基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

一种基于重采样双向2DLDA融合的人脸识别算法

针对人脸识别中普遍存在的光照、表情等变化带来的识别问题和小样本问题,本文提出了一种利用重采样技术融合双向2DLDA特征的人脸识别算法Resampling Bidirection 2DLDA(RB2DLDA).二维线性判别分析中,2DLDA利用垂直方向上的类内和类间协方差信息进行识别,E2DLDA利用水平方向上的类内和类...     

基于QR分解与2DLDA的单样本人脸识别

提出了一种新的基于矩阵的QR分解与2DLDA的单样本人脸识别算法(QR decomposition+2DLDA).利用矩阵的QR分解,将单样本人脸图像进行QR分解后提取有效的部分信息构成虚拟图像,结合原训练图像生成新的训练样本集,应用2DLDA进行特征提取和识别.在ORL人脸数据库上对算法进行了实验,实验结果表明此算法的识别效果不仅优于PCA、SPCA、(PC)2 A、E(PC)2 A算法,而且对于光照、表情等因素具有良好的鲁棒性.     

分块NSA在人脸识别上的应用

基于非参数子空间分析(nonparametric subspace analysis,NSA)方法,提出了分块NSA方法并将应用于人脸识别上。分块NSA方法首先对图像矩阵进行分块,对分块得到的子图像矩阵再利用NSA进行鉴别分析。这样做有以下2个优点:1)能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出;2)与NSA相比,由于使用子图像矩阵,分块NSA可以避免使用奇异值分解理论,过程简便。此外,NSA是分块NSA的特殊情况。在ORL和XM2VTS人脸库上验证了该方法在识别性能上优于NSA和分块LDA方法。     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

基于小波变换和余弦变换的Fisher脸识别

结合几种现有的人脸识别特征提取算法,先对人脸图像进行小波分解去噪;然后通过离散余弦变换对低频分量作进一步特征提取和压缩,保留人脸图像中对光照、姿态、表情变化不敏感的识别信息;接着利用PCA和LDA相结合得到最终的识别特征,最后采用欧式距离和最近邻分类器识别人脸。实验采用ORL标准人脸库验证了这种组合的有效性。     

分块双向2 DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。     

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。     

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题:通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。     

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.     

Subclass linear discriminant analysis for video-based face recognition

We present a novel subclass Linear Discriminant Analysis algorithm for feature extraction that copes with the severe pose, expression and illumination changes present in faces extracted from far-field video streams with subjects unconstrained in their motion and uncooperative to the system. Our novelty lies on the efficient automatic generation of subclasses from the gallery faces, by exploiting their different visual appearance and not constrained by their numbers per class. The proposed feature extraction algorithm is integrated in our complete face recognition system, with modules for preprocessing, classification, and decision fusion. We demonstrate the capability of the new algorithm to automatically generate discriminable subclasses and the resulting improved classification accuracy on a challenging video-based dataset, comprising low quality and resolution faces, as well as large variations in visual appearance. Our results indicate superior recognition rate compared to any systems in the CLEAR 2007 evaluation, running on that dataset.     

High-dimensional feature extraction using bit-plane decomposition of local binary patterns for robust face recognition

Transforming an original image into a high-dimensional (HD) feature has been proven to be effective in classifying images. This paper presents a novel feature extraction method utilizing the HD feature space to improve the discriminative ability for face recognition. We observed that the local binary pattern can be decomposed into bit-planes, each of which has scale-specific directional information of the face image. Each bit-plane not only has the inherent local-structure of the face image but also has an illumination-robust characteristic. By concatenating all the decomposed bit-planes, we generate an HD feature vector with an improved discriminative ability. To reduce the computational complexity while preserving the incorporated local structural information, a supervised dimension reduction method, the orthogonal linear discriminant analysis, is applied to the HD feature vector. Extensive experimental results show that existing classifiers with the proposed feature outperform those with other conventional features under various illumination, pose, and expression variations.     

模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于因子分析的实用人脸识别研究

该文针对实用人脸识别中的光照、表情、姿态等变化问题,通过因子分析和数据挖掘提出一种鲁棒的人脸识别方法。本文首次提出基于因子分析的人脸识别方法,并分析基于内容与风格信息的因子分析模型的人脸识别方法与基于Fisher线性判别分析的人脸识别方法的一致性。为了提高该方法的鲁棒性,通过两因子方差分析与加性模型分离人脸内因子与外因子,降低风格信息对人脸观察特征的影响。实验结果表明:此方法比Fisher脸方法具有更高、更稳健的性能,特别是在Fisher脸方法无能为力的复杂环境下能表现出较好的性能。     

多姿态、光照不均人脸图像的子空间人脸识别方法研究

针对人脸识别中存在的光照不均匀问题,提出了一种预处理链技术,能达到很好的光照补偿效果。为了提高多姿态、多表情、多细节人脸图像的人脸识别率,设计了一种将最近邻分类器与支持向量机相结合的分类算法（NN-SVM）,基于该分类算法提出了一种基于Gabor变换和NN-SVM的子空间人脸识别方法。在FERET和ORL两大人脸数据库中对所提方法进行性能评估,实验结果表明所提出方法能有效的解决人脸识别中光照不均匀问题,大大的提高人脸识别率,而且相比其他现存的人脸识别方法,所设计的方法具有更好、更稳定的识别效果。     

采用双字典协作稀疏表示的光照及表情顽健人脸识别

提出一种采用小波变换(WT)及双字典协作稀疏表示分类(CSRC)的人脸识别方法-WT-CSRC.WT-CSRC首先利用PCA(主成分分析)将小波分解后的人脸高频细节子图融合成高频细节图像;然后用PCA分别对人脸低频图像和高频细节图像进行特征提取,构造低频和高频特征空间,并用训练样本在两种特征空间上的投影集构造低频字典和高频字典;最后将测试样本在两种字典上进行稀疏表示,并引入互相关系数以增强人脸识别的可靠性,实现了人脸的协作分类.实验结果表明,提出的方法提高了人脸识别率,对光照变化及表情变化具有较强的顽健性,并且具有较高的时间效率.