人脸姿态变化复杂且对人脸识别性能影响明显,提出了一种融合LCCDN (LSTM and CNN based Cascade Deep Network)与增量聚类的多姿态人脸识别方法。采用LCCDN模型定位人脸关键点,利用长短时记忆网络(LSTM)的记忆功能寻找人脸各关键点在空...人脸姿态变化复杂且对人脸识别性能影响明显,提出了一种融合LCCDN (LSTM and CNN based Cascade Deep Network)与增量聚类的多姿态人脸识别方法。采用LCCDN模型定位人脸关键点,利用长短时记忆网络(LSTM)的记忆功能寻找人脸各关键点在空间上的全局上下文的依赖关系对人脸关键点初始化,并通过卷积神经网络模型,采用由粗到精的策略;定位人脸关键点;以人脸关键点作为人脸朝向描述子,同时为适应人脸姿态不断地动态更新,采用基于熵诱导度量机制的增量聚类方法,对头部姿态进行动态增量聚类,构建人脸姿态池。在此基础上,通过建立不同姿态的人脸识别分类模型实现多姿态人脸识别,在CAS-PEAL-R1、CFP和Multi-PIE三个数据集上的人脸识别准确率分别达到96.75%,96.50%,97.82%。通过与同类人脸识别方法的客观定量对比,实验结果表明所提方法有效、可行。展开更多
文摘提出了一种基于Kinect的实时深度提取算法和单纹理+深度的多视绘制方法。在采集端,使用Kinect提取场景纹理和深度,并针对Kinect输出深度图的空洞提出一种快速修复算法。在显示端,针对单纹理+深度的基于深度图像的绘制(DIBR,depth image based rendering)绘制产生的大空洞,采用一种基于背景估计和前景分割的绘制方法。实验结果表明,本文方法可实时提取质量良好的深度图,并有效修复了DIBR绘制过程中产生的大空洞,得到质量较好的多路虚拟视点图像。以所提出的深度获取和绘制算法为核心,实现了一种基于深度的立体视频系统,最终的虚拟视点交织立体显示的立体效果良好,进一步验证了本文算法的有效性。本文系统可用于实景的多视点立体视频录制与播放。
文摘人脸姿态变化复杂且对人脸识别性能影响明显,提出了一种融合LCCDN (LSTM and CNN based Cascade Deep Network)与增量聚类的多姿态人脸识别方法。采用LCCDN模型定位人脸关键点,利用长短时记忆网络(LSTM)的记忆功能寻找人脸各关键点在空间上的全局上下文的依赖关系对人脸关键点初始化,并通过卷积神经网络模型,采用由粗到精的策略;定位人脸关键点;以人脸关键点作为人脸朝向描述子,同时为适应人脸姿态不断地动态更新,采用基于熵诱导度量机制的增量聚类方法,对头部姿态进行动态增量聚类,构建人脸姿态池。在此基础上,通过建立不同姿态的人脸识别分类模型实现多姿态人脸识别,在CAS-PEAL-R1、CFP和Multi-PIE三个数据集上的人脸识别准确率分别达到96.75%,96.50%,97.82%。通过与同类人脸识别方法的客观定量对比,实验结果表明所提方法有效、可行。
