人脸图像分析的理论与应用进展

卷积神经网络与面部表情的研究动态首先介绍了分析。一种称为随机梯度下降的训练算法使用l2正则化解决面部表情分类问题哪些面部表情图像被分为以下六个基本情感类别愤怒、厌恶、恐惧、幸福、悲伤和惊讶，无需任何复杂的预处理卷入的。此外，三种类型的特征泛化用于解决讨论了不同的分类器、不同的数据集和不同的类别。通过这些技术，预训练卷积神经网络被用作特征提取器它与支持向量机分类器一起工作得很好。的结果实验表明，卷积神经网络不仅具有对带有平移变形的面部表情图像进行分类，但也有能够完成一些特征泛化任务。

在本章中，提出了一种新的半监督降维算法提出了基于稀疏保持投影的约束图嵌入（SPP-CGE）。稀疏保持投影（SPP）是一种无监督的投影降维方法。它旨在保留稀疏重建通过求解L1目标函数获得的数据之间的关系。标签信息用作SPP-CGE算法中图形嵌入的附加约束。在SPP-CGE，使用数据的固有结构和标签信息。在此外，为了处理新的传入样本，SPP-CGE的样本外扩展是也提出了。在几个流行的人脸数据库上取得了有希望的实验结果说明了该方法的有效性。

最近提出了局部鉴别嵌入（LDE）来克服全局线性判别分析（LDA）方法的一些局限性。无论何时使用较小的训练数据集，LDE无法直接应用于高维数据。这种情况就是所谓的小样本（SSS）问题。经典解决方案针对这个问题，在原始数据上应用了降维（例如，使用主成分分析（PCA））。本章介绍了一种新颖的判别式这种技术称为“指数局部判别嵌入”（ELDE）。提议的ELDE可以被视为LDE框架在两个方向上的扩展。首先该框架克服了SSS问题，并且没有丢弃判别式局部保持散布的零空间中包含的信息与LDE相关的矩阵。其次，所提出的ELDE等效于通过距离扩散映射（类似于基于核的非线性映射），然后将LDE应用于这样一个新的空间。作为扩散映射的结果，属于不同类别的样本之间的边界扩大了，有助于提高分类精度。实验包括在四个公共人脸数据库上进行，分别是Extended Yale、PF01、PIE和FERET。这个结果表明，该ELDE的性能优于LDE以及许多最先进的判别分析技术。

本章讨论基于图形的对象线性流形学习认可。特别是，它引入了一种自适应局部保持投影（LPP）有两个有趣的属性：（i）它不依赖于任何参数，以及（ii）映射的数据之间不存在相关性。主要贡献包括基于有意义原理的亲和矩阵的无参数计算和适应性邻居。除了LPP框架之外，这两个属性已经集成到两种基于图的嵌入技术的框架中：正交局部保持投影（OLPP）和监督LPP（SLPP）。之后引入自适应亲和矩阵和不相关映射数据约束，我们在六个公共人脸数据库上执行识别任务。结果表明有所改善与LPP、OLPP和SLPP等经典方法相比。建议的方法也可以应用于其他类型的对象。

而人脸识别算法使用灰色显示出了很有前景的结果如果人脸图像不是正面的，则其准确性会下降。作为头部可以自由移动，这给人脸识别问题带来了关键挑战。这个挑战是如何在没有人工干预的情况下自动识别非额叶带有正面人脸图像的画廊中的人脸图像。旋转是线性的三维空间中的问题，可以使用三维面数据轻松解决。然而基于3D人脸数据的识别算法获得的识别率低于方法基于二维灰度图像。在本章中，顺序算法是建议使用2D和3D人脸数据的优点来获得姿势不变人脸识别系统。在第一阶段，检测面部特征估计人脸姿态。然后，3D数据（面深度数据）和相应的2D旋转图像（灰度面部数据）以获得正面面部图像。最后，从正面灰度图像中提取特征并用于分类。在FRAV3D人脸数据库上的实验结果表明，该方法可以大大提高了非正面人脸图像的识别精度。

