基于小波变换和独立分量分析的面部表情识别

提出了一种联合二维离散小波变换（2D-DWT）和独立分量分析（ICA）相结合的表情特征提取法。首先通过2D-DWT将当前图像分解成4个子图像,其中一子图像对应原图像的主体部分（低通部分）,其余三个子图像对应图像的细节部分（高通部分）。采用ICA分别对每一子图像进行特征提取,得到的表情矢量与中性矢量的差值矢量作为特征矢量,在此基础上使用性能比较稳定的支持向量机来分析各个子带图像的识别情况。此外,还提出了一种简单有效的方法对各个子图像所提取的特征进行融合,将融合的结果作为特征矢量来识别。同其它基于静态图像识别的方法相比,所提的方法识别效果好,且具有一定泛化性和鲁棒性。     

基于分段行列2D-PCA的高光谱图像数据降维方法

针对传统二维主成分分析(2D-PCA)方法不能直接应用于高光谱图像数据降维的不足,提出一种基于分段行列2D-PCA的降维方法。利用高光谱图像波段间的相关系数进行波段子空间划分,在各子空间内通过旋转构建新的数据模型,以2D-PCA方法提取其行、列主成分信息,经过图像重建得到行、列主成分图像,对各波段子空间的行、列主成分图像进行小波分解,按照不同规则融合低频、高频系数,再通过小波逆变换得到降维后的图像。实验结果表明,与PCA和分段PCA方法相比,该方法在保证降维图像质量的前提下可缩短运算时间,提高高光谱图像的降维效率。     

基于多频带2D-PCA的虹膜识别算法

近年来,二维主分量分析(2D-PCA)和离散小波变换作为图像分析的两种有效方法,受到人们的广泛关注。结合以上两种方法,提出了一种多频带2D-PCA虹膜识别快速算法。该算法首先对虹膜图像做预处理,然后将预处理后的图像做2维离散小波变换,取小波系数的两个中频子带作为2D-PCA的输入空间;在训练阶段,求得训练样本输入空间的特征空间并由此得到训练样本的特征向量,形成样本特征库;在识别阶段,计算得到未知样本特征向量;同时为了提高特征向量对图像旋转的鲁棒性,在该阶段进行了基于不同起始角度的归一化处理。最后采用Hamming距离,对未知样本的特征向量在特征库中进行多模板匹配,通过K临法则和阈值法得到识别结果。实验结果验证了所提算法的有效性。     

基于2D-DWT与FLD的人脸识别算法

基于加权二维离散小波变换(2D-DWT)与Fisher线性判别(FLD),提出一种人脸识别算法。利用db2小波对人脸图像进行2层小波分解,对于分解图像利用FLD法进行特征提取,运用最近邻分类法对提取的特征进行分类识别。在ORL标准人脸图像库上的实验结果证明,该算法能取得较好的识别率。     

基于张量的2D-PCA人脸识别算法

人脸图像的色彩信息也是人脸的重要特征,但现有的2D-PCA彩色人脸识别忽略了人脸色彩信息的空间关系。由此引入三阶张量表示,提出基于张量的2D-PCA（Tensor PCA）的人脸识别算法。Tensor PCA通过分解[n]模总体散布矩阵获得三个由最大特征值对应的特征向量组成的将张量样本投影到低维子空间的投影矩阵,并构造交替最小二乘法的迭代过程对矩阵进行优化得到最优投影矩阵,使得投影后的样本间的距离尽可能得大,以达到最佳分类识别的效果。Georgia Tech彩色人脸库的测试结果表明,与2D-PCA方法相比,识别正确率提升了5.53%,同时训练时间降低了78.1%。     

基于小波变换和二维非负矩阵分解的人脸识别算法

结合二维离散小波变换(2DDWT)和二维非负矩阵分解(2DNMF)两者的优点,提出了一种新的人脸识别融合算法2DDWT+2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域,并对三个高频子块进行图像融合,然后对低频子块和融合图像进行二维非负矩阵分解以提取特征,进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明,与PCA、SVD、NMF以及2DDWT+NMF算法相比,新融合算法能有效缩短训练时间和提高识别率。     

基于BEMD和分形维数的人脸识别方法

提出一种新的人脸图像特征提取方法,即利用二维经验模态分解方法（BEMD）结合分形维数（Fractal dimension）进行特征量提取,将提取得到的特征量用于人脸识别。该方法将图像通过BEMD算法分解为不同的二维固有模态分量（BIMF）,然后将得到的BIMF图像进行分块得到BIMF子区域,对每一个BIMF子区域进行分形盒维数估计,采用BP神经网络作为分类器。实验选用ORL人脸数据库,实验结果表明,用该算法进行特征量提取的人脸识别方法具有理想的识别效果并提高识别系统性能。     

