基于SVD压缩降秩与KDA的人脸识别新方法

文中提出了一种基于奇异值压缩降秩与核判别分析（KDA）变换方法的人脸特征提取新方法,同时结合对偶传播人工神经网络（CPN）对不同的人脸图像进行识别分类。该方法首先采用奇异值分解压缩降秩准则对人脸图像进行择优奇异值的选取,然后对提取后的择优特征值进行核判别分析（KDA）变换,进一步提取人脸图像最优特征值,最后将得到的人脸图像最优特征值作为网络的输入值,利用对偶传播人工神经网络（CPN）对人脸图像进行识别分类。实验结果表明该方法具有较高的识别率和较快的识别速度。     

基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法

提出了一种基于分块小波变换与奇异值阈值压缩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,并根据图像块的位置分布选取不同的频率分量,然后对该分量进行奇异值阈值压缩与特征融合,最后在ORL人脸库上利用最近邻分类器对该特征进行分类识别,验证了算法的有效性.     

基于DDCT与TCSVD的人脸特征提取与识别算法

提出一种基于分块离散余弦变换(DCT)与奇异值分解阈值压缩(TCSVD)的人脸特征提取与识别算法。该算法对人脸图像进行分块DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征矩阵,通过对每个图像块的特征矩阵进行SVD阈值压缩和特征组合来构建人脸鉴别特征,并利用分类器进行特征分类与识别。AR人脸库上的实验结果验证了该算法的有效性。     

一种改进的基于奇异值扰动的单样本人脸识别方法

针对单训练样本情况下人脸识别性能不佳的问题,本文提出了一种改进的基于奇异值扰动的人脸识别方法。首先通过奇异值扰动方法扩展人脸样本,然后运用小波变换压缩扩展样本,选择小波变换分解后的低频分量作为子图像,再采用核主成分分析提取人脸的高阶特征,最后根据最近邻分类器分类。在ORL和Yale数据库上的仿真实验证明了本文方法的识别性能优于对比方法。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

一种非参数核函数鉴别分析法及其在人脸识别中的应用

核判别分析(KDA)算法仅考虑c-1个判别特征,且计算类间离散度矩阵时需使用所有的训练样本,而一些有利于分类的边界结构未能被提取。为此,提出了一种非参数非线性(核)鉴别分析方法,其在计算特征空间中的类间散布矩阵时引入一个权值函数,从而能提取有利于分类的边界结构。仿真试验表明,新方法在识别性能上优于已有的一些方法,且避免了使用繁琐的矩阵奇异值分解理论,有一定的实用价值。     

核判决分析及其在表情识别中的应用

提出了一种基于核判决分析(KDA)的人脸表情识别方法.与传统的线性特征提取方法线性判决分析(LDA)不同,针对非线性问题,KDA通过引入核函数进行非线性投影以提取表情特征,克服了LDA算法用于人脸表情识别时存在的问题.基于CED-WYU(1.0)和JAFFE两个表情数据库的识别结果表明, 基于核判决分析KDA的特征提取方法能有效地提高识别率.     

基于奇异值的具有年龄变化的人脸识别

为了增强现有人脸识别算法对年龄变化的鲁棒性,提出了一种新的基于奇异值分解(SVD)和嵌入式隐马尔可夫模型(EHMM)的人脸识别方法.先选取整幅人脸图像的奇异值作为基本特征向量,然后建立年龄函数,对奇异值特征进行修正,再根据得到的年龄函数,对人脸图像进行重建,提取改进后的奇异值特征作为观察序列,送入EHMM中进行分类识别,实验结果表明这种方法能够提高具有年龄变化的人脸识别效率.     

基于小波变换和改进的奇异值分解的人脸识别

使用基于肤色的检测方法分割出人脸并进行归一化,利用小波变换压缩降维以减少计算量。针对原有奇异值分解的不足,将图像矩阵进行投影,并将整体与三组局部图片的奇异值结合进行改进,利用BP神经网络进行分类识别,进行人脸识别仿真实验。结果表明,所提出的基于小波变换和改进的奇异值分解特征提取方法是一种实用、可行的方法。     

基于特征融合和模糊核判别分析的面部表情识别方法

提出了基于特征融合和模糊核判别分析（FKDA）的面部表情识别方法。首先,从每幅人脸图像中手工定位34个基准点,作为面部表情图像的几何特征,同时采用Gabor小波变换方法对每幅表情图像进行变换,并提取基准点处的Gabor小波系数值作为表情图像的Gabor特征;其次,利用典型相关分析技术对几何特征和Gabor特征进行特征融合,作为表情识别的输入特征;然后,利用模糊核判别分析方法进一步提取表情的鉴别特征;最后,采用最近邻分类器完成表情的分类识别。通过在JAFFE国际表情数据库和Ekman“面部表情图片”数据库上的实验,证实了所提方法的有效性。     

