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。     

基于表情子空间多分类器集成的非特定人人脸表情识别

针对非特定人人脸表情平均识别率普遍不高（约65%）的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛（包括眉毛）和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。     

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。     

基于人脸识别技术的智能系统研究与开发

本文针对单人正面人脸图像的定位、特征提取以及识别的方法进行了研究,提出了结合人脸模板和人脸特征进行人脸检测的方法.利用已经定位的人脸图像,确定其眼睛、鼻部及嘴部的几何特征参数,并对实验人脸库进行监督下的分类和统计.在此基础上,实现了一个智能识别系统.     

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     

机器人系统中人脸特征提取技术的研究与实现

该文描述了在智能机器人系统中人脸特征提取技术的研究与实现,提出了一种新的并且在机器人系统中实现的人脸特征提取方法,该方法首先利用基于Adaboost的人脸检测算法对采集到的原始图像进行人脸检测,从而得到人脸图像;然后让人脸图像通过一个空间掩模滤波器,去除图像中明显非人脸特征的区域,再经过二值化后得到二值化图像;将二值化图像与一个矩形模板相卷积,得到卷积值与模板索引数的二维曲线图,在二维曲线图中,最高的两个峰就分别对应了眼睛和眉毛,再根据人脸特征几何分布关系判断出眼睛,眉毛和嘴,从而得到最终的人脸特征.该方法检测率高,计算量小,实时性很强,满足了机器人系统中资源有限的约束条件.     

人脸图像的特征提取

人脸识别的研究是模式识别和人工智能领域内的重要课题,有着十分广泛的应用前景。人脸特征的自动提取是人脸自动识别过程中至关重要的一个环节。主要就基于积分投影的人脸图像的特征提取、基于奇异值分解的特征提取及小波特征提取等几种较好方法进行研究。基于积分投影的人脸图像特征点的提取方法对人脸进行定位特别精确。基于小波分解频谱性分析的人脸特征提取极大减少了图像的存储空间和计算复杂度。基于SVD分解的特征提取处理后的正确率很高,计算复杂度也低。     

人脸图像的特征提取

人脸识别的研究是模式识别和人工智能领域内的重要课题，有着十分广泛的应用前景。人脸特征的自动提取是人脸自动识别过程中至关重要的一个环节。主要就基于积分投影的人脸图像的特征提取、基于奇异值分解的特征提取及小波特征提取等几种较好方法进行研究。基于积分投影的人脸图像特征点的提取方法对人脸进行定位特别精确。基于小波分解频谱性分析的人脸特征提取极大减少了图像的存储空间和计算复杂度。基于SVD分解的特征提取处理后的正确率很高，计算复杂度也低。     

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORI, YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%.     

基于主元分析的人脸特征提取MATLAB实现

人脸的特征提取是人脸识别的关键技术,采用主元分析法进行特征提取是经典的方法之一,利用M at-lab进行人脸的特征提取能显著地提高计算效率。论述了利用主元分析和奇异值分解进行人脸特征提取的方法,并详细阐述其在M atlab中的实现过程,包括读取图像文件、计算均值脸、求特征值和特征向量,计算人脸特征参数。实现过程均给出了M atlab代码。实践证明利用M atlab进行主元分析提取特征是一种有效的方法。     

Face recognition/detection by probabilistic decision-based neuralnetwork

This paper proposes a face recognition system, based on probabilistic decision-based neural networks (PDBNN). With technological advance on microelectronic and vision system, high performance automatic techniques on biometric recognition are now becoming economically feasible. Among all the biometric identification methods, face recognition has attracted much attention in recent years because it has potential to be most nonintrusive and user-friendly. The PDBNN face recognition system consists of three modules: First, a face detector finds the location of a human face in an image. Then an eye localizer determines the positions of both eyes in order to generate meaningful feature vectors. The facial region proposed contains eyebrows, eyes, and nose, but excluding mouth (eye-glasses will be allowed). Lastly, the third module is a face recognizer. The PDBNN can be effectively applied to all the three modules. It adopts a hierarchical network structures with nonlinear basis functions and a competitive credit-assignment scheme. The paper demonstrates a successful application of PDBNN to face recognition applications on two public (FERET and ORL) and one in-house (SCR) databases. Regarding the performance, experimental results on three different databases such as recognition accuracies as well as false rejection and false acceptance rates are elaborated. As to the processing speed, the whole recognition process (including PDBNN processing for eye localization, feature extraction, and classification) consumes approximately one second on Sparc10, without using hardware accelerator or co-processor.     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。     

