联合多尺度分块和协作表示的虹膜识别算法

基于稀疏表示的虹膜识别方法(SRIR)相对于传统的虹膜识别方法,在处理噪声干扰等问题,识别效果相对较好,具有较好的鲁棒性。但在样本集不足的情况下,识别性能受到影响,存在运行耗时过多、计算复杂较高的问题。针对上述问题,提出了一种联合多尺度分块和协作表示的虹膜识别算法。通过将虹膜图像按照多个尺度大小分别进行均匀分块,从而达到有效地利用虹膜特征,然后分别对每个尺度下的虹膜图像子块进行基于协作表示的识别,以降低算法耗时,最后将识别结果通过贝叶斯融合方法得到最终的分类。实验结果表明,该算法对于虹膜样本集较少的问题,比原有的SRIR方法耗时低,识别率高,复杂度低。      

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。     

基于稀疏表示分类的路面裂缝检测和识别算法

针对传统检测算法普遍存在检测精度低、耗时长的问题,提出了一种基于稀疏表示分类的检测识别算法。该算法通过引入了稀疏表示分类器,选取有效的子块高阶矩特征对图像子块进行分类,避免了对图像进行预处理,简化了检测步骤;然后根据子块分类结果的映射编码识别裂缝类型。在实际采集的高速公路路面图像数据库上进行测试,实验结果表明该算法相比传统算法具有更高的识别精度和执行效率。     

改进的稀疏表示静止-视频人脸识别算法

静止-视频人脸识别是指训练集为高质量静止图像而测试集为低质量视频序列的一种身份识别技术。针对图像对齐困难和运动模糊问题,提出了一种改进的稀疏表示静止-视频人脸识别算法。根据梯度方差信息,实现了视频条件下人脸图像中几何特征的对齐。通过对图像进行多尺度滤波操作构造字典,解决了运动模糊问题。利用图像之间的互相关系数,提取了视频序列中的关键帧。实验结果表明,提出的算法较神经网络、支持向量机等方法有明显的性能改善。      

Gabor小波变换与图像分块的人脸识别算法研究

以二维Gabor小波变换提取人脸图像特征作为全局特征,对图像进行不等分块,人脸图像区域所在块加大权重,并提取每个子块的特征作为局部特征,对全局特征结合局部特征采用DCT进行降维处理,用支持向量机分类模型进行人脸识别。实验表明:与较同等分块的识别算法相比,该算法可提高人脸识别率。     

基于LBP的人脸识别技术设计与实现

传统人脸识别技术识别效率较低,不能得到科研人员的认证,提出了基于LBP的人脸识别技术设计。设计提取LBP子模式特征具体流程,可获取实际情况下的图像分成级数以及分解区域大小;根据子空间变换和子模式特征构造提取出多尺度LBP子模式特征;通过人脸特征匹配对多尺度各层LBP子模式特征进行加权,以此为基础对分类性能展开分析,完成人脸识别技术的设计。实验结论可知,该技术具有较高的识别效率。     

稀疏表示分类在SAR图像目标识别中的应用分析

文中研究了稀疏表示分类在合成孔径雷达(SAR)目标识别中的应用。稀疏表示分类是基于压缩感知理论的一种新的分类算法,近年来在人脸识别、遥感图像分类等领域得到广泛应用。文中对稀疏表示分类在SAR目标识别中的应用进行分析研究,介绍了稀疏表示的基本原理以及几种典型的稀疏系数求解算法。采用稀疏表示分类器对MSTAR数据集进行了目标识别实验,验证在SAR目标识别上的性能。     

基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别方法研究

遮挡条件下的鲁棒人脸识别,目前在人脸识别领域逐渐被重视,被认为是难点问题之一. 本文利用稀疏表示理论满足人眼视觉特性及神经信息有效表达,且跟人脸固有特征具有的自然性是相吻合的特点,研究了彩色人脸图像色度信息有效融合策略,采用同伦算法解决稀疏表示模型中的l1范数问题,提出了一种基于彩色信息融合和同伦算法的遮挡鲁棒人脸识别算法. 在AR数据库中的实验结果表明,与传统基于灰度转换方法人脸识别方法及SRC算法相比,本文所提基于同伦算法的稀疏表示人脸识别,具有很高的计算效率,而且有效融合了彩色信息,显著提高了在遮挡及非遮挡情况下人脸识别的效率及识别性能.      

