基于彩色空间多特征融合的表情识别算法研究

目前的人脸表情识别方法大多是在灰度图像上采用单一特征算子,如 Local Phase Quantization(LPQ),Local Binary Patterns(LBP),Histograms Of Oriented Gradients(HOG),Gabor等,进行分类识别,但这类方法在复杂光照条件下识别率并不理想。为取得较好的识别率,本文首次提出了基于彩色图像多特征融合的表情识别算法。该算法首先在不同彩色分量上分别提取LPQ、LBP、HOG及Gabor多种特征,然后对高维特征进行线形鉴别分析并采用最近邻法进行表情分类,最后对多特征分类结果采用Adaboost算法进行融合。本文算法在具有复杂光照条件的Multi-PIE人脸库上进行了验证,取得了88.30%的平均识别率。实验结果表明：相比于基于灰度图像的单一特征识别算法,本文提出的算法能较大幅度地提高人脸表情识别率。     

监督局部线性嵌入在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种Gabor小波与监督局部线性嵌入(Supervised Locally Linear Embedding,SLLE)相结合的人脸特征提取算法。针对SLLE不能有效消除图像信息中冗余的高阶相关性,算法首先采用Gabor小波对人脸图像进行多方向、多分辨率滤波,提取图像在不同空间频率上的特征;然后采用监督的局部线性嵌入算法对该Gabor特征进行维数约简。在ORL和YALE人脸库上的实验显示,就算法有效提高了人脸识别的识别率。     

年龄变化鲁棒的人脸确认算法研究

针对具有较大年龄差的人脸确认系统中的人脸老化问题,提出了一种基于等价局部Gabor二值模式特征的差空间人脸确认算法。首先提取人脸图像的多尺度、多方向的Gabor特征,并对上述特征进行等价LBP运算;其次将LBP图谱进行直方图化,并对直方图进行向量化和差空间运算;最后建立支持向量机(SVM)分类器得出分类结果进而实现身份认证。实验结果表明,本算法在FGnet人脸库上的正确认证率可达94.64%,且对光照与表情变化具有鲁棒性。     

基于Gabor小波能量子带分块的稀疏表示人脸识别

基于稀疏表示分类的人脸识别通常提取特征脸、随机脸和费歇尔脸这些整体特征,忽略了局部特征在克服光照和表情变化方面的优越性。针对以上问题,本文提出了基于Gabor小波能量子带分块的稀疏表示人脸识别算法。首先将人脸图像进行不同尺度和方向下的Gabor小波变换,对得到的每个能量子带进行分块,然后将各子块能量信息融合组成子带的特征向量,再将各能量子带特征向量融合组成增强的Gabor特征向量,最后将该特征应用于稀疏表示人脸识别。实验结果表明,该算法对于光照和表情变化具较好的的鲁棒性。     

光照和噪声条件下的人脸识别

讨论了光照和噪声条件下的人脸识别问题，提出了基于Gabor滤波器对人脸图像提取Gabor特征并与EFM MAP-2相结合的人脸识别方法。实验证明，该方法在非均匀光照和噪声条件下比其他传统的人脸识别方法具有更好的鲁棒性。     

基于Gabor小波和PCA的人脸识别

针对人脸识别中采集到的图像由于受光照、表情变化、脸部部分遮挡等因素影响而导致识别率低的问题,将Gabor小波多尺度、多方向的滤波特性和主成分分析(PCA)的降维特性相结合,提出一种对脸部整体特征进行提取的GPCA算法.通过将该算法应用于ORL人脸库、Yale人脸库和AR人脸库中的人脸识别,证明了该方法的有效性.     

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Gabor小波和支持向量机的人脸识别

提出一种将Gabor小波和支持向量机相结合的人脸识别算法。运用AdaBoost算法在复杂背景图像中快速准确地检测出人脸部分,进而用Gabor小波提取归一化人脸图像的特征。最后采用支持向量机进行人脸的分类识别。在ORL人脸库和CAS-PEAL-R1人脸库中对算法进行了测试,结果表明该算法识别率较高。     

一种自适应加权的基于Gabor滤波器的人脸识别方法

为了改善Gabor滤波器的识别性能,提出了一种自适应的基于Gabor 滤波器的特征权重选择的人脸识别方法. 首先将训练样本进行镜像变换,由镜像偶对称图像构成探测图像集,然后把每幅人脸图像采用离散余弦变化进行降维, 经过Gabor 小波变换提取人脸特征, 再自适应地计算出不同特征对识别的不同贡献并加权到鉴别特征中,最后根据最近邻分类器分类.基于ORL和Yale 人脸库上的实验结果验证了改进算法的有效性.     

基于图像采集与人脸比对的门禁控制

基于FPGA的嵌入式SOPC方案进行高速图像采集与门禁控制,设计开发了人脸门禁考勤控制管理系统.构建了图像采集与控制的硬件平台;给出基于Gabor小波变换的个性化特征提取算法,采用不同频率和方向角的Gabor小波变换提取人脸个性化特征;阐述了基于弹性模板匹配和SVM的分层次人脸比对识别方法;在VC++环境中,采用不同的阈值对系统进行测试.结果表明,该系统实现了特征向量的降维,可以有效提高人脸正确识别率,降低了人脸比对误识率,并提升了识别速度.     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,并作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95.0%的识别率.平均每张人脸图像识别时间为0.14 s,表明该算法能符合实际应用的要求.     

