一种基于奇异值分解的人脸识别新方法

基于奇异值向量方法进行人脸识别时,由于提取的奇异值向量特征所包含的人脸图像的有效信息少,导致人脸识别率低下。基于此提出了一种基于奇异值分解的人脸识别新方法——矩阵的秩-逼近法。利用ORL人脸数据库进行实验,并采用最近邻决策规则来进行分类识别。实验结果显示,提出的方法比基于奇异值人脸识别方法具有优越性,本算法能大大地改善识别效果。     

基于监督拉普拉斯特征映射算法的人脸识别

为了提高人脸识别算法的识别率,提出了一种基于局部奇异值分解(Local Singular Value Decomposition,LSVD)和监督拉普拉斯特征映射(Supervised Laplacian Eigenmap,SLE)的人脸图像识别方法。由于奇异值向量具有良好的稳定性、转置不变性等特点,首先利用局部奇异值分解方法从人脸图像中提取特征向量;然后采用监督拉普拉斯特征映射算法对已获取的人脸特征进行维数约简。在Yale和ORL人脸库上的实验结果表明,该算法能有效地提高人脸识别的性能。     

一种改进的基于Gabor小波的人脸识别方法

针对人脸识别中传统的Gabor小波方法存在特征维数高、识别时间长、存储开销大的缺点,提出了一种结合奇异值分解和Gabor小波的改进方法.首先通过Gabor小波变换对人脸图像滤波得到特征图像,然后对训练集的特征图像进行奇异值分解获取基空间,将人脸图像投影到统一的基空间提取奇异值特征,再选择一定数量的奇异值构成人脸鉴别矢量,最后采用最近邻分类器进行识别.在ORL人脸库上的实验结果表明,该方法在识别性能上优于单一的Gabor小波方法.     

一种基于局部奇异值分解和最近邻决策规则的人脸识别方法

提出了一种基于局部奇异值分解和最近邻决策规则的人脸图像识别方法。其主要内容包括以下方面：由于奇异值向量具有稳定性、转置不变性等特点,对归一化的人脸图像,采用局部奇异值分解抽取人脸图像特征作为识别特征;针对人脸识别问题,采用最近邻决策规则取代隶属度函数来进行分类识别。实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率。同时,人脸识别结果也证明了该方法的有效性。     

一种多角度的人脸识别方法

针对传统人脸识别方法的识别率受角度变化影响大的缺点,提出了一种多角度的人脸识别方法.首先用多个不同角度的主动表观模型(AAM)估计人脸旋转角度;然后通过多角度模型合成正面人脸;最后采用线性判别分析法(LDA)获取最佳分类特征,并对其进行识别.实验结果表明:与主成分分析法(PCA)相比,该方法对不同角度的人脸具有更高的识别率.     

基于最佳鉴别特征和相关向量机的人脸识别算法

为了获得更高的人脸识别正确率,满足人脸识别的实时性,提出一种基于最佳鉴别特征和相关向量机的人脸识别算法.首先,采用小波变换对人脸图像进行降噪预处理,提取人脸的多方向、多尺度Gabor特征;然后采用核主成分分析对人脸的Gabor特征进行筛选,找到对人脸识别结果影响较大的最佳鉴别特征,有效降低特征数量,去除特征间的冗余信息;最后采用相关向量机对最佳鉴别特征向量进行学习,建立人脸识别的多分类器.选择标准人脸库与经典人脸识别算法进行对比实验,实验结果表明,该算法的人脸平均识别率得到大幅度提高,人脸平均识别时间远少于经典人脸识别算法.     

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.     

基于双向PCA和K近邻的人脸识别算法

针对当前人脸识别算法的运行速度和识别准确率的矛盾,提出一种基于双向主成分法(Bidirectional PCA,BD-PCA)和K近邻法K-NN(K-nearest neighbor)的人脸识别算法。在VC6.0平台下基于ORL人脸库进行实验,首先利用双向PCA算法对训练人脸样本和测试人脸样本进行方向和列方向降维并提取特征脸;然后用K近邻方法对特征脸进行人脸匹配。实验表明,提出的算法在有效降低运算时间的同时,又能取得很高的识别准确率,具有一定的可行性。     

基于全局与局部特征的嵌入式人脸识别系统

基于主成分分析人脸识别算法,提出一种基于全局特征和局部特征的加权算法,并且在嵌入式(Tiny6410)上完成系统的设计与实现.利用主成分分析提取人脸全局特征,根据特征值贡献率获取降维后的人脸子空间,采用欧氏距离匹配测试样本;用人眼检测算法、鼻子检测算法等提取每个样本的左眼、右眼、鼻子、嘴,分别建立样本集,采用主成分分析;分别计算全局和局部特征的离散度,根据离散度进行自动加权算法,给出最终的人脸识别结果.实验表明,该系统具有一定的稳定性,识别效果优于单一模块的识别.     

一种基于嵌入式隐马尔可夫模型的人脸识别方法

提出一种基于嵌入式隐马尔可夫模型(embedded hidden Markov model, 简称EHMM)的人脸图像识别方法,主要包括: ①由于奇异值向量具有稳定性、转置不变性等特点,故对归一化的人脸图像,可采用奇异值分解抽取人脸图像特征作为观察序列;②在人脸识别中应用嵌入式隐马尔可夫模型,采用多高斯概率密度函数训练、建立EHMM, 再利用建好的EHMM进行识别.实验结果显示,所提方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统的实时性要求.     

