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。     

基于光照子空间的人脸识别研究

利用球面谐波模型建立的9D光照子空间进行人脸识别.用SFS方法获得人脸表面特征点深度,以特征点深度为基础,用NURBS方法重构三维人脸,并用该三维人脸的法向量计算球面谐波基图像,进行人脸识别.结果表明,以所求的球面谐波基图像为基础进行人脸识别,不仅提高了人脸表面法向量的精度,减少了运算量,而且使得人脸的识别率明显提高....     

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.     

结合MMC与BPSO优化的人脸特征提取

为了提高最大间距准则法表征人脸特征空间的能力,提出了一种融合最大间距准则和二进制粒子群优化算法的人脸识别方法。利用离散二进制粒子群算法对最大间距准则变换后的特征向量进行选择优化,获得有利于分类的最优特征子空间。在ORL和Yale标准人脸库上的实验结果表明,该方法不但降低了特征空间的维数,而且更好的发挥了最大间距准则算法的优点,提高了人脸识别的速度和精度。     

新闻图像中重要人物的自动检测和识别研究

针对网络新闻图像中人物的不同表情、光照、姿势等因素带来的视觉空间差异造成的人脸检测效果差的问题,提出滑动窗口自适应方法和肤色特征相融合,检测新闻图像中的人脸。针对单样本条件下的人脸识别问题,提出有监督的双向二维局部保持投影法,提取人脸特征。结合图像子特征加权方法,先将人脸图像分块,子图像的子集作为一个子特征统计权重,采用人为投票的方式进行识别。实验选取雅虎新闻图像和新华网新闻图像。结果表明,滑动窗口自适应算法在不同类别新闻图像中人脸检测率提高了3%到10%,人脸识别率在一定范围内提高了5%。     

基于最优相关滤波的光照容限二维子空间人脸识别

针对光照容限人脸识别问题,提出了基于最优相关滤波的光照容限二维子空间人脸识别方法。通过采用特定类2D-PCA重构人脸图像,从中生成一对相关性过滤器,利用最优投影图像相关性过滤器将测试人脸图像投影到二维子空间,并利用重构相关性过滤器重构图像,根据预先设定的光照容限阈值进行人脸分类。在YaleB和PIE两大人脸数据库上对所提出方法的性能进行了评估,相比其他现存的相关性过滤器,所设计的滤波器更加优越。     

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.     

基于混合Gauss模型的鲁棒性人脸识别算法

针对人脸图像受表情、光照、角度变化等因素影响,传统算法难以获得较理想的人脸识别结果问题,提出一种基于混合Gauss模型的鲁棒人脸识别算法.先将每副图像划分成子块,提取其方向梯度直方图特征,并加入子块相应的空间位置信息产生人脸图像的局部特征向量;再采用全部图像的局部特征向量训练混合Gauss模型生成人脸特征向量;最后采用最小二乘支持向量机建立人脸识别分类器,实现人脸匹配与识别.采用ORL,Yale和CIGIT人脸库进行仿真对比测试,仿真结果表明,该算法的人脸识别率高于其他人脸识别算法,对光照、角度、表情等有较强的鲁棒性,且可以获得更快的人脸识别速度.     

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.     

融合子区域局部二值模式特征与深层聚合网络的人脸识别

针对深度网络对人脸噪声敏感,且学习过程容易忽视人脸结构信息的问题,提出融合子区域局部二值模式(local binary pattern,LBP)特征和深层聚合网络的人脸识别算法。将人脸图像划分为不同子区域,并采用局部二值模式对人脸进行预处理,获取子区域人脸的LBP特征。不同子区域LBP特征输入不同的稀疏自动编码器,实现深层特征提取;然后不同稀疏自动编码器的输出特征通过全连接方式实现特征聚合,获得人脸特征向量用于分类。通过大量实验获取了最优的聚合网络模型架构和网络参数取值,改善了人脸识别效果。     

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DCT和BP神经网络集成的人脸识别

人脸识别是模式识别和图像处理领域的研究热点和难点,尽管已提出了许多方法,然而如何在变化的环境下实时、高效地识别人脸仍是一个难题.鉴于离散余弦变换(discrete cosine transform,DCT)有较高的压缩性能和快速算法以及集成神经网络良好的泛化能力,提出了基于DCT和神经网络集成的人脸识别方法.首先用DCT提取人脸特征矢量,然后构建集成BP(back propagation)神经网络对人脸进行分类识别.在ORL(olivertti research laboratory)人脸库上的仿真实验结果表明,提出的方法取得了较快的训练和识别速度、较高的识别率,因此该方法是一种快速高效的人脸识别方法.     

