基于改进ORB特征的多姿态人脸识别

第34卷第2期石家庄铁道大学学报(自然科学版)Vol.34No2 2021年6月Journal of Shijiazhuang Tiedao University(Natural Science Edition)j un.2o21基于改进ORB算法的特征点匹配研究周涵s马增强12,许丹丹s钱荣威1((.石家庄铁道大学电气与电子工程学院，河北石家庄050000；2.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室，河北石家庄050043)摘要：针对ORB(Oriented FAST and Rotated BRIEF)算法不具有尺度不变性的缺陷，结合多尺度Shi-Tomasi算法提出了改进的ORB算法:STORB(Shi-Tomasi-ORB)算法％首先在多尺度空间中通过快速预筛选后检测Shi-Tomasi特征点，然后使用ORB算法生成具有方向信息和尺度信息的特征点描述子,最后采用汉明(Hamming)距离对特征点进行匹配，并结合随机抽样一致(RANSAC)算法对匹配结果进行优化，实现图像的准确匹配。

实验结果表明,STORB算法不仅保留了ORB算法优良的旋转不变性与实时性，而且当图像发生尺度变化时特征点匹配正确率达到了95.8%，比ORB算法提高了65.2%%关键词：特征点匹配；ORB算法；尺度不变性；匹配正确率中图分类号：TP391文献标志码：A文章编号：2095-0373(2021)02-0052-070引言特征点匹配是数字图像处理技术中重要的研究内容，是图像拼接、目标定位与检测等技术中的基础。

Lowe)1］在2006年提出的SIFT(Scale Invariant Feature Transform)匹配算法具有很高的匹配正确率，但算法本身计算复杂，运行时间较长。

之后Bay et al2*提出了SURF(Speeded Up Robust Feature)算法，虽然SURF算法运行速度比SIFT算法有了很大提升，但仍不能满足某些高实时性需求。

基于LLR算法的多姿态人脸识别谭晓衡;张建慧【期刊名称】《计算机应用研究》【年(卷),期】2011(028)001【摘要】多姿态人脸识别是模式识别领域的难点之一,针对该问题提出的很多效果较好的算法都有其局限性,不能适应人脸状态多变的特征.在局部线性回归算法(LLR)的基础上,对人脸进行归一化校正,并通过引入一个局部常量因子,对不同水平旋转角度的侧脸进行姿态估计得到其正脸.改进后的LLR算法对人脸识别率有较大改善,这表明采用局部常量化和线性化分析,可以较好地弥补侧脸到正脸变换的非线性信息丢失.%Multi-pose face recognition is one of the most difficult problems in pattern recognition field.In order to solve this problem, put forward many algorithms, but almost none of them could adapt to the changing characteristics of the human faces.In this thesis, normalized both side faces and their corresponding frontal faces based on LLR algorithm, and by introducing a new local constant factor to the traditional LLR, obtained frontal faces from side faces in different poses.The improved LLR can perform better face recognition, which shows that with the help of the local constant factor and local linearization, the nonlinear information loss of the transformation from side faces to frontal faces can be compensated effectively.【总页数】3页(P392-394)【作者】谭晓衡;张建慧【作者单位】重庆大学,通信与测控中心,重庆,400044;重庆大学,通信与测控中心,重庆,400044【正文语种】中文【中图分类】TP391【相关文献】1.基于正投影视图的多姿态人脸识别算法 [J], 武芒;王燕;刘志镜;李夏忠2.基于单视图的多姿态人脸识别算法 [J], 朱长仁;王润生3.基于稀疏编码和机器学习的多姿态人脸识别算法 [J], 赵玉兰;苑全德;孟祥萍4.基于张量脸的多姿态人脸识别算法 [J], 姜珊;王羽;田春娜5.基于正交视图的多姿态人脸识别算法 [J], 刘志镜;夏勇;李夏忠因版权原因，仅展示原文概要，查看原文内容请购买。

本栏目责任编辑：唐一东人工智能及识别技术多任务姿态不变的人脸识别段龙云1，方雅婷1，吴洁2（1.江西理工大学南昌校区信息工程系，江西南昌330000；2.江西理工大学南昌校区经济管理系，江西南昌330000）摘要：在实际应用中，人脸识别系统采集到的人脸图像中人脸姿态变化范围较大，这给识别过程带来了较大的挑战，大大降低了识别算法的准确率。

该文针对姿态问题对人脸识别的影响展开研究，提出了一种新的人脸识别算法，可以实现±90°范围内人脸的准确识别。

本文提出的算法将多任务学习概念引入对转换字典的学习过程中，将不同姿态看成不同任务，对每一个姿态分别进行转换字典的学习。

在FERET 和CMU-PIE 等数据库中的大量实验结果表明，该文提出的算法明显优于基于单任务学习的人脸识别算法，在非限定姿态下的人脸识别达到了较好的效果。

关键词：人脸识别系统；算法；多任务学习中图分类号：TP391文献标识码：A文章编号：1009-3044(2016)29-0178-031绪论1.1研究背景及意义近几十年来，人脸识别在计算机视觉领域是最热门的研究课题之一。

