隐式低秩表示联合稀疏表示的人脸识别方法

针对人脸识别中存在的遮挡、阴影、反光等不同程度的数据破坏以及训练样本不充足导致识别率低的问题,提出一种基于隐式低秩表示联合稀疏表示(LatLRR_SRC,Latent Low-Rank Representation Sparse Representation Classification)的人脸识别方法.该方法首先采用隐式低秩表示(LatLRR,Latent Low-Rank Representation)算法将训练样本矩阵分解为两个低秩逼近矩阵和一个稀疏误差矩阵.然后将低秩逼近矩阵和稀疏误差矩阵联合构成完备字典,并用K-SVD算法对字典进行学习,得到测试样本在学习后字典下的稀疏表示.最后对测试样本利用上述隐式低秩表示分解的三部分的稀疏逼近计算残差,完成测试样本的分类识别.在Extend YaleB和CMU PIE人脸数据上的实验结果表明,基于LatLRR_SRC的人脸识别方法具有较高的识别率和稳定性.     

改进的两阶段协作稀疏表示分类器

稀疏表示的分类器(Sparse Representation-based Classifier,SRC)利用全部的训练集进行训练来得到一个完备基,这使其时间复杂度增长,同时,稀疏表示算法过分强调稀疏项对于分类的作用而忽略了类别之间的协作稀疏表示对于分类的影响。针对这个问题,本文在徐勇等人提出的TPTSR(Two-Phase Test Sample Sparse Representation)算法的基础上提出了一种改进算法,即改进的两阶段协作稀疏表示分类器(Improved Two-Phase Collaborative Sparse Representation Classifier,ITPCSRC),该算法尝试通过寻找一个具有与测试样本关联性最大而且又满足SRC关于训练样本基本假设的完备基来对测试样本进行协作的稀疏表示。本方法在ORL人脸库、Yale人脸库和AR人脸库上进行实验,并与目前最新的基于稀疏表示改进的分类器算法相比,ITPCSRC算法识别率得到了显著提高。     

基于差空间和最大散度差鉴别分析的人脸识别方法

为了提高最大散度差鉴别分析方法在人脸识别中的识别率,提出了一种改进的基于差空间的最大散度差鉴别分析人脸识别算法.该方法把类内平均脸方法应用到2DPCA算法中,并基于改进的2DPCA方法分别建立训练样本和测试样本的差空间,然后用类内中间值代替类内均值修改了最大散度差鉴别算法中类内散布矩阵的定义.用改进后的最大散度差鉴别法对得到的差空间进行鉴别分析,分别提取训练样本和测试样本的鉴别特征,用最近邻分类器分类.在ORL人脸数据库上的实验结果表明,该方法可以有效地改善识别率.     

基于结构化局部约束低秩表示的人脸识别

针对传统的基于低秩表示的方法需要重新在字典矩阵上计算测试样本的表示系数,会导致计算复杂度升高,降低训练和测试样本表示系数之间的相关性等问题,提出了一种结构化局部约束低秩表示算法用于人脸识别的方法.在原始低秩表示中引入理想编码系数矩阵正则项,使训练样本的表示系数矩阵具有块对角结构;为保持数据的流形结构,引入局部约束项,使相似样本具有相似的表示系数;使用简单的线性分类器对测试样本进行分类.在AR,Extended Yale B,ORL和LFW这4个标准数据集上进行了试验结果验证.结果表明:该算法可以同时得到训练和测试样本的表示系数,对人脸图像中的遮挡、像素破坏和光照变化等具有鲁棒性.     

特征空间中的拓展稀疏人脸识别

基于稀疏表示分类（SRC,sparse representation for classification）是近年来模式识别领域中备受关注的一个研究热点。当每类训练样本较少时,SRC的识别效果往往不理想。为解决此问题,人们提出了拓展的稀疏表示分类算法。它引入了训练样本的类内变量矩阵,来补充每类训练样本信息。但是,该方法很难获取普遍存在于复杂数据如图像中的非线性信息。为此,提出了特征空间中的拓展稀疏人脸识别算法。该算法将样本集非线性映射到新的特征空间中,计算每个训练样本在表示测试样本时所做的贡献。根据贡献大小,给每个训练样本赋予一定的权重。同时,利用类内变量矩阵,共同表示测试样本。实验表明所提出的算法优于其它经典稀疏表示分类算法。     