基于LTP和局部PCA的低分辨率人脸识别算法

针对单特征提取人脸识别算法识别率较低的问题,提出一种基于多特征融合的低分辨率人脸识别算法.首先,利用局部三值模式(local ternary pattern, LTP)和局部主成分分析(principal component analysis, PCA)提取低分辨率人脸特征,将其分割成若干块并统计各子块的特征直方图;其次,融合各子块的局部主成分分析和局部三值模式的直方图并级联各个分块,作为新的人脸特征;最后,通过卡方距离度量训练集和测试集直方图的相似度,采用最近邻算法识别相似度.实验结果表明,所提算法对环境和光照变化更具鲁棒性,识别率得到有效提升.     

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.     

基于分布式压缩感知的伪装人脸识别

提出了一种基于分布式压缩感知(DCS)的算法,并应用于伪装人脸识别.该算法从一个人脸图像集中提取共同特征和独有特征,这些特征在表达原人脸集的不同类型的信息具有各自的物理意义,因此能提高人脸识别的性能,同时采用了主成分分析(PCA)法进行降维.在AR人脸数据库的实验结果显示,相比于稀疏表示算法(SRC),该算法能提高识别率和识别速度,即使在较少训练图像的情况下也能取得好的识别效果.     

基于PCA_LDA和协同表示分类的人脸识别算法

人脸识别是近年来模式识别领域的热门课题,其中特征提取和分类器选择是人脸识别的关键步骤。主成分分析和线性判别分析是特征提取的主要方法之一,但主成分分析忽略了数据的类别信息,线性判别分析类内散度矩阵奇异,导致投影矩阵无法直接得出。为解决以上问题,本文提出基于PCA_LDA和协同表示人脸识别算法,该算法结合主成分分析和线性判别分析,将人脸的特征信息压缩到一个更小的子空间内,再采用协同表示分类算法对测试图像进行识别。在ORL人脸库、FERET人脸库和YALE人脸库上的大量实验证实,本文算法能精确地提取到高维图像信息的主要特征,在保留特征信息的同时,大大减小了计算的复杂度。而且相比其它几种典型算法,本文算法具有更高的识别率和更健壮的抗干扰性能。     

基于稀疏编码和机器学习的多姿态人脸识别算法

为改善多姿态人脸识别效果, 设计一种稀疏编码和机器学习相融合的多姿态人脸识别算法. 首先对多姿态人脸进行采集和预处理, 并提取基于稀疏编码的人脸图像特征; 然后采用主成分分析对特征进行处理, 降低多姿态人脸识别的特征维数, 提高多姿态人脸识别效率; 最后采用机器学习算法中的支持向量机建立多姿态人脸识别 分类器, 并采用标准人脸数据库和多姿态人脸数据库对算法性能进行验证. 验证结果表明, 该算法可有效提高多姿态人脸识别正确率, 大幅度减少多姿态人脸的平均识别时间, 取得了比对比算法更优的识别结果, 从而验证了该算法的优越性.     

基于ICA多特征融合的人脸识别

提出了一种基于特征融合的人脸识别方法.该方法首先对预处理后的人脸图像进行全局特征及局部分量的提取,分别采用离散余弦交换(DCT)提取包含图像大量信息的低频部分特征和奇异值分解(SVD)抽取图像的代数特征作为图像的全局特征,采用非负矩阵分解(NMF)提取图像的局部分量特征,然后将此两类特征以独立成份分析(ICA)进行融合,获取用于人脸识别的特征向量.在本文的实验中,我们将此特征向量应用于支持向量机(SVM)进行分类训练及识别测试,并获得较好的结果.     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。     

基于坐标系人脸注册和集成分类器的3D人脸识别方法

由于三维人脸识别精度很大程度上取决于对齐模块的质量,提出一种内在坐标系注册人脸、两层集成分类器进行人脸识别的方法.首先进行3D人脸注册,人脸注册是基于由鼻尖、鼻子水平面以及人脸垂直对称平面表征的内在坐标系统,只需注册1次人脸扫描;然后进行预处理,去除噪声和填充空洞区域;最后通过主成分分析(PCA)提取图像特征,两层集成分类器采用马氏余弦(MahCos)匹配度和加权波达计数法(WBC)对人脸区域分类并进行合并和重新排列.FRGC v2.0和CurtinFaces数据库的实验结果验证了此方法的有效性.与Mesh shift方法、三维PCA方法、ICP匹配方法和LDA方法相比,此方法提高了识别性能,且在计算复杂度上也有较大优势.     

基于小波低频子带的奇异值分解的图像识别

提出一种基于小波低频子带的统一特征空间奇异值分解的人脸识别方法.首先利用小波变换提取人脸图像的低频子带,然后作傅立叶变换,获得低频子带的频谱;将低频子带的频谱投影到标准脸奇异值分解的统一特征空间,投影系数作为人脸识别特征;采用L_1距离进行最小距离分类,实验结果表明,该方法比统一特征空间奇异值分解方法可获得更高的识别率.     

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.