基于样本扩张和最大散度差融合的单样本人脸识别算法

为解决只有一个训练样本时最大散度差(MSD) 鉴别分析在人脸识别中的识别性能会降低这一问题,提 出一种基于样本扩张和MSD融合的单样本人脸识别算法。首先,根据人脸的对称相似理论 ,人脸样本的相关变化信息可 以从它的对称脸上提取,并且平均脸也具有要识别测试人脸的某些可能变化,提出组合原始 训练样本及它的虚 拟平均脸和虚拟对称脸作为新的训练样本集;然后,在新的训练样本集上应用类内中间值MS D鉴别分析算法得到最 优投影矩阵,从而可以基于这个最优投影矩阵计算训练样本和待测试样本的特征;最后利用 模糊决策方法进行分类。在ORL和FERET人脸数据库上的大量实验结果表明,本文算法可以提 高识别率,具有一定的鲁棒性。     

核判别保局投影的人脸识别算法

针对人脸识别中的特征提取问题,提出了核判别保局投影算法,即KDLPP.该算法通过核技巧将人脸样本映射到高维空间,在高维空间中有效地结合人脸局部的流形结构和人脸的判别信息构建了新的目标函数,其优点是在保持人脸流形结构的基础上,充分利用了样本的类别信息,并采用核方法提取了人脸的非线性特征.在ORL和UMIST人脸库上的实验...     

基于核的正交局部保持投影的人脸识别

针对发掘人脸图像中的高维非线性结构,本文将加核及向量间相互正交两种思想同时引入局部保留投影算法中,提出了一种新的基于核的正交局部保持投影(Kernel based Orthogonal Locality Preserving Projections, KOLPP)的非线性子空间人脸识别算法并给出了其推导过程。该算法首先利用核的方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,在保证各向量正交的同时,通过局部保持投影算法做一线性映射,从而更好地提取人脸非线性局部邻域结构特征。在ORL和Yale人脸库上的试验证明了该文所提算法的有效性。     

多核学习融合局部和全局特征的人脸识别算法

提出一种基于词袋模型的新的人脸识别算法.该方法将词袋模型和词袋模型的全局模式分别作为人脸图像的局部特征和全局特征描述,最后使用多核学习方法将二者进行融合.AR、FERET、CMU PIE以及LFW公开人脸数据库上的实验结果表明,本文方法能够更好的解决小样本问题,并且对人脸的表情变化、姿态变化以及面部遮挡具有更优良的鲁棒性.     

基于多分类投影极速学习机的快速人脸识别方法

提出了一种基于多分类投影极速学习机的快速人脸识别方法.首先采用2DGabor小波提取所有人脸样本图像的人脸特征,然后将学习样本的人脸特征用于训练多分类投影向量机,最后将训练好的多分类投影极速学习机用于分类.采用CMU-PIE和ORL人脸数据库进行了对比实验,大量实验结果证实所提方法的识别正确率和速度均优于极速学习机和支持向量机方法.     

应用特征串行融合的人脸识别算法

针对光照和姿态变化对人脸识别性能的影响,文章提出一种融合局部特征和全局特征的人脸识别算法。该算法首先对图像作Gabor变换,提取局部特征,再对图像作奇异值分解,提取全局特征,然后将全局特征和局部特征串行融合作为图像的特征,最后运用最近邻分类方法得出识别结果。在ORL标准人脸库上的实验结果表明,该算法能够有效消除光照和姿态变化对人脸识别效果的影响。     

基于Gabor和核监督局部保持投影的单样本人脸识别算法

针对目前主流人脸识别算法,在单样本条件下,当性能严重下降根本无法工作时,提出了一种结合Gabor和核监督局部保持投影的单样本人脸识别算法.选取数据库中中性表情的近正面人脸图像作为训练样本,通过几何变换产生15幅虚拟样本,对每幅样本图像提取Gabor特征,采用核监督局部保持投影方法进行特征提取,欧氏距离最近邻分类器进行分类.根据ORL数据库、Yale数据库和FERET数据库上的实验结果表明,核监督局部保持投影(GKSLPP)算法具有较好的识别效果.     

一种基于复数域中二维特征提取的人脸识别方法

该文提出了一种新的基于复数域中的二维特征提取方法进行人脸识别。该方法首先对人脸样本进行镜像变换,根据原始人脸样本和相应的镜像样本分别计算偶对称样本和奇对称样本,通过奇偶加权因子将偶对称样本与奇对称样本组成复数样本,然后在复数域中分别定义复图像类内散布矩阵和复图像类间散布矩阵,并求解一组最优复投影轴,将复人脸样本投影到这组最优复投影轴上来提取人脸特征,最后采用最近邻距离分类器来分类所提取的特征。该方法在NUST603人脸图像库中进行了实验,实验结果表明该方法获得了较好的识别效果。     

一种基于全局和局部特征的LBP算法应用

提出一种基于全局和局部特征的LBP人脸识别算法。首先将人脸图像进行LBP提取全局直方图特征,再将图像分块,提取每块的LBP局部直方图特征,最后将全局和局部特征按一定的顺序相结合作为图像的总体特征。然后通过RBF神经网络进行分类识别。在ORL人脸库上的实验结果表明,该算法具有较高的识别率。     