基于主元分析和线性判别分析降维的稀疏表示分类

为解决传统的稀疏表示分类(SRC)算法在小样本人脸识别过程中的过大时间开销问题,该文提出2种基于降维的SRC算法。扩展主元分析(EPCA)算法利用PCA算法构造约束优化稀疏模型,对测试样本进行线性表示,通过比较测试样本和每类训练样本的重构PCA系数进行决策分类。EPCA+线性判别分析(EPCA+LDA)算法在EPCA算法的基础上增加LDA约束模型,提高重构样本的稀疏表示的鉴别性。将该文算法应用于AR和FERET人脸数据库,与扩展SRC(ESRC)、SRC、SRC_PCA、协同表达分类(CRC)算法相比,该文算法有较高的识别率和较低的时间复杂度。将EPCA算法和EPCA+LDA算法应用于FETET数据集,识别率分别为61.46%和59.17%,运行时间分别为383.02 s和220.62 s。     

基于虚拟样本扩张法的单样本人脸识别算法研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出了一种基于虚拟样本扩展的人脸识别方法,为给定的单训练样本增加虚拟图像,以增强单训练样本的分类信息,并对原样本及其虚拟样本进行特征变换,划分得到更多的子图像,利用二维主成分分析(2DPCA)实现特征抽取,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。提出的方法分别在ORL及FERET两大人脸数据库上得到了验证。     

频域下稀疏表示的大数据库人脸分类算法

人脸识别的识别率受众多因素影响,目前已有很多成形的高识别率算法,然而,随着数据库中人脸图像的增加,识别率下降很快。鉴于该特点,采用频域下的稀疏表示分类算法能有效解决上述问题,先使用快速傅里叶变换(FFT)将人脸数据从时域变换到频域,再通过l1范数最优化稀疏表示算法,把所有训练样本作为基向量,稀疏表示出测试样本,最后使用最近邻子空间算法分类。在扩展的Yale B人脸库中实验结果表明,该算法具有有效性。     

基于RPCA的群稀疏表示人脸识别方法

针对训练样本图像和测试样本图像均存在光照、污染、遮挡等情况下的人脸识别问题,提出一种基于鲁棒主成分分析的群稀疏表示人脸识别方法(group sparse representation face recognition method based on robust principal component analysis, GSR-RPCA)。该方法将人脸图像由空域变换到对数域,增强人脸图像的对比度,并通过结构非相关鲁棒主成分分析算法从训练样本图像矩阵D中分解出干净的低秩部分人脸图像矩阵A和误差图像矩阵E,以增强恢复数据的鉴别力;学习A与D之间的低秩映射关系矩阵P,并用P将存在遮挡的测试样本映射到其潜在的子空间下,得到干净的测试样本y;计算y在A上的群稀疏表示系数,并利用类关联重构残差对测试人脸进行识别,获得测试人脸的所属类别。在CMU PIE,Extended Yale B和AR数据库上的实验结果显示,提出方法具有较高的识别率和较强的鲁棒性。     

基于样本融合的核稀疏人脸识别方法

针对基于小样本集人脸图像的识别能力低,计算复杂度高的问题,提出了一种基于样本融合的核稀疏表示方法(KSRMSF).该方法首先通过在原始样本集中添加镜像训练样本和对称训练样本,扩大了原始样本集的规模,接着使用基于高斯核函数的算法从扩充后的训练样本集中挑选若干个最近邻训练样本,利用这组最近邻样本的线性组合表示待识别的测试样本,根据L2范式的结果对测试样本进行分类,通过修改最近邻样本数获得更高的分类精度.实验结果表明该方法比同类识别算法有更好的识别效果.     

基于两级非负线性编码表示的人脸识别

针对大规模人脸识别问题,提出了一种基于两级非负线性编码表示的人脸识别方法.首先利用第一级的线性编码表示,通过在初始的大规模人脸库中寻找对应测试图像的M最近邻,以消除干扰训练样本并降低训练样本集的规模;然后以此M最近邻为训练样本集,通过第二级的线性编码表示实现对测试样本的分类判别.在线性编码表示中,通过进一步引入非负系数约束,更好地改善了分类识别性能.基于AR、ORL和Yale B人脸库的实验结果初步验证了文中所提方法的有效性.     

基于联合动态稀疏表示方法的多图像人脸识别算法

采用联合动态稀疏表示方法构造一种新型的多图像人脸识别模型.该模型在多张人脸图像的稀疏表示矩阵上,利用动态数集得到联合动态稀疏表示矩阵,识别多图像的人脸.在多张人脸图像作为测试样本的情况下,利用多图像之间的关联性提高人脸图像识别的准确率.最后利用CMU人脸图像库对该算法进行仿真,结果表明其识别率较其他算法有很大的提高.     

