基于Gabor特征和EHMM的人脸识别方法

针对传统人脸识别方法在受到表情、姿态和光照等影响时存在鲁棒性差的问题,提出了一种改进的人脸识别方法。在特征提取上,该方法首先提取人脸的Gabor特征,接着利用DCT(discrete cosine transform)压缩使得相似特征得到聚合,最后利用PCA(principal component analysis)分别筛选出最能够代表人脸各个区域的DCT系数。在识别方法上,该方法采用了嵌入式隐马尔科夫模型(embedded hidden markov model,EHMM),并基于人脸的认知结构信息对嵌入式隐马尔可夫人脸结构模型进行了改进。对比实验结果表明,该方法识别率高,复杂度低,并具有较好的鲁棒性,易于在工程上应用。     

基于正交邻域保持投射的DT-CWT特征人脸识别

为了有效地利用双树-复小波变换(DT-CWT)进行人脸识别,提出一种将DT-CWT与正交邻域保持投射(ONPP)相结合的方法.先通过DT-CWT得到具有空间、频率以及方向特征的人脸特征表示,然后使用ONPP对特征向量进行线性降维,有效地保持了数据的局部与全局的几何特征,最后进行识别测试.实验结果表明,基于DT-CWT的ONPP算法可以在特征维数有效降低的前提下很好地完成人脸识别任务.     

基于Gabor和HOG的新型人脸识别算法

人脸识别中特征提取是人脸识别过程中的主要步骤之一,特征提取效果极大地影响着识别的精度.在目前的大多数人脸识别方法中,仅仅提取、利用了面部区域的局部特征.为提高人脸识别精度,本文提出了一种新的人脸识别方案(GF-LF),该方案先在Gabor滤波器的输出结果基础上应用Zernike矩,得到一种新的全局特征描述符,再利用方向梯度直方图(HOG)获取局部特征,最后将全局特征与局部有效特征相结合构成人脸识别的最终特征.在ORL和Yale人脸识别数据库上测试表明,该方法的人脸识别率达到96%,优于目前大多数的人脸识别方法.     

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。     

采用二代曲波变换和反向传播神经网络的人脸识别方法

针对小波变换在人脸识别中存在识别正确率较低的问题,提出了一种基于二代曲波变换的人脸识别方法.首先将所有样本图像和测试图像通过基于"打包"的快速离散曲波变换进行分解,获得不同尺度、不同角度的曲波变换系数,再利用曲波变换分解系数中包含了人脸重要特征信息的低频系数,作为特征参数送入反向传播(BP)神经网络中进行学习训练,最后将训练好的BP神经网络用于人脸识别.经剑桥大学ORL人脸库的图像识别实验表明,所提方法的识别正确率达到95%,比Daub(2)小波基的小波变换方法的识别正确率提高了2.5%.     

基于分块2D DCT和(2D)~2PCA的人脸识别

人脸识别是生物特征识别技术中的重要研究领域,应用前景广阔.研究者们虽然提出了很多人脸识别算法,但其性能仍需进一步改进.为了提高现有人脸识别算法的识别准确率,提出了一种新的基于分块二维离散余弦变换(2DDCT)和双向二维主成分分析((2D)2PCA)的人脸识别算法.首先,将图像分块,利用2DDCT进行图像压缩,去除冗余信息,并通过逆2DDCT重建图像;其次,通过(2D)2PCA消除图像的行、列相关性,降低特征维数;最后,应用最近邻分类器进行人脸识别,在ORL人脸数据库中的实验证明了本算法的有效性.     

基于形态学小波理论和SVM神经网络的人脸识别

主要研究了快速识别人脸的基本算法,它包括人脸检测和人脸识别两部分.人脸检测部分利用肤色电平的聚类特性和形态学处理检测出准人脸图像,再利用小波特征提取出特征进行人脸认证.人脸识别部分采用支持向量机(SVM)神经网络进行人脸识别.支持向量机神经网络对二类判别具有很强的识别能力.对于N类判别需连续使用N次.该方法识别速度快,且不受发型、头饰、眼镜等的影响.仿真证明了该方法的有效性.     

基于SIFT的视觉单词在人脸识别中的研究

近年来,基于视频的人脸识别吸引了很多人的关注,同时,视觉词袋(BoWs)模型已成功地应用在图像检索和对象识别中。提出了一种基于视频的人脸识别的方法,它利用了视觉单词,在经典的视觉单词中,第一次在兴趣点提取尺度不变特征变换(SIFT)的图像描述;这些兴趣点由高斯差分(DoG)检测,然后基于k均值的视觉词汇生成,使用视觉单词的索引以取代这些描述符。然而,在人脸图像中,由于面部姿势失真,面部表情和光照条件变化,SIFT描述符不是很好。因此,使用仿射SIFT(ASIFT)描述符作为人脸图像表示法。在Yale及ORL人脸数据库上的实验结果表明,在人脸识别中,基于仿射SIFT描述符的视觉单词方法可以获得较低的错误率。     

计算机人脸识别技术综述

概述了计算机人脸识别技术的历史及发展现状,讨论了在计算机人脸识别领域占有主流地位的Eigen脸方法(主元素分析方法)、最佳鉴别矢量集法(基于Fisher线性判别准则方法和基于Foley-Sammon变换方法)、Bayesian脸方法、基于傅里叶不变特征法和弹性图匹配法。指出了各个研究方向人脸识别方法, 给出了计算机人脸识别性能评价指标,包括识别率、计算时间、数据存储量和可扩展性等。根据这些性能评价指标,对当前的各种计算机人脸识别技术进行分析评价。讨论结果表明,基于Fisher线性判别准则的最佳鉴别矢量集法,Bayesian脸方法和基于傅里叶不变特征法都有较好的性能,具有一定的应用前景.     