基于人脸识别的考勤系统的设计与研究

通过研究人脸识别,设计出一套用于考勤的系统。基于人脸识别的考勤系统中最主要的就是人脸识别;首先对通过摄像头拍摄获取的原始人脸图片进行图像预处理;然后通过对人脸的眼睛、鼻子和嘴巴的定位实现人脸定位;在定位后的人脸图片中将眼睛、鼻子、嘴巴的特征值提取出来;最后通过图片中提取的特征值和后台人脸特征数据库中的值进行比较来完成人脸的识别功能。     

Application of semantic features in face recognition

We propose a new face recognition strategy, which integrates the extraction of semantic features from faces with tensor subspace analysis. The semantic features consist of the eyes and mouth, plus the region outlined by the centers of the three components. A new objective function is generated to fuse the semantic and tensor models for finding similarity between a face and its counterpart in the database. Furthermore, singular value decomposition is used to solve the eigenvector problem in the tensor subspace analysis and to project the geometrical properties to the face manifold. Experimental results demonstrate that the proposed semantic feature-based face recognition algorithm has favorable performance with more accurate convergence and less computational efforts.     

基于奇异值分解和径向基函数神经网络的人脸识别算法研究

提出一种基于奇异值分解和径向基函数神经网络的人脸特征提取与识别方法,来解决人脸识别中的高维、小样本问题。该方法采用奇异值分解、奇异值降维压缩、奇异值矢量标准化和奇异值矢量排序,最后得到用于识别的奇异值特征矢量。运用基于径向基函数神经网络分类器进行人脸分类识别。在ORL数据库上进行实验和数据分析表明,该方法无论是在分类的错误率上还是在学习的效率上都能表现出极好的性能。     

一种基于块共同特征值的人脸识别方法

主成分分析与线性判别分析是人脸识别的重要识别方法,它们都通过求解特征值问题实现特征提取,但由于维数灾难会导致小样本和奇异性问题。提出了一种简单的人脸识别方法,无需进行奇异值分解,能有效地降低计算代价。首先将图像划分成块,然后计算多项式系数,得到友阵用于特征提取。基于两张不同图像的多项式系数友阵来计算对称阵。最后通过计算对称阵的零空间的零化度识别相似的人脸图像。为验证提出方法的有效性,在ORL、Yale和FERET人脸数据库上进行了实验。结果表明,该方法对于有较大姿态与光照变化的人脸识别具有较高的识别性能。     

基于混合特征提取的人脸情感识别研究

为了提高特征提取环节对表情识别率的影响,文中采用活动外观模型（AAM）提取整体形变信息,对眉毛及眼睛区域采用Gabor小波变换提取纹理信息,对嘴巴区域采用模板匹配法获取嘴部纹理信息,然后对提取的各个特征采用离散的隐马尔科夫模型得出6种表情概率,在识别阶段根据每个特征对6种表情的贡献权值分别进行特征加权融合,最后选择最大概率的表情作为表情识别结果。通过对10位女性6种表情图像进行训练实验,该方法有着良好的识别率。     

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SVM和D-S理论的三维人脸识别

针对三维人脸识别算法中的高精度分类器设计问题,采用人脸全局特征和局部特征共四个相互独立的多特征信息分类后进行D-S数据融合技术来实现。通过SVM分类器对三维人脸图像中相互独立的全局特征（面廓）和局部特征（眼睛、鼻子和嘴）共四个特征进行一对一的单特征识别,并将其结果进行数据归一化处理后,作为D-S证据理论的BPA,按照D-S理论融合全局特征和局部特征数据,计算出更加准确的识别结果。经过融合数据结果分析,发现该算法可靠有效,大大提高了三维人脸的识别效率。