基于图像协方差无关的增量特征提取方法研究

针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29 帧/s,能够满足增量特征提取的实时处理需求。     

基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于激光扫描的人脸图像模糊纹理特征提取方法

由于图像的高频细节信息较为复杂，在人脸图像识别中特征提取准确度严重下降，为此，提出一种基于激光扫描的人脸图像模糊纹理特征提取方法。通过直接标定的方式获取相机采样图片中标定点坐标和世界坐标系之间的关系，使用相机拍摄标准色板图像，标定感光曲线，通过激光扫描得到人脸图像。将获取的人脸图像预处理，将预处理之后得到的人脸图像特征实行CCS-LBP编码处理，将编码处理得到的图像特征融合处理，获取一个全新的纹理特征，最终达到人脸图像模糊纹理特征提取的目的。实验结果表明，所提方法可以有效提升特征提取结果准确性。     

基于神经网络的有遮挡图像分割方法

人脸作为人类最主要形象特征,具有许多特征的唯一性,而人脸识别的关键在于进行的人脸分割计算。传统的人脸分割算法在有遮挡情况下无法完整的提取人脸信息,导致信息缺失,使得图像检测无法进行。文中算法采用基于神经网络与自适应技术的人脸图像分割计算,对于有遮挡部分的人脸也可进行较好的分割计算,通过多种图片进行实验仿真计算后,有遮挡的图片都可得到有效的分割,实现了对人脸分割85%的分割完成率,远高于传统人脸图像分割算法的78%的分割完成率。因此本算法,在图像识别领域具有对较好的推广意义。     

2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NFA方法以及本方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NFA方法。     

一种具有噪声鲁棒性的人脸表情识别算法研究

为降低噪声对人脸表情识别的影响,首先提出具有人眼视觉特性的各向异性扩散滤波方法,对图像进行滤波预处理;同时采用改进HOG算子提取人脸表情特征。实验结果表明,改进的各向异性扩散滤波算法在滤除噪声的同时能更好地保留表情图像的弱小细节信息,改进HOG算子相比传统特征提取算子可以更准确地描述人脸表情特征。因此,该算法是一种有效的、具有一定噪声鲁棒性的人脸表情识别算法。     

色度与亮度特征相融合的彩色人脸识别算法

在存在色度与亮度差异性的条件下,彩色人脸的识别准确度不高,为了提高彩色人脸的识别性能,提出基于色度与亮度特征相融合的彩色人脸识别算法。对采集的原始彩色人脸图像进行色度均衡处理,采用特征提取方法进行人脸的关键特征点定位,提取人脸图像的色度和亮度特征。对提取的特征量根据眼睛和眉毛等关键点的差异性进行信息融合,对提取的眼部区域色度信息进行二值化分离和信息增强处理,提高对彩色人脸图像的特征识别能力,实现彩色人脸识别算法的改进设计。仿真结果表明,采用该方法进行彩色人脸识别的准确识别率较高,抗色度和亮度的局部干扰能力较强。     

改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。