基于Gabor小波与深度信念网络的人脸识别方法

特征提取与模式分类是人脸识别的两个关键问题。针对人脸识别中的高维和小样本问题,从人脸特征的提取与降维算法入手,提出基于受限玻尔兹曼机(RBM)的二次特征提取及降维算法模型。首先把图像均匀分成若干局部图像块并进行量化,再对图像进行Gabor小波变换,通过RBM对得到的Gabor人脸特征进行编码,学习数据更本质的特征,从而达到对高维人脸特征降维的目的;并以此为基础提出基于深度信念网络(DBN)的多通道人脸识别算法。在ORL、UMIST和FERET人脸库上对不同样本规模和不同分辨率的图像进行实验,识别结果表明,与采用线性降维和浅层网络的方法相比,所提方法取得了较好的学习效率和很好的识别效果。     

基于TPLBP/HOG特征与DBN深度模型的人脸识别研究

针对传统人脸识别方法所提取的人脸信息特征较为单一,且分类算法存在局限性的问题,在多特征信息融合的基础上结合深度信念网络(DBN)对人脸进行深度训练并进行识别。首先采取对比度受限自适应均衡化对人脸图像进行预处理,从而削弱光照对人脸识别的影响;然后,将提取到的人脸图像的TPLBP纹理特征和HOG结构特征进行特征融合,得到信息互补的融合特征;最后,将降维后的融合特征作为DBN的输入,通过对DBN深度模型的参数的动态搜索确定最佳值后,基于训练好的深度信念网络实现人脸图像样本的识别。以ORL、AR和Yale-B人脸数据库为基础进行试验,试验结果表明本文方法相较于传统的SVM、KNN和DBN算法准确率有很大提高,鲁棒性强。     

Gabor特征与深度信念网络结合的人脸识别方法

提出了一种基于Gabor特征和深度信念网络(DBN)的人脸识别方法,通过提取Gabor人脸图像的不同尺度图进行卷积融合,将融合后的特征图作为DBN的输入数据,训练多层来获得更加抽象的特征表达,整个训练的过程中采用交差熵来微调DBN,模型的最顶层结合Softmax回归分类器对抽取后的特征进行分类.在AR人脸库测试的实验结果表明:将Gabor特征与DBN结合应用于人脸识别,其准确率可高达92.7％,与其他浅层学习模型相比,DBN学习了数据的高层特征的同时还降低了特征维数,提高了分类器的分类精度,最终有效改善了人脸识别率.     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

基于Gabor小波和流形的人脸识别研究

本文研究基于Gabor小波变换和流形学习的人脸识别方法,首先引入Gabor小波对人脸图像提取不同方向、不同尺度的多个Gabor幅值特征（Gabor magnitude feature）,然后使用能够提取子流形的NPE算法对GMF特征进行维数约简,最后使用线性判别分析进一步提取鉴别性特征。此算法利用了Gabor特征对人脸图像的优异表征能力、流形方法和传统的判别方法。在标准人脸库上的实验结果表明,与其他降维方法相比,新算法能够获得较好的识别效果。     

基于SVM的人脸识别研究

针对人脸结构过于复杂,导致识别精度低的问题,提出基于支持向量机（Support Vector Machine,SVM）的人脸识别方法。首先,选取Gabor小波变换算法,利用高斯函数表示短时傅里叶变换的窗函数,通过对人脸图像的卷积运算,提取人脸图像的幅值特征以及相位特征。其次,选取主成分分析方法,对所提取的人脸图像特征进行特征降维处理。最后,设置完成降维处理的人脸特征值,作为SVM的输入,利用SVM输出人脸识别结果。实验结果表明,该方法在强光等复杂环境下,仍然可以精准识别人脸,人脸识别精度高于97%。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于深度学习的轻量级和多姿态人脸识别方法

目前基于深度学习的人脸识别方法存在识别模型参数量大、特征提取速度慢的问题,而且现有人脸数据集姿态单一,在实际人脸识别任务中无法取得好的识别效果。针对这一问题建立了一种多姿态人脸数据集,并提出了一种轻量级的多姿态人脸识别方法。首先,使用多任务级联卷积神经网络（MTCNN）算法进行人脸检测,并且使用MTCNN最后包含的高层特征做人脸跟踪;然后,根据检测到的人脸关键点位置来判断人脸姿态,通过损失函数为ArcFace的神经网络提取当前人脸特征,并将当前人脸特征与相应姿态的人脸数据库中的人脸特征比对得到人脸识别结果。实验结果表明,提出方法在多姿态人脸数据集上准确率为96.25%,相较于单一姿态的人脸数据集,准确率提升了2.67%,所提方法能够有效提高识别准确率。     

复杂光照条件下基于深度学习的人脸识别方法

由于传统方法在复杂光照条件下人脸识别的识别时间比较长、误识率较高，提出复杂光照条件下基于深度学习的人脸识别方法。首先，利用相机与灯光组合拍摄不同光照条件下人脸图像，建立复杂光照条件下人脸数据集。其次，对人脸图像进行对数转换、直方图均衡化以及自适应滤波处理。最后，建立深度学习网络模型，利用模型提取和识别人脸特征。分析实验可知，在复杂光照条件下，设计方法人脸识别时间在1 s以内，误识率在1%以内。     