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

Gist特征和概率协从表示的人脸识别算法

为了进一步提高基于协从表示的人脸识别系统的 性能,在概率协从表示(ProCRC)算法和字典学习的基础上提出了一 种基于Gist特征和ProCRC的GL-PCRC人脸识别算法。首先提取每副人脸图像的G ist特征,再把人脸图像的Gist 特征采用线性判别算法(LDA)方法投影到最优判别子空间,使得到的LDA特征拥有最小的类内 离散度以及最大的类间离散度;然后利用 LC-KSVD方法对LDA特征进行迭代训练从而得到新的学习字典;继而通过ProCRC算法快 速得到稀疏系数;最后通过计算测 试样本属于各个类别的概率进行分类。分别在ORL和扩展的YaleB人脸库上进行实验检测的 结果表明,与传统的协从表示方法 相比,本文给出的方案可以使人脸识别系统的性能得到显著的提升。     

一种基于E-HMM的选择性集成人脸识别算法

基于嵌入式隐马尔可夫模型(Embedded Hidden Markov Model, E-HMM)的人脸识别方法的识别性能依赖于模型参数的合理选择。提出了一种基于E-HMM的多模型选择性集成人脸识别算法,选择出个体精度高且互补性强的模型来进行集成的人脸识别。实验结果表明,与传统的基于E-HMM的人脸识别方法相比,新算法不仅可以获得更好、更稳定的识别效果,而且具有更强的泛化能力。     

融合协作表达和重构判别分析的数据降维算法

数据降维是处理高维数据的有效手段。子空间学 习算法由于其计算量小,性能较为出 色而广泛应用于模式识别等领域,传统的子空间学习算法均可归纳为图嵌入算法框架中。稀 疏表达是近年来的一个研究热点,并广泛应用于信号处理和模式识别等领域,但计算复杂度 较高。在稀疏表达的基础上,研究者提出了协作表达。相比稀疏表达,协作表达算法由于其 有一个闭式解,因而计算量较小且判别性能较好,可以看成是数据表达的一种有效方法。本 文从协作表达的角度来解释图嵌入算法,将图嵌入算法看作是一类回归模型。通过最小化类 内重构误差散度的同时最大化类间重构误差散度,提出了一种新的图嵌入算法,即重构判别 分析,并将它应用于该回归模型中,然后将问题归结为一广义的特征值问题,算法在某种程 度上能有效避免子空间学习过程中矩阵的奇异性问题。在人脸识别上的实验验证了算法的正 确性和有效性。     

一种多算法融合的人脸识别方法研究

针对人脸识别技术易受光照、姿态、表情等影响 ,为了增强人脸识别算法的鲁棒性,提出首先采用 LBP算法提取人脸图像的局部纹理特征,使用PCA算法将高维的空间人脸图像投影到低维的 特征空间,使 用LDA算法利用人脸类别标签信息寻找最优的投影向量,实现了人脸图像维度进一步地压缩 ,最后使用SVM 分类器分类匹配得到识别结果。分别使用ORL和Yale人脸数据库验证了算法的有效性,实 验结果表明,文 中该方法具有良好的识别性能,与其它的识别算法相比,识别率有了较大的提高。     

自适应核协同表示在SAR目标识别中的应用

针对合成孔径雷达(Synthetic Aperture Radar,SAR)目标识别中方位角差距大的训练样本之间存在干扰的问题,对传统协同表示字典进行了改进,得到更适应于当前测试样本且能够降低弱相关原子对系统影响的自适应字典,基于此提出了一种自适应原子选择的核函数变换协同表示算法,并在美国DARPA中的运动和静止目标获取与识别计划公开发布的SAR图像数据库上进行了验证实验.实验结果表明,相较于基于全部训练样本字典的核协同表示模型,基于自适应原子选择的核协同表示方法降低了干扰原子的不良影响,提高了对SAR目标识别的可靠性和鲁棒性.     

Sparse representation for face recognition by discriminative low-rank matrix recovery

This paper proposes a discriminative low-rank representation (DLRR) method for face recognition in which both the training and test samples are corrupted owing to variations in occlusion and disguise. The proposed method extends the sparse representation-based classification algorithm by incorporating the low-rank structure of data representation. The DLRR algorithm recovers a clean dictionary with enhanced discrimination ability from the corrupted training samples for sparse representation. Simultaneously, it learns a low-rank projection matrix to correct corrupted test samples by projecting them onto their corresponding underlying subspaces. The dictionary elements from different classes are encouraged to be as independent as possible by regularizing the structural incoherence of the original training samples. This leads to a compact representation of a corrected test sample by a linear combination of more dictionary elements from the corrected class. The experimental results on benchmark databases show the effectiveness and robustness of our face recognition technique.     

结合CNN不同层信息的全变量建模人脸特征表达学习方法

如何学习有效的人脸特征表达是人脸识别的关键性问题。现有基于卷积神经网络（Convolutional Neural Networks, CNN）的人脸深度特征表达学习方法大多在人脸图像经过了有效检测和校正的情况下，能够获得优异的性能，而在复杂场景下其推广性和鲁棒性受到极大限制。对此，本文提出了结合CNN不同层信息的全变量建模人脸特征表达学习方法，将提取的人脸局部深度特征中所包含的差异信息按照子空间进行建模，有效聚合局部深度特征的同时得到人脸在低维子空间的特征表达（iVector）。在IJB-A（IARPA Janus Benchmark A）上的实验结果表明，与现有的深度特征表达相比，该方法学习得到的人脸iVector表达能够显著提升人脸识别系统的识别性能和计算效率。