基于模糊积分的不完全小波包子空间集成人脸识别

提出一种基于模糊积分的不完全小波包子空间集成人脸识别方法,并与五种相关方法进行实验比较.首先对人脸图像做不完全小波包分解,对双向低频子空间图像直接进行特征提取,对含有一个方向低频成分的高频子空间图像先求平均,再进行提取特征;然后用得到的不同子空间图像训练模糊分类器;最后用模糊积分融合训练的模糊分类器.该方法能够充分利用不同频率小波子空间图像中包含的有用信息,从而提高人脸识别的精度.在ORL、YALE、JAFFE和FERET这4个人脸数据库上进行实验,实验结果表明该方法在识别精度方面均优于五种相关方法.     

基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络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,将人脸图像在特征空间的投影作为BP神经网络的输入,由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.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,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿，然后用小波变换的方法提取人脸图像的低频子带，再用PCA方法提取特征分量，并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。     

基于卷积神经网络的人脸信息增强识别研究

在采集人脸图像时,图像存在模糊性较大或者姿态变化幅度较大等问题,人脸准确识别的精度不高,为了提高人脸识别的准确率,提出一种基于卷积神经网络的信息增强的人脸识别算法。对采集的模糊人脸图像进行小波降噪处理,对降噪输出的图像进行自适应模板匹配,结合图像分割方法对人脸图像进行分块,利用Radon尺度变换的几何特征不变性对人脸的关键特征点进行信息增强,采用卷积神经网络分类器对增强的人脸特征点进行分类,实现特征点优化提取和人脸准确辨识。仿真结果表明,采用该方法进行人脸识别的准确性较好,且能满足大批量样本人脸快速识别的应用需求。     

基于改进主动外观模型的人脸识别算法研究

提出一种基于改进主动外观模型AAM(Active appearance model)方法的人脸识别方法。先采用平移不变小波分解图像获得低频系数,把低频系数作为图像的纹理表示,能更充分表征人脸面部的纹理特征。然后采用增量子空间学习算法更新训练样本的特征空间,通过实时对模型的更新和学习,实时更新特征空间更有效地描述样本图像间的相似性或差异性。最后把提取的面部特征点信息作为每个人脸的特征向量,根据最近邻分类器进行人脸识别验证。实验结果证明了该改进方法的有效性。     

基于线性判别回归的最近-最远子空间分类鲁棒人脸识别

针对人脸识别中小样本问题导致类依赖子空间不完善而严重影响识别性能的问题,提出一种基于线性判别回归的最近-最远子空间分类算法。首先,基于线性判别回归,利用最近子空间分类器度量测试图像与单一类之间的关系;然后,利用所提出的最远子空间分类器度量测试图像与训练图像之间的关系;最后,结合最近、最远子空间分类器,利用类依赖子空间的不同特性完成人脸的分类识别。在三个公开的人脸数据库ORL、AR及扩展Yale B上的实验验证了该算法的有效性。实验结果表明,相比其他几种分类算法,该算法取得了更好的识别效果。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于Gabor小波的人脸检测

提出了一种新的正面人脸检测算法。该方法组合了Gabor小波变换、输入图像的Gabor特征分析和Bayes分类器来进行正面人脸检测。对训练集的平均脸作Gabor小波变换得到40个投影向量；通过计算输入图像和这40个投影向量间的内积来提取图像的Gabor特征向量；训练Bayes分类器来进行正面人脸检测。实验结果表明，该算法的计算效率和检测精度均优于特征脸方法。     