3D人脸识别算法是一组利用3D的方法人脸几何和人脸特征的识别。与2D面相比使用基于强度或颜色的特征的识别算法，通常是对光线条件、头部方向、面部表情和化妆都有很强的抵抗力。三维人脸识别有几个优点。首先可以独立于照明条件获取三维面。其次，3D的姿势人脸数据可以很容易地进行校正，并用于后续的姿势不变特征提取。第三，3D人脸数据受肤色、面部美容和相似的面部反射系数。3D人脸识别可能包括以下几个阶段三维图像采集、人脸定位、特征提取和人脸识别。在这个文章讨论了三维人脸识别的不同算法和流水线。

自动头部姿势估计包括使用计算机预测基于给定面部图像的人的姿势。快速可靠的算法估计头部姿势对于许多应用程序和更高级的面部来说都是至关重要的分析任务。许多基于机器学习的技术用于人脸检测和识别也可以用于姿势估计。在本章中，我们提出了一个新的基于稀疏表示的降维算法帐户具有相似性。在三个基准面上进行的实验结果给出了数据库。

在这项工作中，我们为自动可变形3D人脸模型到人脸图片的拟合。众所周知的装配方法，例如，那些考虑形状和外观统计模型的人需要基于一组面部标志的训练阶段，在面部照片上手动标记。以这种方式，适合模型的新图片在形状和外观（包括照明变化、面部毛发、皱纹等）从那些用于培训的人那里。相比之下，我们的方法可以适用于一般面孔分两个阶段进行建模：（1）基于局部图像的面部特征定位梯度分析；（2）可变形3D人脸模型的反投影其变形参数的优化。建议的方法保留了无学习和基于学习的方法的优点。随后，我们可以估计人脸的位置、方向、形状和动作，并初始化特定于用户的面部跟踪方法，如在线外观模型（OAM）已证明其比通用用户跟踪方法更健壮。实验结果表明，我们的策略优于其他拟合方法在具有挑战性的照明条件下，并且具有计算足迹允许在计算能力降低的小工具（如手机）中执行和平板电脑。我们提出的方法非常适合许多系统人脸图像和视频中的语义推理。

计算机视觉人脸检测与跟踪广泛应用于多媒体应用、视频监控或人机交互。不同于基于大量训练数据集和复杂算法的当前技术获取通用人脸模型（例如，主动外观模型），使用证据理论处理代表应用程序的简单上下文知识后台，通过快速半监督初始化。可转移的信念模型是用于抵消由于缺乏详尽性而导致的先前模型的不完整性在学习阶段。

该方法由循环中的两个主要连续步骤组成：检测，然后跟踪。在在检测阶段，通过合并携带的基本信念来建立证据人脸模型通过维奥拉-琼斯面部探测器和肤色探测器。质量函数为分配给从特定非线性颜色空间计算的信息源。在为了处理颜色信息在融合过程中的依赖性使用组合规则。人脸模型的pignistic概率保证了信念框架和概率框架之间的兼容性。它们是引导粒子滤波器的输入，以视频速率进行人脸跟踪。这个适当地调整少数证据模型参数可以提高跟踪性能实时。对所提方法的定量评估给出了检测率达到80%，与文献中的结果相当。然而提出的方法只需要很少的初始化（简短的训练），并且允许快速处理。

在传统的年龄估计方法中，使用了判别法对于特征提取，采用生物年龄标签作为基本事实监督。然而，外表的年龄，也就是外表的年龄，本质上是人脸的模糊属性，不足以标记为脆值。为了解决这个问题，本文首先介绍了年龄标签，然后将LDA扩展为模糊LDA。在模糊标签的定义中，面部衰老的持续性和面部表情之间的模糊性并考虑了生物年龄。通过使用模糊标签进行监督所提方法在保留序列信息方面优于清晰方法面对衰老，调整生物年龄和外表之间的不一致。在FG-NET和MORPH数据库上的实验证实了该方法的有效性提出的方法。

自动年龄估计包括使用计算机预测基于给定面部图像的人。年龄预测基于不同的模式从面部出现。人们对这一进程的兴趣越来越大由于其在执法、安全方面的广泛潜在应用而增长控制和人机交互。然而，估计问题仍然存在因为它受到很多因素的影响，包括生活方式、性别、，环境和遗传学。许多用于自动年龄估计的最新算法基于机器学习方法，并已证明其效率和准确性在此域中。在本章中，我们对一个完整的年龄进行了实证研究围绕标签敏感学习构建的评估系统[1]。实验结果在FG-NET和MORPH Album II人脸数据库上进行。