基于小波分析与KFisher的人脸与虹膜融合和识别

小波变换将样本图像分解为低频分量和高频分量,去除其高频分量,用低频分量来做人脸识别能有效削弱光照的影响;核方法可以将非线性可分的低维样本空间变换为线性可分的高维空间;人脸与虹膜融合包含更多有用的鉴别信息。因此,先用离散小波变换（DWT）分别获取人脸与虹膜的低频分量;然后,核Fisher辨别分析（KFDA）提取人脸与虹膜融合后的KFDA特征;最后,采用最小距离分类器（KNN）完成识别。基于ORL人脸数据库与CASIA虹膜数据库的实验结果表明,该方法实现了人脸与虹膜的特征融合识别,有效地提高了识别率,克服了Fisher算法的＂小样本＂效应,为多生物特征身份识别提供了一种新途径。     

一种基于视觉词袋模型的人脸识别方法

针对人脸图像因受表情、光照、角度等因素影响,导致人脸识别率较低的状况,提出了一种基于视觉词袋模型的人脸识别方法。该方法首先对图像进行分块并提取局部特征,其次利用训练样本的所有局部特征训练全局的混合高斯模型,然后以此为初始化训练单张图像的混合高斯模型,生成该图像全局特征向量,最后用PLDA进行人脸识别。通过在LFW数据库上进行实验,结果显示本方法的识别率高于传统的特征提取方法,证明了本方法具有更强的识别性能。     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。     

融合整体和局部信息的三维人脸识别

针对三维人脸识别中单一特征信息不足,采用一种基于整体信息和局部信息相融合的识别算法,以提高识别率。首先将预处理的三维点云用多层次B样条曲面拟合,获取精确的人脸曲面拟合函数,将控制点映射为深度图像,并根据人脸曲面函数和生理特征提取过鼻尖的中分轮廓线和水平轮廓线;其次对深度图像采用二维主元分析(2D-PCA)算法提取整体信息,对轮廓线采用改进的ICP算法匹配,作为局部信息;最后用加权求和法在决策级进行信息融合。采用CASIA3D人脸库完成识别测试,实验结果表明,本文算法明显优于单一特征信息下识别算法,且对姿态有较好的鲁棒性,同时不增加算法复杂度。     

一种融合Gabor+SIFT特征的人脸识别算法

姿态变化和光照干扰对于人脸识别的准确率和效率有很大影响。针对这一问题,文中采用结合Gabor特征和SIFT特征的人脸识别方法进行识别,提取一幅人脸图像的多个方向和多个尺度的Gabor特征,并将提取得到的Gabor特征图像进行分块。对分块后的子图像进行提取SIFT特征的操作,将得到的Gabor特征全部SIFT向量级联作为最终特征向量。使用主成分分析方法对得到的最终特征向量进行降维处理,随后使用最小二乘支持向量机进行训练识别。在FERET人脸数据库中进行的实验结果表明,相对于传统单一的人脸识别方法,利用本文方法在姿态变化和光照干扰情况下对人脸识别的准确率达到98.1%,证明了新算法的有效性。     

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别

针对传统人脸识别算法特征提取不充分和对噪声敏感的缺点,提出了一种基于显著性差值局 部定向模式(SDLDP) 和深度卷积网络(DCNN)的人脸识别算法。基于信息的显著性,提出一种改进的SDLDP人脸描 述方法,首先计算8个相邻边缘响应值的强度差,前k个最突出的 强度差对应的方向编码为1,其他方向编码为0;然后在利用局部井型领域梯度信息的基础上 ,使用两组梯度值中各自最大值和次大值的方向编码成一个二位八进制数,从而形成改进 的SDLDP编码,进而通过统计选出最具有显著性的SDLDP编码作为特征向量;最后将改进的SD LDP编码作为DCNN的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网 络对测试样本进行预测。仿真实验表明,相对于传统的人脸识别算法,本文算法的识别率高 ,并且在对抗噪声方面更具有鲁棒性。     

基于吸引模式的局部二阶梯度轮廓人脸识别算法

针对现有LDP类算法在特征提取有效性和特征编码稳定性之间难以平衡的问题,提出一种吸引局部二阶梯度轮廓（ALSGC）模式,以提升人脸识别性能。首先,利用Kirsch算子计算人脸的邻域边缘响应图;其次,引入吸引描述子,参考边缘响应图的局部、全局平均灰度值和邻域中心灰度值完成局部吸引模式编码;再次,遍历整幅图像,得到人脸ALSGC特征图并对ALSGC特征图分块分别计算,得到各个分块中不同模式的统计直方图;最后,级联所有分块的统计直方图后生成对应的特征向量,以支持向量机完成分类识别。所提算法克服了LBP、LDP、LDN等算法提取一阶特征有效性的不足,以及DLDP、CSLDP、GCSLDP等算法提取的二阶特征对表情、姿态、饰物遮挡、光照、随机噪声等变化敏感的缺点,较好地实现了特征提取有效性与特征编码稳定性的平衡,兼顾了识别率和稳健性。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。