一种基于压缩感知的单样本人脸识别方法

针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.     

结合小波低频子带的主成分分析方法

针对单样本人脸识别问题,提出了一种结合小波低频子带的主成分分析方法.为了加强单样本图像的分类信息,该方法将原训练样本与其小波低频子带重构图相结合,然后对结合的训练样本进行主成分分析.在ORL人脸库上的实验结果表明,当训练集中每个人只有一幅人脸样本图像时,文中方法的识别率比标准特征脸法高3.6%,而所使用的特征脸个数减少14.8%.     

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。     

采用Gabor变换和双方向LDA进行人脸识别

将Gabor变换和双方向LDA(BDLDA)算法相结合,提出了一种可以解决小样本问题的人脸识别新算法.该算法把人脸图像经过 Gabor 小波变换后得到的每个输出图像都看成是独立的样本,使得每类人脸样本的样本数成倍增加.然后采用BDLDA算法来提取人脸特征,并专门设计了针对人脸特征矩阵的最近邻分类器和最小距离分类器来进行分类判决.在 ORL 人脸库和 FERET人脸库中的实验结果表明,当每类的训练样本数较少时,该算法能大幅度提高人脸识别率,甚至当每类训练样本数仅为1时,也能得到较高的性能.     

基于奇异值特征和支持向量机的人脸识别

针对人脸识别中经常遇到的"小样本"和"过学习"等问题,同时为了进一步改善人脸图像的奇异值特征在人脸识别中的识别性能,提出了一种基于奇异值分解和支持向量机的人脸识别新方法.在特征提取阶段,首先对训练样本集中的每一个人脸图像矩阵进行奇异值分解,得到训练样本的奇异值特征,然后对每个样本的奇异值特征向量进行降维、归一化、奇异值向量的分量重新排列等处理.在识别阶段,运用支持向量机作为分类工具,为了提高分类能力,选取径向基函数作为支持向量机的核函数.最后在ORL人脸数据库上验证了该方法.实验结果表明,通过对奇异值特征的相关处理,提高了识别速度和正确识别率.从而证明了所提出方法的有效性,具有一定的应用价值.     

基于图像梯度和2DPCA的单样本人脸识别

提出了一种基于图像梯度的2DPCA的算法用于单样本人脸识别。采用图像梯度方法进行人脸识别具有光照不变性、能提取丰富的局部纹理信息等优点,但是这种方法只考虑了图像的局部信息,并没有充分利用全局信息。基于这种问题,文章考虑融合全局和局部信息进行单样本人脸识别。对于全局人脸信息的提取,采用2DPCA方法,相对与传统PCA方法,2DPCA能够在不破坏图像二维结构的基础上进行全局信息提取。由于上述两种方法在图像匹配时所采用的匹配算法不一致,文章根据两种匹配方式的特点进行改进和融合,提出了一种新的匹配方案。实验证明,基于图像梯度和2DPCA的算法在单样本人脸识别问题上识别率优于传统方法。     

低秩鲁棒性主成分分析的遮挡人脸识别

为了提高遮挡人脸的识别效果,提出了低秩鲁棒性主成分分析的遮挡人脸识别算法。首先采集人脸图像,并进行相应的预处理,然后采用鲁棒性主成分分析对人脸样本进行分解,并建立人脸图像训练样本和测试样本的低秩矩阵和误差矩阵,最后根据误差矩阵对人脸识别进行加权和识别,并采用经典人脸数据库进行仿真实验,结果表明,低秩鲁棒性主成分分析的遮挡人脸识别率得到显著提高,降低了遮挡人脸的误识率,具有更优的鲁棒性。     

基于局部非负矩阵分解的人脸识别

提出了一种基于局部非负矩阵分解的人脸识别方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,在子空间内实现人脸识别。ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

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。     

基于特征联合和支持向量机的人脸识别

在兼顾实时性的情况下,为了进一步提高人脸识别的识别率,本文提出一种基于特征联合和支持向量机的人脸识别方法。首先,提取人脸样本的梯度方向直方图特征和局部二值模式特征,并将这两种特征进行联合形成样本的联合特征。其次,使用主成分分析法对样本联合特征进行降维得到样本的低维联合特征。最后,利用训练样本的低维联合特征训练支持向量机得到一个人脸识别器,并利用该人脸识别器对测试样本进行识别。基于ORL人脸库的实验结果表明,与现有方法相比,本文方法在取得较高识别率的同时也取得了较好的实时性。     