结构化低秩字典学习的人脸识别

目的 现实中采集到的人脸图像通常受到光照、遮挡等环境因素的影响,使得同一类的人脸图像具有不同程度的差异性,不同类的人脸图像又具有不同程度的相似性,这极大地影响了人脸识别的准确性。为了解决上述问题对人脸识别造成的影响,在低秩矩阵恢复理论的基础上提出了具有识别力的结构化低秩字典学习的人脸识别算法。方法 该算法基于训练样本的标签信息将低秩正则化以及结构化稀疏同时引入到学习的具有识别力的字典上。在字典学习过程中,首先利用样本的重建误差约束样本与字典之间的关系;其次将Fisher准则应用到稀疏编码过程中,使其编码系数具有识别能力;由于训练样本中的噪声信息会影响字典的识别力,所以在低秩矩阵恢复理论的基础上将低秩正则化应用到字典学习过程中;接着,在字典学习过程中加入了结构化稀疏使其不丢失结构信息以保证对样本进行最优分类;最后再利用误差重构法对测试样本进行分类识别。结果 本文算法在AR以及ORL人脸数据库上分别进行了实验仿真。在AR人脸数据库中,为了分析样本不同维数对实验结果造成的影响,选取了第一时期拍摄的每人6幅图像,包括1幅围巾遮挡,2幅墨镜遮挡以及3幅脸部表情变化以及光照变化（未被遮挡）的图像作为训练样本,同时选取相同组合的样本图像作为测试样本,无论哪种方法,图像的维度越高识别率越高。对比SRC （sparse representation based on classification）算法与DKSVD （discriminative K-means singular value decomposition）算法的识别率可知,DKSVD算法通过字典学习减缓了训练样本中的不确定因素对识别结果的影响;对比DLRD_SR （discriminative low-rank dictionary learning for sparse representation）算法与FDDL （Fisher discriminative dictionary learning）算法的识别率可知,当图像有遮挡等噪声信息存在时,字典低秩化可以提高至少5.8%的识别率;对比本文算法与DLRD_SR算法可知,在字典学习的过程中加入Fisher准则后识别率显著提高,同时理想稀疏值能保证对样本进行最优的分类。当样本图像的维度达到500维时人脸图像在有围巾、墨镜遮挡的情况下识别率可达到85.2%;其中墨镜和围巾的遮挡程度分别可以看成是人脸图像的20%和40%,为了验证本文算法在不同脸部表情变化、光照改变以及遮挡情况下的有效性,根据训练样本的具体图像组合情况进行实验。无论哪种样本图像组合,本文算法在有遮挡存在的样本识别中具有显著优势。在训练样本只包含脸部表情变化、光照变化以及墨镜遮挡图像的情况下,本文算法的识别率高于其他算法至少2.7%,在训练样本只包含脸部表情变化、光照变化以及围巾遮挡图像的情况下,本文算法的识别率高于其他算法至少3.6%,在训练样本包含脸部表情变化、光照变化、围巾遮挡以及墨镜遮挡图像的情况下,其识别率高于其他算法至少1.9%。在ORL人脸数据库中,人脸图像在无遮挡的情况下识别率达到95.2%,稍低于FDDL算法的识别率;在随机块遮挡程度达到20%时,相比较于SRC算法、DKSVD算法、FDDL算法以及DLRD_SR算法,本文算法的识别率最高;当随机块遮挡程度达到50%时,以上算法的识别率均不高,但本文算法的其识别率仍然最高。结论 本文算法在人脸图像受到遮挡等因素的影响时具有一定的鲁棒性,实验结果表明该算法在人脸识别方面具有可行性。     

基于遗传算法和模糊积分的多分类器集成

多分类器联合是解决复杂模式识别问题的有效办法。模糊积分是其中一种多分类器联合方法。但是对于模糊积分。如何计算模糊积分密度是一个尚未解决的问题。本文提出了一种基于模糊积分和遗传算法的分类器集成方法，该方法利用遗传算法计算模糊积分密度函数，再利用模糊积分把分类器输出信息联合起来。实验结果表明，该方法比其他方法能够得到更好的识别性能。     

Akin-based Orthogonal Space (AOS): a subspace learning method for face recognition

A projection learning space is an approach to mapping a high-dimensional vector space to a lower dimensional vector space. In this paper, we proposed an algorithm, namely, AOS: Akin based Orthogonal Space. The algorithm is driven with two major targets - (i) to choose most representative image(s) from a group of face images of an individual, (ii) finally to produce a learning space which follows a Gaussian distribution to reduce the influence of grosses like non-Gaussianly distributed data noises, variations in facial expression and illumination. To improve the recognition performance, we proposed another approach i.e. fusion between AOS features and a custom VGG features. We justify the effectiveness of the proposed approaches over five benchmark face datasets using two classifiers. Experimental results show that the proposed learning algorithm has obtained maximum of 92.22% recognition rate, as well deep learning based fusion approch greatly improves the recognition accuracy. The comparative performances demonstrate that the proposed method could significantly outperform other relevant subspace learning methods.

     

一种新的多人脸检测方法研究

自动人脸检测是人脸识别系统的一个重要部分,本文提出了一种新的基于独立成分分析（ICA）和多项式神经网络（PNN）相结合的人脸检测方法,该方法首先在训练样本中使用ICA分离出代表人脸和非人脸特征子空间的独立影像基,把训练图像映射到该子空间降维后作为PNN网络的输入训练网络;对测试图像采用移动多尺度窗口提取图像模式,采用ICA降维后输入PNN网络,进而分类检测出人脸和非人脸。算法通过CMU-MIT的复杂背景人脸库中的多人脸图像进行实验,得到很高的检测率和较低的误检率.     