基于NSCT和M-PCNN的人脸特征提取

为提高人脸识别对人脸姿态、位置、表情变化的鲁棒性,提出一种基于非下采样Contourlet变换(NSCT)与改进脉冲耦合神经网络(M-PCNN)的人脸特征提取方法。利用NSCT对输入图像进行多尺度分解和多方向稀疏分解,以捕获图像中的高维奇异信息,使用M-PCNN模型提取各子带的信息熵,将其作为人脸特征,利用支持向量机(SVM)实现分类与识别。仿真结果表明,该方法鲁棒性较强,在识别和分类中表现出较好的性能。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

基于奇异熵和随机森林的人脸识别

提出了一种基于奇异熵与随机森林的人脸识别方法。该方法以奇异熵来描述人脸特征。首先在整个人脸图上进行奇异值分解,应用整体奇异熵提取人脸全局特征。然后将人脸图像分成均匀子块,在各子块中进行奇异值分解,应用局部奇异熵提取人脸局部特征。之后将整体奇异熵和局部奇异熵融合形成最终分类特征。最后通过随机森林分类器对其进行分类。在Yale人脸库上的实验表明,该方法对表情、光照具有鲁棒性,且有较高的识别率和较短的识别时间。     

基于Curvelet变换特征的人脸识别算法

针对小波变换无法准确表达二维奇异曲线的弱点,提出基于曲波(Curvelet)变换特征的人脸识别算法。Curvelet变换可以很好地去逼近奇异曲线,对于人脸图像能实现最优的稀疏表示。该算法采用基于Wrapping的离散Curvelet变换加权算法对训练集的人脸图像进行特征提取生成特征矩阵,再通过PCA方法降低维数后结合稀疏表示分类算法(SRC)进行人脸识别。通过在ORL、Yale和AR三个人脸数据库上的仿真实验以及和基于小波变换类识别算法、LDA算法和SRC算法等比较,实验结果表明该算法在人脸遮挡、姿态变换、表情变换和光照变换等干扰因素的作用下具有较高的人脸识别率和较好的鲁棒性。     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于粒子群优化的支持向量机人脸识别

针对传统主成分分析(PCA)算法提取人脸特征时效率低下的问题,对其求解样本协方差矩阵的特征值和特征向量的过程进行改进,提出一种基于快速PCA降维算法的人脸识别方法。使用交叉验证方法,将支持向量机(SVM)模型训练时的识别准确率作为粒子群的适应度值,利用粒子群优化算法对SVM惩罚参数和核函数参数进行全局寻优,得到参数的全局最优解,用于训练最终的分类器模型进行人脸识别。通过对ORL和Yale数据库中的人脸图像进行实验,结果表明,与传统PCA算法结合SVM模型的识别方法相比,该方法对于人脸图像具有更高的特征提取效率及识别准确率。     

基于人脸图像的性别识别技术

以原始人脸图像为基础,用灰度拉伸、灰度均衡、中值滤波、图像锐化和图像变换等多种处理方法对人脸图像进行预处理,用分形几何的关联维方法提取人脸图像的特征值,并通过BP网络建立性别识别模型。在此基础上,用上述各种预处理方法对29个未参与建模的人脸图像处理,然后进行性别识别。结果表明,用灰度拉伸和傅立叶变换处理的人脸图像,性别识别效果较好;图像变换比其他处理方法的识别效果好;先对人脸图像作灰度拉伸,然后作傅立叶变换,性别识别效果最佳。     

基于BP神经网络的人脸朝向分类的新思路

针对人脸朝向分类这一问题,使用BP神经网络进行判别分析是一个较为成熟的方案,在此基础上,提出了一种新的特征值提取方法.首先探测人脸图像边界并将其转化成二值化的0-1矩阵,分割取出图像中眼睛部分对应的矩阵数据;考虑到人脸图像的特殊性,即头部鬓角的信息数据可能造成干扰,删减相应的矩阵信息;接着进行特征值的提取,取出矩阵中为1的元素分布的“离散程度”和分布位置的平均值形成二维向量;最终以该二维向量为神经网络的输入,5种人脸朝向分类为神经网络的输出,正确识别率可以达到100％.这样的特征值提取方式使特征值具有实际意义,相比于PCA特征值提取法更易理解;无需求出人眼的具体位置,相比于求人眼位置的几何方法更加简洁.