LDBP和LBP特征融合的行人检测

提出一种基于局部差分二值模型（Local Difference Binary Pattern,LDBP）和局部二值模型（Local Binary Pattern,LBP）的特征融合方法,以解决行人检测中检测精确度和鲁棒性不足的问题。对输入图像进行二维离散Haar小波变换,得到不同频率的四个子图像（LL,LH,HL和HH）;对低频部分子图像提取LDBP特征,以及对其他三个高频部分子图像提取LBP特征;采用主成分分析法（PCA）分别对得到的LDBP特征和LBP特征进行降维;融合降维后的LDBP特征和LBP特征进行行人检测。在INRIA数据集上采用支持向量机（SVM）进行测试,实验结果表明,该方法能有效地提高检测精确度,且具有较好的鲁棒性。     

基于三次B样条小波和2DFFT-2DLDA的人脸识别

提出了一种基于三次B样条小波和2DFFT-2DLDA的人脸识别方法,用三次B样条小波对人脸图像进行多层分解,得到一幅低频子图和3幅边缘细节子图,选取其中两幅效果最好的子图进行二维傅里叶变换后将其连接形成一个特征向量,然后进行2DLDA处理产生最终的特征表达,最后使用最近邻法进行分类。在JAFFE和Yale人脸库中的实验表明算法具有比频谱脸算法和Gabor-2DLDA算法更高的识别率,同时具有很低的算法复杂度。     

基于小波分析和几何特征的人脸识别方法研究

在主成分分析法(PCA)和独立成分分析法(ICA)等理论基础上,提出一种结合人脸几何特征和独立Gabor小波特征分析的人脸识别方法.在对人脸图像进行二维小波分解的基础上,从人脸图像的下采样Gabor小波图像中得到一个Gabor小波特征向量并利用PCA法降维,在ICA法的基础上得到独立Gabor小波特征,并结合人脸面部器官的位置和轮廓及器官距离等所构成的几何特征进行人脸识别.     

基于多通道Log-Gabor小波与(2D)^2PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale 人脸数据库上的实验结果表明,该算法具有较好的识别性能。     

基于三维数据与MMSV特征的二维人脸识别*

针对二维人脸识别对姿态与光照变化较为敏感的问题,提出了一种基于三维数据与混合多尺度奇异值特征MMSV(mixture of multi-scale singular value,MMSV)的二维人脸识别方法。在训练阶段,利用三维人脸数据与光照模型获取大量具有不同姿态和光照条件的二维虚拟图像,为构造完备的特征模板奠定基础;同时,通过子集划分有效地缓解了人脸特征提取过程中的非线性问题;最后对人脸图像进行MMSV特征提取,从而对人脸的全局与局部特征进行融合。在识别阶段,通过计算MMSV特征子空间距离完成分类识别。实验证明,提取到的MMSV特征包含有更多的鉴别信息,对姿态和光照变化具有理想的鲁棒性。该方法在WHU-3D数据库上取得了约98.4%的识别率。     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

基于多尺度稀疏表示的面部疲劳识别

针对疲劳驾驶严重威胁道路交通安全的问题,提出了一种基于多尺度稀疏表示的面部疲劳识别算法。该算法首先通过Gabor小波获取面部多尺度多方向的疲劳特征;然后采用2D-PCA方法对提取的特征进行降维处理,提高算法的执行效率;最后通过稀疏表示的方法构造疲劳的超完备字典并完成疲劳识别。实验在自建的疲劳数据库中完成,结果显示所提算法的疲劳识别率达到94.5%,具有一定的可行性。     

一种基于2DLPP和2DLDA的人脸识别方法研究

局部保持投影（locality preserving projection,LPP）和线性鉴别分析（linear discrimin antanalysis,LDA）是两种有效的一维特征提取方法,广泛应用于人脸识别领域。但采用一维特征提取方法时会存在列向量化时样本的结构信息被破坏和样本在提取特征时必须对协方差矩阵进行特征分解,对于高维小样本的问题很容易出现协方差矩阵奇异的问题。文中提出将二维局部保持投影（2DLPP）和二维线性鉴别分析（2DLDA）这两种方法在特征层进行融合并应用在人脸识别。基于人脸库AR上的实验表明,该方法比传统的IJPP和LDA识别性能更高,因此可作为一种新的人脸识别方法。     

Facial expression recognition based on two-dimensional discriminant locality preserving projections

In this paper, a novel method called two-dimensional discriminant locality preserving projections (2D-DLPP) is proposed. By introducing between-class scatter constraint and label information into two-dimensional locality preserving projections (2D-LPP) algorithm, 2D-DLPP successfully finds the subspace which can best discriminate different pattern classes. So the subspace obtained by 2D-DLPP has more discriminant power than 2D-LPP, and is more suitable for recognition tasks. The proposed method was applied to facial expression recognition tasks on JAFFE and Cohn-Kanade database and compared with other three widely used two-dimensional methods: 2D-PCA, 2D-LDA and 2D-LPP. The high recognition rates show the effectiveness of the proposed algorithm.     

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。