基于最近特征线的二维非参数化判别分析算法

提出一种基于最近特征线(NFL)的二维非参数化判别分析算法,用于人脸识别等模式分类问题。该算法在子空间学习阶段运用NFL思想计算训练集中各样例的最近特征距离,计算得到低维投影空间,在低维投影空间中进行分类。通过ORL标准人脸数据库进行实验,结果表明该算法的鲁棒性优于传统算法。     

Image retrieval based on incremental subspace learning

Many problems in information processing involve some form of dimensionality reduction, such as face recognition, image/text retrieval, data visualization, etc. The typical linear dimensionality reduction algorithms include principal component analysis (PCA), random projection, locality-preserving projection (LPP), etc. These techniques are generally unsupervised which allows them to model data in the absence of labels or categories. In this paper, we propose a semi-supervised subspace learning algorithm for image retrieval. In relevance feedback-driven image retrieval system, the user-provided information can be used to better describe the intrinsic semantic relationships between images. Our algorithm is fundamentally based on LPP which can incorporate user's relevance feedbacks. As the user's feedbacks are accumulated, we can ultimately obtain a semantic subspace in which different semantic classes can be best separated and the retrieval performance can be enhanced. We compared our proposed algorithm to PCA and the standard LPP. Experimental results on a large collection of images have shown the effectiveness and efficiency of our proposed algorithm.     

基于样本扩张和双子空间决策融合的单样本人脸识别算法

对基于滑动窗口进行样本扩充的单样本人脸识别方法进行了改进,改进后算法一方面在识别阶段采用了比原算法更少的特征,提高了识别的时间效率;另一方面在训练阶段获得原始样本的镜像样本作为附加的训练、注册集合,通过学习训练形成双子空间,识别结果由双子空间通过决策融合得到,提高了对测试样本变化的鲁棒性。在ORL人脸库和Feret子集人脸库上的实验表明,该算法在识别率上优于同类算法。     

局部非参数子空间分析在人脸识别中的应用

提出了一种局部非参数子空间分析算法（Local Nonparametric Subspace Analysis,LNSA）,将其应用在人脸识别中。LNSA算法结合了非参数子空间算法（Nonparametric Subspace Analysis,NSA）与局部保留投影算法（Locality Preserving Projection,LPP）。它利用LPP算法中的相似度矩阵重构NSA的类内散度矩阵,使得在最大化类间散度矩阵的同时保留了类的局部结构。在ORL人脸库和XM2VTS人脸库上作了实验并证明LNSA方法要优于其他方法。     

Face recognition based on dictionary learning and subspace learning

Dictionary learning plays an important role in sparse representation based face recognition. Many dictionary learning algorithms have been successfully applied to face recognition. However, for corrupted data because of noise or face variations (e.g. occlusion and large pose variation), their performances decline due to the disparity between domains. In this paper, we propose a face recognition algorithm based on dictionary learning and subspace learning (DLSL). In DLSL, a new subspace learning algorithm (SL) is proposed by using sparse constraint, low-rank technology and our label relaxation model to reduce the disparity between domains. Meanwhile, we propose a high-performance dictionary learning algorithm (HPDL) by constructing the embedding term, non-local self-similarity term, and time complexity drop term. In the obtained subspace, we use HPDL to classify these mapped test samples. DLSL is compared with other 28 algorithms on FRGC, LFW, CVL, Yale B and AR face databases. Experimental results show that DLSL achieves better performance than those 28 algorithms, including many state-of-the-art algorithms, such as recurrent regression neural network (RRNN), multimodal deep face recognition (MDFR) and projective low-rank representation (PLR).     

改进随机子空间LDA结合多补丁集成学习的鲁棒人脸识别算法

针对化妆对人脸识别准确率的负面影响,提出了基于补丁集成学习的改进鲁棒人脸识别算法。首先,将每张人脸图像嵌入补丁中并用一组特征描述符描述每个补丁,即本地梯度Gabor模式(LGP)、Gabor空间定序定比测量直方图(HGSFRM)和密集采样局部多值模式(DSLMP )。然后,使用改进的随机子空间线性判别分析(SRS-LDA)方法采样补丁,并在化妆之前和化妆之后图像之间建立多个公共子空间进行集成学习。最后,利用协作和稀疏表示分类器比较这个子空间中的特征向量,同时通过求和规则联合得到的分数。实验将提出的算法在多种化妆数据集上进行评估分析,结果表明提出的算法相比于其他专为妆后人脸识别设计的算法有更高的识别精度。