提出一种基于自适应加权Curvelet梯度方向直方图(AWCHOG)的人脸识别算法。首先,人脸图像通过基于Wrapping的离散Curvelet变换得到多尺度多方向的Curvelet变换系数;然后按照编码方式将同一尺度下不同方向的特征进行编码融合,获得融合后的幅值域图谱,并通过HOG算子结合分块的方法获得Curvelet变换后融合图像的直方图特征,分别根据每个尺度对人脸识别率的贡献进行计算,得出各尺度的权重;最后融合权重系数以及各尺度的HOG特征,利用最近邻分类器进行分类。通过在ORL、AR和CAS-PEAL三个人脸库的实验可以看出,所提算法在人脸图像部分遮挡、姿态、表情、光照变化以及噪声等因素干扰下具有较好的识别效果。

针对传统的归一化指数损失(Softmax损失)函数缺乏区别特征能力,对人脸特征无法进行判别性学习的问题,提出一种聚合判别多任务学习算法。首先,利用多任务级联卷积神经网络方法对目标图像进行人脸检测和对齐,剔除与人脸识别区域无关的图像;然后,利用深层卷积神经网络提取对齐后的人脸图像特征,同时使用聚合判别多任务学习算法将提取的人脸特征向量分解为学习类内特征的向量和判别类间身份的向量,加强对类内特征的约束,提高类间特征可分离性;最终分别采用最近邻分类器和十折交叉验证法进行人脸的识别和验证。实验结果表明:该算法在LFW人脸库中的验证准确率可达99.68%,改善了人脸识别性能,且在光照、姿势、表情和年龄变化测试中具有较好的稳健性,能有效应用于人脸识别的工程实践中。