基于LBP和几何混合特征的人脸识别

提出一种基于ASM几何特征和LBP局部特征的人脸识别新方法。该方法首先使用ASM算法对样本数据进行区域筛选,然后通过LBP特征与ASM特征构建融合特征对人脸进行识别。本文使用JAFFE人脸数据库和CK+数据库进行算法测试,实验结果表明本文提出的方法比单独使用ASM和LBP特征在人脸识别率上有较大的改善。     

单样本条件下基于图像增强和Fourier频谱的人脸识别

目前有许多处理正面视觉人脸的识别方法,当有充分数量的有代表性的样本时,能取得较好的识别效果。然而当处理单样本识别问题时,现有的许多方法的识别率将明显下降或甚至不适用。为了加强单训练样本的分类信息,训练样本与其基于受扰动的奇异值的重构图组合成新样本,Fourier频谱作为人脸识别特征,在ORL人脸库上的实验结果表明了该方法的有效性。     

基于位平面和协作表示的人脸识别算法

为提高人脸识别的准确性和高效性,提出了一种基于位平面信息的协作表示人脸识别算法,利用8位灰度图像的8个位平面和协作表示原理进行人脸识别.采用直方图均衡算法增强图像的对比度,并将均衡后的图像分解成8个包含有不同信息的二进制位平面图像.根据各位平面图像包含的识别信息量对它们进行加权求和,构造虚拟人脸图像.最后在虚拟人脸图像数据库上采用协作表示进行识别.实验结果表明,该算法具有较高的识别率和较快的识别速度.      

基于正则化协同表示的鲁棒PCA人脸识别

针对人脸图像复杂环境变化,提出了一种基于正则化协同表示的鲁棒PCA人脸识别算法。算法首先通过协同表示计算重构样本与测试样本之间的残差,根据残差选取与测试样本临近的训练样本组成新的字典;然后在该字典上通过鲁棒PCA依次进行低秩误差分解,并计算误差矩阵的平滑性、稀疏性;最后联合协同表示的残差以及低秩分解中的平滑性和稀疏性构建判别准则进行人脸图像的分类识别;在ORL、AR等人脸库的实验表明:基于正则化协同表示的鲁棒PCA人脸识别算法不仅能够在复杂环境变化下取得良好的识别性能,而且保持了协同表示的优势,大大减少运行时间。     

基于图片特征与人脸姿态的人脸识别方法研究

针对人脸识别中在非限定条件下（如背景、光照等因素发生变化时）人脸多角度多姿态识别精度低的问题与现有基于识别模型的方法无法快速更新人脸类别,提出了基于图片特征与人脸姿态的识别方法,通过对人脸姿态的识别,最大程度的匹配人脸数据库中的人脸信息,使用VGG16卷积神经网络训练模型提取图片特征,生成特征向量,再使用支持向量机分别训练提取出的特征,与人脸数据库中信息进行比对,从而精确识别人脸。通过在Pubfig与FERET人脸库上实验结果表明,所采用的算法精度较高。     

基于多方向Gabor特征图稀疏表示的鲁棒人脸识别方法

为提高对光照、表情、姿态等可变因素的鲁棒性,提出一种基于多方向Gabor特征图稀疏表示的人脸识别方法.对人脸图像进行多方向多尺度Gabor变换,然后将同一方向不同尺度的Gabor特征进行融合得到多方向特征图,再对每个方向的融合特征图提取Gist特征并赋予自适应权重,接着将所有方向特征图的自适应加权Gist特征串联构成人脸图像特征向量,最后利用稀疏表示分类方法实现人脸识别.实验结果表明,本文算法在Yale、ORL和Extended Yale B人脸数据库上的平均识别率分别达到99.8%、99.7%和100.0%.      

基于MBC和POEM特征的人脸识别方法

针对人脸识别中单一特征难以取得理想效果的问题,提出了基于MBC和POEM特征融合的人脸识别方法.首先,在归一化的人脸图像上提取MBC编码图和POEM编码图,在每个编码图块上生成特征向量,应用线性判别分析对特征向量进行低维映射,并对其进行赋权相加得到最终相似度.所提算法在FERET的Dup1,Dup2,Fb和Fc 4个测试库上取得了较高的识别率,分别为93.77%,90.60%,99.58%和99.49%;在误识率为0.1%的条件下,在4个测试库上的认证率分别为95.70%,92.31%,99.75%和100%,进一步验证了该方法的有效性.     

基于低秩投影与稀疏表示的人脸识别算法

当训练和测试图像同时受到污损时,人脸识别的性能会急剧下降。为了解决这一问题,提出了一种新的人脸识别算法。首先利用鲁棒主成分分析(robust principal component analysis,RPCA)方法得到训练样本的低秩部分;然后基于原始训练样本及其低秩部分得到低秩投影矩阵,该矩阵可以对存在污损的测试图像进行恢复;最后使用稀疏表示分类(sparse representation based classification,SRC)算法对恢复后的测试图像进行分类。在两个公开数据库上进行实验,实验结果证明了本文算法的有效性,同时识别性能优于SRC及线性回归分类(linear regression classification,LRC)方法,能在一定程度上处理样本数据受到污损的情况。