基于多方向Gabor特征图协同表示的鲁棒人脸识别

为提高基于稀疏表示分类(SRC)算法在可变光照、姿态和表情下的人脸识别性能,提出一种基于多方向Gabor特征图(MGFM)和协同表示分类(CRC)的鲁棒人脸识别方法。首先,对人脸图像进行多方向多尺度Gabor变换,并融合同一方向不同尺度的Gabor特征;其次,在每个方向的融合特征图上提取Gist特征。在进行人脸识别时,可采取2种方法:1)将人脸图像所有方向的Gist特征直接串联或自适应加权后串联构成人脸全局特征向量,并使用协同表示分类器得到识别结果;2)对人脸图像每个方向的Gist特征向量分别使用协同表示分类器进行预分类,预分类时使用自适应K近邻策略确定候选类并进行评分,取总得分最高的类作为识别结果。最后,在ORL,Extended Yale B和AR等人脸数据库上开展人脸识别实验,由提出的方法分别取得99.8%,100%和99.7%的识别准确率和较快的执行速度。研究结果表明:本文方法利用多方向Gabor特征图(MGFM)建立人脸图像的特征表示能有效描述人脸局部信息,利用自适应K近邻策略改进协同表示分类算法能取得较高的识别准确率和执行效率。     

非均匀光照下人脸眼睛的定位方法

考虑非均匀光照下人脸眼睛的检测问题，提出了一种利用高频信息模板匹配方法从复杂图像中定位人脸眼睛的方法。选取80幅光线较好的人脸图像，对它们做光线规范化，提取Gabor高频特征，构造模板。利用统计模式识别的原理，在眼睛的大致区域进行模板匹配，突出眉毛与眼睛这一整体的大致位置，然后进行二值投影，最终确定人眼的准确位置。大量实验表明，该算法具有很高的精度和很强的鲁棒性。     

基于多尺度Retinex算法结合PCA特征加权的人脸识别方法

结合多尺度Retinex算法和PCA算法的特点,并引入权重系数,提出了一种新的人脸识别方法.首先,在人脸图像的预处理阶段,利用多尺度Retinex算法提取人脸图像光照不变分量,然后用PCA算法提取人脸光照不变量的主特征;为进一步减少光照变化对人脸识别率的影响,对提取到的主特征的前两个向量加小于1的权重系数;接着利用k近邻分类器进行人脸分类识别;最后基于CAS_PEAL_R1光照子集人脸库,在Matlab环境下进行仿真实验,实验结果表明该方法提高了人脸识别率.     

低分辨率人脸序列的超分辨率重构识别

针对低分辨率人脸序列的识别这一问题,提出了一种超分辨率重构识别算法.该算法利用低分辨率序列中所提供的关于同一人脸的不同信息,先重构出一幅具有更高分辨率的人脸图像,然后再进行基于Gabor特征的人脸识别.实验结果表明,该算法能够显著提高人脸识别率.     

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.     

结合Gabor小波变换与2DKDA特征提取的人脸识别

提出了一种结合Gabor小波变换和二维核判别分析(2DKDA)的新型特征提取方法.算法首先对人脸图像进行Gabor变换,然后通过二维核判别分析进行特征提取,可以很好地保留图像的几何特征和非线性特征.通过在标准人脸数据库上的测试表明,该方法较其他传统的二维特征提取方法具有更高的识别效率.     

基于改进Retinex与光照补偿的人脸身份识别

为解决不均匀的光照分布影响人脸身份识别的准确率问题,提出了一种无约束光照条件下的人脸身份识别方法.该方法首先基于改进的Retinex理论对人脸灰度图像进行光照预处理;然后对处理后人脸图像中鼻子周围的遮挡阴影区域进行光照补偿;最后利用主动外观模型定位人脸特征点,并选取关键特征点计算人脸身份特征,进而实现人脸身份识别.基于扩展Yale人脸数据库和CMU-PIE数据库进行实验,结果表明所提方法能有效改善人脸图像的光照情况,提高人脸身份识别率.     

一种新的基于Gabor特征的零空间人脸识别算法

为了克服人脸识别中的小样本集(small sample size,3S)问题,本文首先利用人脸图像距离模型揭示了线性鉴别分析的物理过程,指出了零空间鉴别分析相对于主元空间鉴别分析可以提取出更有利于人脸识别的鉴别信息.在此基础上,提出了一种有效的基于Gabor特征的零空间人脸识别算法,该算法采用一种新的基于邻域保持的鉴别嵌入准则(neighbor-preserving based discriminant embedding,NDE),并利用Gabor小波变换减轻人脸图像中光照和表情变化等因素的影响.在ORL,FERET和AR等人脸数据库上的实验结果表明本文算法具有较优的人脸识别性能.     

基于子模式纹理分析的鲁棒人脸识别研究

面部识别(FR)系统可以自动识别或校验从数码相机或图像生成设备中获得的人脸图像,要从所获图像中提取面部特征,并与人脸数据库中的数据进行比对。目前,几乎所有的FR都面临与面部视角相关的障碍,包括光照不足和低分辨率,这些问题使其识别率大为降低。为了解决这个问题,提出了一种基于光照变化的人脸识别框架,该框架利用离散余弦变换的图像全变差最小化(DTV)及伽柏过滤器;并融合子模式分析(SMP)及区分性累计特征变换(DAFT),有效地解决了光照条件变化大的人脸识别问题。在AR及YaleB人脸数据库上的实验表明,与其它最先进的方法相比较,在处理光照条件变化很大的人脸识别问题时明显优于其它方法。