早在1888年和1910年高尔顿就在《Nature 》杂志发表了两篇关于利用人脸进行身份识别的文章，对人脸自身的人脸识别能力进行了分析。

但当时还没有条件研究人脸的自动识别问题。

直到近几十年才真正的研究了人脸自动识别，经过几十年的努力，现在已经实现了自动的人脸识别。

人脸识别作为一种生物体征识别与其他较成熟的识别方法（如指纹、虹膜、DAN 检测等）相比有以下几个优点：无侵犯性；低成本、易安装；无人工参与。

由于具有以上优点，近几年来，人脸识别技术引起了越来越多科研人员的关注。

1.2研究现状人脸识别技术经过几十年的发展，也取得了很大的突破。

现阶段自动人脸识别系统已经投入到应用中，主要应用于考勤机等方面，在非限定姿态下进行人脸识别还不能达到应用的要求。

人脸识别仍然受很多因素的影响，如姿态、光照和表情等。

一种改进的快速多姿态人脸特征点定位算法沈先耿;吴薇【期刊名称】《中国科技论文》【年(卷),期】2015(000)008【摘要】In classic ASM algorithm,need to manually locate facial feature points is located manually,the rate of multi-pose face recognition is low and the robustness is poor.A new rapid multi-pose facial feature points positioning method is proposed.To im-prove the rate of semi-automatic and multi-pose face recognition.Firstly,correct the multi-pose face image is corrected to solve the problem of face image rotation anddeflection.Then,the face image is positioned,the local feature is modeled,the feature area is calibrated and the points positioning of facial feature is located.Through the comparison of multiple templates ASM meth-od and the method based on the geometric feature,we can see that the algorithm is efficient and also can improve the multi-pose face recognition rate and robustness for the ASM algorithm.%针对经典的 ASM 算法中存在的需要手工定位人脸特征点的问题和对于多姿态人脸识别率较低、鲁棒性较差的问题，提出了一种改进的快速的多姿态人脸特征点定位方法，解决了ASM（主动形状模型）算法半自动化与多姿态人脸识别率较低的问题；首先，对采集到的多姿态人脸进行矫正，主要解决人脸图像的旋转与偏转问题；然后针对矫正后的人脸图像进行定位与局部特征建模，标定其特征区域，完成人脸的特征点定位。

基于ORL数据集人脸识别的研究人脸识别是计算机视觉领域的一个重要研究方向，它可以应用于人脸检测、人脸认证、人脸跟踪等多个领域。

其中，基于ORL数据集的人脸识别研究已经成为相对成熟的识别方法之一、ORL数据集是人脸识别领域常用的数据集之一，包括40个人的400张图片，每个人有10张不同角度和光照条件下的人脸图片。

一般来说，基于ORL数据集的人脸识别研究可以分为以下几个步骤：数据预处理、特征提取和分类器训练。

首先，数据预处理是指对ORL数据集进行一些基本的处理，以便更好地被后续的特征提取和分类器训练所使用。

常见的数据预处理方法包括对图片进行去噪、人脸对齐和人脸标定等。

去噪可以通过滤波算法实现，如中值滤波和均值滤波等，以去除图片中的噪声。

人脸对齐是指将人脸图片进行一定的几何变换，使得人脸在图片中的位置和尺度更加统一、人脸标定是为了将人脸图片进行标记，便于特征提取和分类器训练时进行索引和分类。

接下来是特征提取阶段，特征提取是人脸识别的核心环节，它能够从原始的人脸图片中提取到具有辨识度的特征向量。

目前，常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。

PCA方法通过对ORL数据集的所有人脸图片进行主成分分析，提取出具有较高方差的主成分，从而减小了特征向量的维度，使得后续的分类器训练更加高效。

LDA方法则通过最大化类内散布矩阵和最小化类间散布矩阵的方式，提取出具有较好类别区分性的线性投影向量。

LBP方法则是一种局部纹理特征提取方法，可以通过计算图像的局部二值模式来提取人脸图片的纹理特征。

最后是分类器训练阶段，将特征向量输入到分类器中进行训练，以实现对新图片的人脸识别。

常用的分类器包括支持向量机（SVM）、K最近邻（KNN）和人工神经网络（ANN）等。

SVM能够根据特征向量的线性可分性进行分类，它可以对感知器进行扩展，提高分类的鲁棒性。

KNN方法则通过计算特征向量之间的距离来判断其所属的类别，它依赖于邻居样本的分布。

基于多特征融合的人脸识别算法苏饶;李菲菲;陈虬【摘要】针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法.首先,将通过GMQ算子提取的边缘特征以及通过LBP 描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合.最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到95.83％.与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性.【期刊名称】《电子科技》【年(卷),期】2019(032)007【总页数】6页(P43-48)【关键词】人脸识别;局部二值模式;梯度幅值量化;马尔可夫稳态特征;线性加权融合;ORL数据集【作者】苏饶;李菲菲;陈虬【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TP391.41人脸识别是一项基于人体生物特征的身份鉴别方法，主要涉及模式识别、图像处理、计算机视觉、心理学及生理学等多个交叉学科。

人脸识别已被应用于信息处理、行政执法、支付安全等领域，但由于其易受到光照、姿态及物体遮挡等复杂环境的影响，其识别性能还需要进一步完善。

人脸识别包括图像预处理、特征提取、匹配和识别等步骤。

其中特征提取主要包含全局特征及局部特征。

全局特征提取常用的方法包括：主成分分析(Principal Component Analysis，PCA)[1]、线性判别分析(Linear Discriminant Analysis，LDA)[2]以及独立成分分析(Independent Component Analysis，ICA)[3]等，旨在将高维的图像特征映射到低维子空间中，以表现出人脸的整体轮廓。