基于快速小波变换和FLD的人脸识别算法

针对快速性和识别率要求较高的人脸识别应用场合,提出了一种基于快速小波变换(FWT)和Fisher线性鉴别(FLD)的人脸识别算法.首先用Haar小波对标准人脸图像分别进行1尺度和2尺度分解,然后用Fisher线性鉴别法对原始图像、1尺度和2尺度分解图像提取特征,最后利用最近邻法对提取到的特征进行识别.利用ORL标准人脸图像库对算法进行了仿真,结果表明,此算法取得了较快的识别速度和较高的识别率.     

基于正交余弦变换域概率主成分分析的嵌入隐马尔可夫人脸识别模型

提出并证明了概率主成分分析作用于正交余弦变换(DCT)域与作用于空域所获得的结果相同.利用DCT变换的快速压缩性能和概率主成分分析的软降维性能来稳定地获取和表示人脸的局部特征,并把得到的特征向量作为嵌入隐马尔可夫模型的观察向量,建立了基于DCT域概率主成分分析的嵌入隐马尔可夫人脸识别模型.该模型应用于不同表情和光照下的人脸识别,取得了较好的实验结果.     

基于离散余弦变换和支持向量机的人脸识别算法

提出了一种基于DCT提取人脸特征技术和支持向量机分类模型的人脸识别方法。利用离散余弦变换可提取人脸可识别的大部分信息,而支持向量机作为分类器,在处理小样本、高维数等方面具有独特的优势,且泛化能力很强,无需先验知识。从ORT人脸库上的实验结果可以看出,DCT特征提取是很有效的,且SVM的分类性能优于最近邻分类器,同时提高了整个系统的运算速度。     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

基于变尺度DCT和PCA的人脸识别方法

针对实际应用中要对不同尺度的人脸图像进行匹配和识别的需求,提出一种基于变尺度DCT(离散余弦变换)结合PCA(主成分分析法)的人脸识别方法.首先将不同尺度的人脸图像进行DCT变换,然后提取出相同的DCT系数,再将提出的DCT系数进行PCA降维,最后进行匹配识别.通过对ORL人脸库及实验采集的多尺度人脸图像进行实验,证明了所提方法对不同尺度图像的匹配识别有效,并测算了DCT变换后的修剪尺度及PCA特征维数对该方法识别准确率的影响.     

基于RBF网络的人脸识别和表情分析方法研究

为解决人脸识别过程中出现的无法有效区分多姿态人脸的问题,进一步提高人脸表情识别率。本文在分析现有人脸表情识别方法的基础上,提出新的识别技术,即采用基于径向基函数(RBF)神经网络的方法,首先对图像皮肤和非皮肤像素进行分离,把人脸区域从检测到的皮肤区域中提取出来,然后以人脸表情数据库JAFFE为测试数据库,对人脸图像进行Gabor小波变换(GWT)和离散余弦变换(DCT),最后将该算法用于径向基函数神经网络的训练过程,建立相应优化模型,并将其应用到人脸表情的识别中,研究结果表明,具有收敛速度快、识别率高等优点,比文献中的方法提高了3%和8%的识别率。     

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.     

一种新的基于DCT变换的人脸表征

DCT变换是一种与KL变换非常相似的次最优变换算法.由于它独立于信号量,并且在维数下降、特征提取方面都非常接近经典的KL变换算法,因此DCT变换已经适用于模式识别领域.文章针对人脸图像,基于DCT变换,提出了一种融合整体DCT变换和分块加权DCT变换提取人脸图像的整体特征系数和局部特征系数,用于人脸表征的新方法.实验结果表明,本方法无论是在识别率还是在时间性能方面都优于传统的KL变换.     

基于EHMM的人脸识别

人脸识别系统从广义上说大致可以分为人脸检测、定位与跟踪,人脸表征,人脸识别,表情/姿势分析,生理分类等五个方面.人脸的特征提取和人脸图像匹配这两部分是最重要的,也是决定人脸识别系统的准确性和效率所在.采用2D-DCT变换进行人脸特征提取和EHMM模型进行人脸图像匹配(人脸识别),并用多样本加权合成的EHMM训练的方法,取得了较高的速度和识别率.     

压缩域上人脸识别的研究

DCT变换被广泛采用在图象和视频压缩标准中(如JPEG,MPEG,H.261/H.263).而对于这些压缩图象的处理,传统的手段是先解压到空间域,再进行处理和识别,因而增加了计算复杂性.针对这个问题,运用压缩域上图像处理技术,提出了人脸特征表达的方法,并构造DCT域上人脸识别系统.在人脸标准库FERET上的测试,提出的算法与经典的特征脸法和PCA LDA法相比较,不仅提高了精度,而且降低了计算复杂性.