Face Live Detection Method Based on Physiological Motion Analysis

In recent years, face recognition has often been proposed for personal identification. However, there are many difficulties with face recognition systems. For example, an imposter could login the face recognition system by stealing the facial photograph of a person registered on the facial recognition system. The security of the face recognition system requires a live detection system to prevent system login using photographs of a human face. This paper describes an effective, efficient face live detection method which uses physiological motion detected by estimating the eye blinks from a captured video sequence and an eye contour extraction algorithm. This technique uses the conventional active shape model with a random forest classifier trained to recognize the local appearance around each landmark. This local match provides more robustness for optimizing the fitting procedure. Tests show that this face live detection approach successfully discriminates a live human face from a photograph of the registered person's face to increase the face recognition system reliability.     

一种基于产生式分数空间的单样本人脸识别方法

提出一种基于产生式分数空间的单样本人脸识别方法.首先设计了适用于人脸表示的概率产生式模型,并有效地结合了分部式方法的灵活性和稀疏成分分析的稳健性.然后基于该模型导出分数函数(特征映射),并构建了本质上是观测数据、隐变量和模型参数函数的概率相似度.最后,基于2个标准人脸数据库进行了仿真实验,验证了所提出方法的有效性.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

小样本下基于特征子空间估计的故障诊断算法

为解决PCA(Principal Component Analysis)因样本数目少而无法得到稳健协方差矩阵问题,根据主元分析的几何意义,引入CS分解贝叶斯空间估计的思想,将协方差矩阵问题转化成特征子空间估计问题.首先根据大量历史数据运用PCA离线建立SPE(Squard Prediction Error)统计量阈值和故障模式特征子空间矩阵库,当在线检测到系统存在异常情况时,由于受一定的环境影响只能得到小样本故障数据,利用本文方法可估计出小样本数据的特征子空间矩阵;然后通过对比特征子空间与故障模式特征子空间的相似性,完成故障诊断.最后通过仿真验证了此方法的可行性和有效性.     

基于稀疏恢复的 MIMO-STAP干扰样本检测方法

针对机载多输入多输出(MIMO)雷达空时自适应处理(STAP)技术在训练样本存在有源干扰时杂波抑制性能严重下降的问题,提出了一种干扰样本检测方法。首先使用正则化FOCUSS算法估计出各原子的空时功率谱值,接着设置谱值门限将谱值较大的原子取出,然后确定扫描带对空时二维平面进行扫描,最后根据进入扫描带最大原子数占总原子数的比例判别训练样本是否存在干扰。仿真实验表明,该方法可有效检测出训练样本中的干扰,使用该方法挑选出的无干扰训练样本恢复杂波谱可保证空时滤波器的杂波抑制性能,提升稀疏算法求解杂波谱时涉及到的样本的可靠性。     

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

一种基于S变换及样本熵组合特征的癫痫脑电信号分类方法

癫痫脑电信号的自动检测对癫痫的临床诊断与治疗具有重要意义。为了解决脑电信号采用单一特征识别率不高的问题,提出了一种基于S变换与样本熵组合的癫痫脑电信号自动识别方法。首先对原始信号进行S变换;然后对变换后脑电信号各节律的幅值分别求其波动指数,将其与原始信号计算得到的样本熵组合为特征向量;最后采用支持向量机进行癫痫脑电信号自动识别。实验结果表明:方法的分类准确率明显提高,准确率可达到98.94%。     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于人脸轮廓的人脸归一化方法

人脸识别作为生物识别技术的一种,具有无接触、安全和方便的特点.人脸识别技术广泛应用于人机交互、交易认证及安防等领域,一直是生物识别技术研究的热点.人脸检测、特征定位、人脸归一化和特征提取是人脸识别研究的重点,决定着人脸识别系统的最终性能.设计了基于人脸轮廓的人脸归一化方法,根据归一化中出现的问题,进一步提出了人眼位置与人脸轮廓结合的人脸归一化方法.实验结果表明在Yale人脸图像库上人眼位置与人脸轮廓结合的人脸归一化方法具有更高的正确率.