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.     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

改进PCA-LDA的人脸识别算法研究

针对主成分分析(PCA)未充分利用样本类别信息及线性鉴别(LDA)在小样本时识别率低的问题,提出了一种基于PCA和LDA相融合的人脸识别算法。该算法首先将输入人脸图像进行几何位置规范化和灰度分布均衡化预处理;然后利用PCA算法将人脸训练图像投影到低秩特征子空间,利用LDA算法计算类间离散度大、类内离散度小的特征子空间,从而获得PCA-LDA的人脸融合特征空间;最后将训练样本、测试样本投影至融合的特征空间,并利用最近邻准则实现对测试样本的识别。实验结果表明,该算法能够有效融合PCA和LDA的优势,提高系统识别的鲁棒性和效率。     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

鉴别局部特征分析及其在人脸识别中的应用

由于传统的鉴别主分量分析(DKL)算法中,主分量分析(PCA)基于全局特征,难以提取人脸的局部特性,该文提出鉴别局部特征分析算法.该算法中,局部特征分析(LFA)代替PCA作为线性鉴别分析(LDA)的前端.一方面,LFA在保留大部分全局信息的同时提取局部特征.另一方面,它为信号提供一种有效的低维表示,增强LDA在小样本问题中的数值稳定和推广性能.文中结合开集模式的人脸认证领域,在PoliceFace、OCRLab人脸库和它们的组合库上对新算法和DKL算法进行实验比较.实验表明,通过结合LFA和LDA,新算法明显降低认证错误率在PoliceFace库上,等错误点错误率降低43.10%;在OCRLab库上错误率降低25.87%;在组合库上错误率降低33.16%.     

基于局部二元模式算子的人脸性别分类方法

提出了两种基于局部二元模式(Local Binary Pattern,LBP)算子的人脸性别分类方法:级联LBP方法和boosting LBP方法.前一种方法遵循从局部到整体的级联策略,使用LBP算子对由小波分解得到的细节图像进行特征提取,以达到扩充特征提取范围和增强所提取特征的有效性的目的,随后采用自适应加权机制对人脸图像的各个分块赋以不同的权值.后一种方法采用可变尺寸的子窗口对人脸图像进行扫描,在扫描所得的每个子窗口中,使用LBP算子对该子窗口提取LBP直方图.计算样本图像的LBP直方图和模板的LBP直方图之间的度量,并由此构建弱分类器集.利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器.进行了三个基于LBP算子的人脸性别分类实验,实验所使用的训练集和测试集皆选自FERET人脸数据库.实验结果证明:LBP算子能有效地从人脸图像中提取出针对人脸性别分类的特征,并可以达到人脸性别分类的目的.所提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题.     

基于分块加权的局部保持投影的人脸识别

为增强对姿势、表情、光照等变化的鲁棒性,提出了一种加权的分块局部保持投影人脸识别算法.算法先对样本图像分块,对分块得到的子图像利用局部保持投影算法分别提取局部特征信息,并利用k近邻点的类标信息和样本影响力函数计算各分块子图像的权重.该算法能够有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出,在AT&T和Yale人脸库上的比较实验说明了该算法的有效性.     

基于Gabor变换的表情识别系统的设计

针对Gabor特征维数和冗余度较高的缺点,对Gabor小波变换特征进行分块,提取了所有子块局部统计特征,然后使用PCA+LDA方法对这些特征进行选择,最后采用决策树分类法进行了人脸表情识别.实验结果表明:此方法在维数降低的同时,其识别性能比传统的方法更具优势.     

融合多尺度多特征的人脸识别方法

为降低光照、噪音、姿态等变化的影响,减少有效局部信息的损失,提出了使用图像的变换特征,及多尺度分块线性鉴别分析的算法.将图像进行多尺度划分,对划分后的每个子图像分别抽取其低频部分或奇异值,组合起来作为该图像的特征向量,进行线性鉴别分析.针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征和多尺度奇异值特征进行人脸识别的方法.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强.     

基于LBP和Gabor混合特征的近红外人脸识别

综合局部二值模式(Local Binary Patterns,LBP)和Gabor·函数特征的优点,并结合余弦相似度和主元分析(Principal ComponentAnalysis,PCA)方法,提出特征混合的人脸识别算法并研究4种不同的LBP和Gabor特征混合的方法.在871人的近红外人脸图像库上的实验表明,基于LBP和Gabor混合特征的人脸识别方法能获得较高的人脸识别正确率和较低的误识率.