诈行为，以确保面部作为可靠生物特征的完整性。在这项工作中，我们研究了人脸变形的照明的物理正确性的影响。我们根据眼睛中的镜面反射高光来估计光源的方向，并使用它们来生成皮肤上高光的合成贴图。将此地图与疑似欺诈的图像中的高光进行比较。具有不同几何形状的变形面、源图像的不良对齐或使用具有不同照明的图像，可能导致反射中的不一致，这表明存在变形攻击。
2018-07-05 cs.CR cs.CV
Face Hallucination via Split-Attention in Split-Attention Network
Wuhan Institute of Technology（武汉工程大学）；Wuhan University（武汉大学）；Harbin Institute of Technology（哈尔滨工业大学）
最近，由于卷积神经网络（CNN）能够从大量样本中预测高频细节，因此已被广泛用于促进面部幻觉。然而，它们中的大多数未能同时考虑到整体面部轮廓和精细纹理细节，导致重建面部的自然度和保真度降低，并进一步损害下游任务的性能（例如，面部检测、面部识别）。为了解决这个问题，我们提出了一种新的外部-内部分裂注意力组（ESAG），它包括两个路径，分别负责面部结构信息和面部纹理细节。通过融合这两条路径的特征，同时增强了人脸结构的一致性和人脸细节的逼真度。然后，我们提出了一个分裂注意力在分裂注意力网络（SISN）重建逼真的高分辨率人脸图像级联多个ESAG。仿真实验结果表明，该方法不仅显著提高了幻觉人脸的清晰度，而且对后续的人脸识别性能也有很大的促进作用。代码已在https://github.com/mdswyz/SISN-Face-Hallucination上发布。
2021-07-07 cs.CV
EventFace: Event-Based Face Recognition via Structure-Driven Spatiotemporal Modeling
State Key Laboratory of Opto-Electronic Information Acquisition and Protection Technology（光电信息获取与防护技术国家重点实验室）；Anhui Provincial Key Laboratory of Secure Artificial Intelligence（安徽省安全人工智能重点实验室）；Anhui Provincial International Joint Research Center for Advanced Technology in Medical Imaging（安徽省医学影像先进技术国际联合研究中心）；School of Artificial Intelligence, Anhui University（安徽大学人工智能学院）；Computer Vision Laboratory, University of Sassari（萨萨里大学计算机视觉实验室）
本文提出EventFace框架，通过结合空间结构与时间动态，实现基于事件的面部识别，改进了传统RGB方法在事件流中缺乏稳定光度外观的问题，实验表明其在识别率和鲁棒性方面表现优异。
2026-04-08 cs.CV