基于Gabor小波特征的多姿态人脸图像识别

多姿态人脸识别在很多领域具有重要的应用价值。基于多姿态人脸图像及Gabor小波特点选取离散化参数,对人脸图像进行Gabor小波变换;然后采用两步降维法对变换系数进行降维,基于降维后的Gabor特征表示实现人脸识别。实验将互不相交的两个样本集依次作为训练集和测试集,验证了该方法在人脸识别中对于不同姿态和表情的有效性及鲁棒性。     

融合Gabor 特征与投影字典对学习的#br# 人脸识别算法

为了获得更好的人脸特征,有效地提高算法的识别率,提出了一种联合Gabor 特征 与投影字典对学习的人脸识别算法G-DPL。算法使用Gabor 小波提取人脸图像的局部特征,对特 征向量使用PCA 与LDA 的方法进行降维。将投影字典对学习算法与降维后的Gabor 特征融合, 然后进行分类识别。提出的G-DPL 算法在ORL 库上整体识别率达到99.00%,特征维数为39 维。 在AR 库上识别率达到96.14%,特征维数为99 维。提出的G-DPL 算法在占用较少空间的同时能 够获得更高的识别率,对实际应用具有一定的参考价值。     

用于人脸识别的GFC方法

Gabor-Fisher分类器(GFC)人脸识别方法,首先对面部图像进行Gabor小波处理,再对得到的增广Gabor特征向量应用增强线性辨别法模型(EFM)以得到辨别特征。该方法的新颖之处在于(1)引入了Gabor小波得到增广的特征向量更好的反映了图像的特征;(2)应用EFM在对维数进行降低的同时进行分类特征提取。该种新方法在应用于光照和面部表情变化比较大的FERET数据库时优势比较明显。     

一种基于局部三值模式的深度学习人脸识别算法

为解决传统特征提取过程中过多依赖人工选择和传统DBN网络易忽略局部特征问题,提高人脸识别率,提出一种基于局部三值模式的深度学习人脸识别算法(LTDBN)。该算法首先把归一化的人脸图像均匀分割为多个小块,对每个小块进行LTP运算,然后用统计直方图获得最后图像特征,将其作为DBN的输入数据,利用逐层贪婪学习法对整个网络进行训练识别。该算法在ORL,Yale,Yale-B等公开人脸库的识别率分别达到了98.75%,100%,96.62%,实验结果表明LTDBN算法不仅识别率明显优于其他现有算法,而且也降低了光照、姿态等因素对实验结果的影响。     

Improved Face Representation by Nonuniform Multilevel Selection of Gabor Convolution Features

Gabor wavelets are widely employed in face representation to decompose face images into their spatial-frequency domains. The Gabor wavelet transform, however, introduces very high dimensional data. To reduce this dimensionality, uniform sampling of Gabor features has traditionally been used. Since uniform sampling equally treats all the features, it can lead to a loss of important features while retaining trivial ones. In this paper, we propose a new face representation method that employs nonuniform multilevel selection of Gabor features. The proposed method is based on the local statistics of the Gabor features and is implemented using a coarse-to-fine hierarchical strategy. Gabor features that correspond to important face regions are automatically selected and sampled finer than other features. The nonuniformly extracted Gabor features are then classified using principal component analysis and/or linear discriminant analysis for the purpose of face recognition. To verify the effectiveness of the proposed method, experiments have been conducted on benchmark face image databases where the images vary in illumination, expression, pose, and scale. Compared with the methods that use the original gray-scale image with 4096-dimensional data and uniform sampling with 2560-dimensional data, the proposed method results in a significantly higher recognition rate, with a substantial lower dimension of around 700. The experimental results also show that the proposed method works well not only when multiple sample images are available for training but also when only one sample image is available for each person. The proposed face representation method has the advantages of low complexity, low dimensionality, and high discriminance.     

基于Gabor特征与投影字典对学习的人脸识别算法

为了提高人脸的识别率及其识别速度,提出了一种基于Gabor特征与投影字典对学习的人脸识别算法。由于Gabor特征对表情、光照和角度等变化具有较强的鲁棒性,首先提取人脸图像多方向多尺度的Gabor局部特征,并将经主成分分析降维后的增广Gabor特征作为训练数据,代替原始的训练样本。然后,根据训练数据同时学习综合字典与分析字典,综合字典具有重构能力,分析字典可以快速求出系数矩阵。最后,根据各类别的重构误差进行分类,以达到人脸识别的目的。在扩展的YaleB、ORL和AR人脸数据库上的实验结果表明,提出的算法不仅具有较高的识别率,而且能够有效地提高识别速度。     

组合局部多通道Gabor滤波器和ICA的人脸描述与识别

针对人脸识别是当前人工智能和模式识别的研究热点,提出了一种组合局部Gabor滤波器组和ICA技术(简称LMGICA)的人脸描述方法,首先对归一化的人脸图像进行采样分块,然后对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor 幅值域图谱(local Gabor magnitude map,LGMM),接着由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析进行降维;最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于识别分类。通过与经典Ga