基于2DPCA和RBF神经网络相结合的人脸识别算法

人脸识别已成为图像处理工程领域研究的一个热点,本文首先简述了基于模型匹配的人脸识别方法,该算法利用人的脸部特征规律建立一个立体可调的模型框架,着重于解决人脸识别过程中的观察角度、遮挡和表情变化等因素的影响;文中最后提出了2DPCA和RBF神经网络相结合的人脸识别方法,并将该方法应用于ORL人脸库。实验结果表明,这种方法不仅具有较好的人脸图像识别能力,而且能够明显缩短识别算法的时间。     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

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.     

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.     

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.     

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.     

一种小波树和非参数鉴别分析的人脸识别

结合小波树和子空间分析中的非参数鉴别分析,提出了基于小波树和非参数鉴别分析的人脸识别算法(WANDA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;然后对小波近似分量进行二次小波分解,相应地计算出各小波近似分量;其后对三层分解的小波近似系数进行重新组合,得到新的样本集;最后在此样本集上使用非参数鉴别方法进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于线性非参数鉴别分析的人脸识别(NDA)和鉴别分析的人脸识别(LDA)方法相比较,WANDA方法的人脸识别率为97.5％,对光照条件、脸部表情变化有良好的鲁棒性.     

基于层次支持向量机和KICA的人脸识别

针对人脸图像的非线性特点,将基于核方法的核独立分量分析算法用于提取人脸图像特征.为避免多类支持向量机出现不可识别域,提出基于二叉树思想的层次支持向量机算法,用于多类人脸识别.将层次支持向量机和核独立分量分析算法相结合进行人脸识别,首先对人脸图像进行预处理和主成分分析法降维;然后运用核独立分量分析算法估算出独立基影像,从而得到人脸特征;最后将人脸特征输入层次支持向量机进行分类识别.在ORL人脸库上的仿真结果表明该算法较好地兼顾了识别率和运行速率.     

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。     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

基于自然状态背景人脸图像数据库的建立

为了解决人脸识别算法设计与测试中图像样本背景单一,难以测试算法在自然环境中的识别效率这一问题,采用了分类实践的方法,建立了基于自然状态背景的人脸图像数据库;同时,设计了图像采集系统,实现了多种状态采集模式,使图像数据库状态丰富.该图像数据库建立了多种状态子库,包括姿态子库、光照子库、表情子库、佩戴饰物子库、时间跨度子库,同时还包括了夜间模式下的人脸图像.研究结果表明:该数据库对于设计高效算法,测试算法在不同状态下的鲁棒性具有很大的价值.该成果对于人脸识别算法的研究和开发具有一定的应用和参考意义.     

基于NSCT和伪Zernike矩的人脸识别

为了提高光照条件下人脸识别系统的识别率,提出了一种非下采样Contourlet变换和伪Zernike矩相结合的人脸识别新算法.该算法首先利用软阈值去噪方法在Lambertian光照模型中提取人脸的光照不变成分,然后计算其伪Zernike矩向量作为人脸的分类特征.在Extended YaleB和CMU PIE人脸库上的实...     

Android平台人脸识别方法研究

研究直接系统编程实现人脸识别、基于组件技术的人脸识别和基于云计算的人脸识别三种算法.直接系统编程算法可实现基于肤色的人脸检测;基于组件方式应用OpenCV库可实现人脸的检测和特征比较;云计算方式可实现人脸识别、情感计算等功能.研究人员可根据设计要求选择算法,满足识别系统的需求.     

基于局部二元模式和重采样双向2DLDA的人脸识别算法

针对人脸识别中存在的小样本问题及光照变化、 表情变化等导致的识别问题, 提出一种基于局部二元模式和重采样双向2DLDA的人脸识别算法
LBP-RB2DLDA. AR人脸库的实验结果表明, 该算法具有较高的识别率和鲁棒性.     

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.     

基于张量脸的多姿态人脸识别算法

提出了一种新的多姿态人脸识别算法,在原有的张量脸算法(TensorFaces)基础上结合了流形学习方法和统计学聚类的方法,首先将训练图库中不同姿态的人脸图像通过保局映射投影(LPP)的姿态聚类特性投影到二维空间上,然后将待测图库中的未知姿态人脸图像投影到该二维空间并找到其最近邻的两个姿态,根据两个最近邻姿态库作为训练库修正张量脸识别算法的判别系数.实验结果表明,该算法的识别率优于原有的张量脸算法.     

基于对称最大间距准则的人脸识别方法

在最大间距准则算法中引入对称性思想,提出了基于对称最大间距准则(SMMC)的人脸识别算法。该算法首先引入镜像变换,将人脸图像生成镜像图像,依据奇偶分解原理,把人脸图像分解成镜像奇、偶对称图像,然后分别对奇偶对称图像进行最大间距准则,提取所需的鉴别特征。在ORL和Yale标准人脸库上的实验结果表明,该算法通过利用镜像变换扩大了样本容量,发挥了最大间距准则算法的优点,提高了人脸识别率。     

基于特征关联性的人脸高层特征研究

在特殊应用领域,注册者只能注册一张人脸信息,使得人脸注册信息极为有限,给人脸识别带来很大的限制。文章以参考集为基础,开展了基于特征关联性的人脸高层特征研究,通过对参考集中该人脸的所有图片特征均值和训练集、测试集中数据进行距离计算,将对应训练集、测试集中的各人脸的距离依次组合构成向量作为该脸的高层特征,该方法在很大程度上解决了注册信息缺失的问题;在Multi-PIE库和扩展YaleB库中进行了实验,并与基于稀疏表示的分类(sparse representation-based classifier,SRC)算法进行了对比。实验表明:该算法比余弦距离分类方法人脸识别的正确率提高5%~6%;与SRC算法相比,该算法更具有优越性。研究结果对单训练样本条件下的人脸识别研究有一定作用。     

基于分块加权LBP技术的人脸识别算法

人脸识别属于生理特征识别,是基于人的脸部特征信息进行身份识别的生物识别技术,是我国人工智能技术领域的首个成熟技术。LBP(Local Binary Patterns)算法,又称局部二值模式算法,是一种灰度范围内的纹理描述方式。传统LBP算子提取的特征信息只能体现局部的人脸信息,不能完整表达全部人脸信息。在基本LBP算法的基础上提出基于分块加权LBP技术的人脸识别算法,将人脸分为5×3子分块,根据人脸五官在人脸识别中的不同贡献度赋予不同的权重提取人脸信息特征。通过在ORL和YALE两种人脸数据库中训练不同样本数,比较传统LBP方法、5×3分块LBP方法和5×3分块加权LBP方法的人脸识别准确率,实验证明分块加权LBP技术在人脸识别中可以有效提高识别准确率。