基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

基于二维图像直接线性判别分析的人脸识别算法研究

针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.     

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.     

松弛耦合非负矩阵分解的低分辨率人脸识别算法

针对实际监控场景中经常遇到的人脸图像分辨率较低的问题,本文提出了一种利用耦合非负矩阵分解并保持系数松弛的低分辨率人脸识别算法（Relaxed Coupled Nonnegative Matrix Factorization,后文简称RCNMF）。首先,对高低分辨率人脸图像进行非负矩阵矩阵分解（nonnegative matrix factorization,后文简称NMF）,在分解的同时保持组合系数近似一致,从而得到高低分辨率图像的基矩阵。然后,通过低分辨率图像的基矩阵提取训练和测试样本的特征。最后进行识别。实验结果验证了与其他几种基于耦合映射的低分辨率人脸识别方法相比,RCNMF算法的识别性能更好。同时通过实验验证了RCNMF算法的收敛性。      

人脸与虹膜特征层融合模型的研究

多生物特征的融合与识别可提高身份识别系统的整体性能.本文在研究特征层融合的基础上,结合二维Fisher线性判别分析(2-Dimensional Fisher Linear Discriminant Analysis,2DFLD),提出了一种人脸与虹膜特征融合与识别模型.首先,对人脸图像与虹膜图像分别进行压缩降维处理,得到相应的初始特征矩阵.然后将人脸与虹膜的初始特征矩阵进行组合,获得组合特征矩阵.同时,利用2DFLD算法对组合特征矩阵进行融合,获得了人脸与虹膜的融合特征.最后运用最小距离分类器进行识别.基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy of Sciences,Institute of Automation)虹膜数据库的实验结果表明,该模型实现了特征层融合,不仅克服了"小样本"效应,而且有效提高了身份识别的正确识别率,为多生物特征身份识别提供了一种有效模型.     

一种用于SAR目标特征提取的I2DLDA方法

通过分析传统鉴别分析的“小样本”和“次优性”问题,提出一种改进的二维线性鉴别分析(I2DLDA)算法并用于SAR图像目标特征提取.首先对线性鉴别分析中散度矩阵的构造进行加入权值的改进以缓解次优性问题,然后使用二维线性鉴别分析准则在图像矩阵上进行特征提取.对美国MSTAR计划公开的SAR图像数据的仿真实验结果表明,基于I2DLDA的SAR目标识别方法不仅有效增强了提取特征的可鉴别性,同时也减小了所需的特征维数,降低了运算量,识别性能有了很大的提高,证明了方法的有效性.     

基于图像抽样重组的2维核鉴别分析

2维核鉴别分析(2DKDA)存在离散度量矩阵过大而无法计算的问题。该文通过将图像抽样重组与2DKDA的结合,提出了3种基于图像抽样重组的2DKDA(SR2DKDA),它们不仅克服了2DKDA在计算上的困难,识别性能也优于2维线性鉴别分析(2DLDA)。在ORL人脸库和UMIST人脸库的实验验证了SR2DKDA的有效性。     

一种应用于人脸识别的有监督NMF算法

为了提高非负矩阵分解(NMF)算法识别率,提出了一种有监督的NMF(SNMF)方法.该算法对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过UMIST人脸库和CMU PIE人脸库上的实验结果表明,该方法对光照、姿态和表情变化具有一定的鲁棒性,识别率高于NMF方法和其它子空间分析法.     

基于小波和LNMF的人脸特征提取方法研究

本文提出了利用小波变换(WT),局部非负矩阵分解(LNMF)来进行人脸特征提取的方法.用小波变换对人脸图像进行分解,选择最低分辨率的子段,既能捕获到人脸的实质特征,又有效地降低了计算复杂性;而非负矩阵分解方法克服了PCA、ICA等传统方法在人脸图像特征提取时速度慢、识别率低的缺点.实验结果表明,这种方法对光照变化、人脸表情和部分遮挡不敏感,具有良好的健壮性和较高的识别效率.     

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

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。     

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于NSCT和仿生模式的人脸图像识别方法

针对现有的人脸图像识别算法准确度不高的问题,提出了一种基于非下采样Contourlet变换(NSCT)和仿生模式的人脸图像识别的方法。对人脸图像进行NSCT分解,并将分解后的各系数矩阵转化为能量特征,利用仿生模式识别算法实现对人脸图像的识别。使用UMSIT、Yale和ORL人脸库进行实验,且设计了无拒识和有拒识两组方案,实验结果表明:与传统方法相比,利用基于非下采样Contourlet变换和仿生模式的人脸图像识别的方法能够获得更高的正确率,而有拒识的方案能够获得更好的综合性能。     

基于样本扩张和最大散度差融合的单样本人脸识别算法

为解决只有一个训练样本时最大散度差(MSD) 鉴别分析在人脸识别中的识别性能会降低这一问题,提 出一种基于样本扩张和MSD融合的单样本人脸识别算法。首先,根据人脸的对称相似理论 ,人脸样本的相关变化信息可 以从它的对称脸上提取,并且平均脸也具有要识别测试人脸的某些可能变化,提出组合原始 训练样本及它的虚 拟平均脸和虚拟对称脸作为新的训练样本集;然后,在新的训练样本集上应用类内中间值MS D鉴别分析算法得到最 优投影矩阵,从而可以基于这个最优投影矩阵计算训练样本和待测试样本的特征;最后利用 模糊决策方法进行分类。在ORL和FERET人脸数据库上的大量实验结果表明,本文算法可以提 高识别率,具有一定的鲁棒性。     

基于加权小波分析和神经网络的人脸识别

基于加权小波分析和神经网络提出一种新的准正面人脸识别算法.二维的小波分解具有对表情变化不敏感的特点,可很好地压缩和表征人脸图像的特征,再加上变换后高频的人脸特征,能很好地表达人脸特征;径向基网络作为分类器有很好的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,与传统算法相比有很高的识别速度和识别率.     

基于Gabor和核监督局部保持投影的单样本人脸识别算法

针对目前主流人脸识别算法,在单样本条件下,当性能严重下降根本无法工作时,提出了一种结合Gabor和核监督局部保持投影的单样本人脸识别算法.选取数据库中中性表情的近正面人脸图像作为训练样本,通过几何变换产生15幅虚拟样本,对每幅样本图像提取Gabor特征,采用核监督局部保持投影方法进行特征提取,欧氏距离最近邻分类器进行分类.根据ORL数据库、Yale数据库和FERET数据库上的实验结果表明,核监督局部保持投影(GKSLPP)算法具有较好的识别效果.