基于特征偏移的人脸图像质量评价及影响因素研究

针对低质量人脸图像阻碍识别系统性能提升的问题,本文提出了一种无参考的人脸图像质量评价方法,并使用该方法评估了不同类型的图像退化对人脸图像质量的影响程度.该方法使用一种集群卷积网络结构,模拟人脸图像退化过程中的特征偏移,根据特征偏移量和图像信息量之间的相关性,完成人脸图像质量分数计算.使用遗传算法对构成集群网络的网络单元进行筛选,可使用更小网络规模实现同等性能.以质量评价算法为工具进行实验,研究评估了不同图像退化类型对人脸识别的影响,为指导今后人脸质量相关研究得出了有益结论.在主流人脸数据集上进行的实验证明,通过筛选数据库中低质量分数的人脸图像,可以进一步提升现有人脸识别系统的性能,且识别率提升表现出良好稳定性.该方法复杂度低,无需训练,与FaceQNet等最新方法相比,在FNMR和EER指标上显示出明显优势.     

基于特征融合的人脸识别

针对单一的人脸特征在识别中的局限性,提出了一种基于特征融合的人脸识别方法,首先利用主成分分析获得原始输入图像的特征脸,经图像重构处理得到原始图像的余像,然后抽取余像的特征脸,最后将两种特征脸按一定的权重融合成一个组合特征进行人脸识别,通过针对ORL人脸数据库的实验表明:该特征融合方法的人脸识别是行之有效的,优于传统特征脸的方法,识别率可以达到91.5%.     

基于面部表情GEM和稀疏立方矩阵的三维人脸识别方法

针对姿态和表情变化对3D人脸识别影响较大的问题,提出一种基于面部表情通用弹性模型(generic elastic models,GEM)和稀疏立方矩阵的3D人脸识别方法.利用面部表情通用弹性模型构造3D人脸数据库,3D重建模型为所有人脸姿态创建稀疏立方矩阵(sparse cubic matrix,SCM),并利用自动头部姿态估计法获得人脸图像中三元组角度的初始估计值;为每个子集估计的三元组角度选择SCM的阵列;通过稀疏表示从SCM中选择阵列与探针图像.在FERET,CMU PIE和LFW数据库上的实验验证了提出方法的有效性.与几种优秀3D人脸识别方法相比,提出的方法识别率更高,当姿态变化角度较大时尤为明显.此外,对于480×640图像,LFW数据库上,预处理、人脸检测和分类的总平均处理时间仅为89.4 ms.     

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.     

基于特征脸的人脸检测与识别

人脸识别是属于生物特征识别范畴.然而与其他识别不同的是人脸是一个动态的图像,有位置与光照的变化,并且具有相似的外貌特征,这使得人脸识别成为一个比较困难的问题.文章阐述了基于特征脸的人脸检测与识别方法.该方法本质上是主要成分分析方法,他首先构造特征脸向量,然后计算新图像和数据库中特征脸的空间距离,来决定此图像是否是一副人脸图像,如果是人脸图像,他是那一副人脸图像。     

基于模块C-2DPCA算法的人脸识别方法

提出了基于模块化完全二维主成分分析(modular C-2DPCA)算法的人脸识别方法,该方法首先对图像矩阵进行分块,将分块得到的子图像矩阵直接用于鉴别分析,由于直接基于二维子图像矩阵,能方便地降低鉴别特征的维数,在特征提取过程中可以避免使用矩阵的奇异值分解,方法简便.该方法与改进前完全二维主成分分析(C-2DPCA)方法在ORL人脸数据库上的仿真识别效果比较表明,改进后的方法在保持较高识别率的前提下鲁棒性有很大提高.