改进的鉴别稀疏保持投影人脸识别算法

为了解决判别稀疏邻域保持嵌入(DSNPE)算法中时间复杂度偏高的问题,构造了一种新类间离散度.用各类样本的平均向量组成过完备字典去重构表达每一类的平均向量,然后通过最大间距准则(MMC)构造新的目标函数,更好地展现人脸样本数据库类间的差异,增强了类间判别力和鲁棒性,简化了字典和字典表达,降低算法复杂度.实验结果表明:改进后的算法在保持识别率优势的前提下,极大地减少了识别时间.     

基于判别字典学习的线性子空间人脸识别算法

提出判别字典学习来获取线性子空间方法,以减弱光照等噪声对子空间人脸特征提取的影响,从而在保证稀疏系数的局部结构性同时保持字典的判别性.首先,训练与语意相关的结构字典,并在破坏非同类语意样本间局部结构稀疏性的同时,增强同类语意样本间局部结构的稀疏性;其次,利用最大间隔准则(MMC)在重构后稀疏易分的语意子空间对样本进行特征提取,不仅可以避免小样本问题还可以在重构后的语意空间中提取抗噪声干扰的特征.在Yale库、AR库和Yale B库数据集上的试验结果表明:与现有算法相比,该算法有更优的性能,能更高效地提取不受噪声干扰的易分类人脸语意特征.     

基于Metaface字典学习与核稀疏表示的人脸识别方法

完备的稀疏表示方法近年来应用在人脸识别中并取得较好的结果,它可以仅利用样本的随机投影完成对测试样本的识别。在实际应用中,由于受光照、遮挡等因素的影响,测试样本并不能通过训练样本的线性组合得到很好的稀疏重构。本文提出了基于Metaface字典学习与核稀疏表示的人脸识别方法,借助核技巧,将数据样本和字典集映射到高维的未知空间,以解决特征的非线性相似问题。在核空间对数据样本进行稀疏重构,得到数据在核空间的一种简洁的稀疏表达方式从而提高识别率,而Metaface字典学习框架的引入可以得到更加精炼的字典,从全局上提高识别率。通过在ORL人脸库、Yale人脸库和AR人脸库的实验表明,同等情况下,本文提出的方法优于PCA,SVM,SRC等方法,进一步提高了人脸识别率,具有较好的应用价值。     

基于稀疏保持拉普拉斯判别分析的特征提取算法

针对稀疏保持投影算法在特征提取过程中无监督和l1范数优化计算量较大的问题,提出一种基于稀疏保持拉普拉斯判别分析的快速特征提取算法.首先通过逐类主元分析(PCA)构造级联字典,并基于该字典通过最小二乘法快速学习稀疏保持结构;其次利用学习到的稀疏表示结构正则化拉普拉斯判别项达到既考虑判别效率又保持稀疏表示结构的目的;所提算法最终转化为一个求解广义特征值问题.在公共人脸数据库(Yale,ORL和扩展Yale B)的测试结果验证了该方法的可行性和有效性.     

融合遮挡检测与HOG特征协作表示的鲁棒人脸识别

稀疏表示分类算法在人脸识别中表现出较好性能,但其对面部遮挡的鲁棒性较差,在特征提取时未利用面部鲁棒特征且实时性差。针对以上问题,本文提出了融合遮挡检测与HOG特征协作表示的人脸识别方法。首先,设计了一种基于HOG特征和支持向量机的遮挡检测方法,根据常见遮挡的分布将人脸分块,在子块上检测遮挡。然后,结合遮挡检测结果,仅提取非遮挡部分的HOG特征并利用协作表示方法进行分类。测试结果表明:对AR人脸库中遮挡图像的平均识别率为95.2%,对AR、Yale人脸库中发生光照和表情变化人脸的识别率分别为97.3%和98.6%,且运算速度比稀疏表示方法提升了约293倍。与基于稀疏表示的分类方法相比,该方法的鲁棒性和实时性都有明显提升。     

频域下稀疏表示的大数据库人脸分类算法

人脸识别的识别率受众多因素影响,目前已有很多成形的高识别率算法,然而,随着数据库中人脸图像的增加,识别率下降很快。鉴于该特点,采用频域下的稀疏表示分类算法能有效解决上述问题,先使用快速傅里叶变换(FFT)将人脸数据从时域变换到频域,再通过l1范数最优化稀疏表示算法,把所有训练样本作为基向量,稀疏表示出测试样本,最后使用最近邻子空间算法分类。在扩展的Yale B人脸库中实验结果表明,该算法具有有效性。     

依概率分类的保持投影及其在人脸识别中的应用

为了提高低维空间对原始高维样本的表示能力,该文提出了依概率分类的保持投影算法(PCPP)。PCPP考虑了样本类别信息,并重新定义类内样本间的相似性,包含样本的邻域信息,而且在K近邻选择下,还能反映样本被正确归类的概率。样本经投影后,在低维特征空间内,被正确归类且概率较大的类内样本间的邻域关系得到了保持。在Yale、FERET及AR人脸库上的人脸识别实验表明,PCPP较其他算法取得了更好的识别性能。     

基于 Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

利用Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

一种可鉴别的稀疏保局投影算法

为了增强高维数据在低维子空间中的模式识别能力,假设任意2个类别相同的相似样本其稀疏表示也相似,并基于SPP和LPP思想,提出一种可鉴别稀疏保局投影降维新方法 DSLPP.该方法通过稀疏表示学习和保局部投影,使得在投影子空间中不仅能够保持稀疏表示对数据很好的表达能力,而且较好地获取高维数据所蕴含的本质局部流形结构和自然判别信息,从而增强高维数据在子空间中的表示能力和可鉴别能力.在3个典型的人脸数据集Yale,ORL和PIE29上,将所提出方法 DSLPP与PCA,LPP,NPE和SPP进行对比试验.结果表明DSLPP是一种有效的降维方法,能够较好地改善高维数据在低维子空间中的分类效果.