基于单演主方向中心对称局部二值模式的单样本人脸识别

本文针对单样本情况下传统人脸识别方法在姿态、表情和光照等变化下识别效果不佳的问题,提出一种基于单演主方向中心对称局部二值模式的单样本人脸识别模式的单样本人脸识别算法.首先用多尺度的单演滤波器提取人脸图像单演局部幅值和局部方向信息,并求取主方向,生成主方向模式图;然后用CS-LBP算子进行编码,得到特征;最后对不同单演尺度空间中的特征分块统计特征直方图并运用直方图相交进行分类识别.在AR、Extend Yale B人脸数据库的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.     

基于LMSRBP和软直方图交的人脸表示与识别算法

针对传统局部二进制模式(LBP)存在的固有缺陷,即小尺度LBP算子无法反应人脸图像的宏观特征,大尺度LBP算子特征维数通常很高,提出一种局部多尺度多分辨率二进制模式(LMSRBP)的人脸表示算法。通过使用高斯金字塔得到一系列不同尺度不同分辨率的人脸图像,然后对这些图像使用同种LBP算子得到LMSRBP特征谱。该方法在不改变特征维数的情况下,能同时提取出图像的微观和宏观特征。在分类器设计方面,考虑不同面部区域对识别贡献不同的问题,提出软直方图交方法构建多弱分类器,最后集成所有弱分类器得到识别结果。在YaleB,ORL标准人脸库上的实验结果表明,该改进算法能显著提高人脸识别率。     

一种基于中值思想的改进人脸识别方法

主成分分析(PCA)是一种经典算法,可用于人脸识别系统。它基于降维的方法提取样本人脸图像中的主要成分,并将待识别的人脸图像映射到训练集中,经比对后得出识别结果。但在此基本方法中光照变化是影响判别结果的一个重要因素。为克服此问题,在此提出一种新方法,即首先基于中值思想得出较局部二值模式改进的灰度图像,然后借助主成分分析思想去除一些冗余特征,并且再次用PCA算法对图像进行识别。     

基于SLBP深度信念网络的人脸识别研究

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题,提出一种基于局部纹理特征的显著局部二值模式(SLBP)和深度学习的人脸识别方法。首先,利用改进的SLBP算法提取人脸图像局部纹理特征,建立SLBP直方图;然后构建基于深度信念网络的深度学习架构,将SLBP直方图输入到深度信念网络中,采用无监督逐层训练法和有监督BP算法去训练网络,实现网络的自学习和自优化,得到网络参数;最后,利用DBN分类、识别人脸图像。仿真实验证实,所提人脸识别方法在识别率和鲁棒性方面优于传统人脸识别方法。     

改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。     

基于Gabor小波和改进2DPCA的人脸识别方法

在人脸识别中,一般传统方法先用Gabor小波变换提取人脸特征后直接进行主成分分析(PCA)会遇到计算量过大,识别率不高等问题。为了克服这些影响,本文提出先对人脸进行2DGabor小波变换提取人脸特征,再用改进的2DPCA(二维主成分分析)进行降维处理,最后用最近邻法进行分类识别。在ORL人脸库上进行实验,该方法明显优于传统的2DGabor+PCA等算法。     

基于局部二元模式的快速红外人脸识别系统

红外人脸成像具有对光照、人脸皮肤、表情、姿态等因素变化不敏感的特点,可以在一定程度上弥补这些因素对可见光人脸识别影响的不足。为了充分提取红外人的局部鉴别特征,文中提出了一个基于局部二元模式的快速红外人脸识别系统。该系统首先通过thermoVision A40型红外热像仪获分辨率为320240的红外人脸图像,并通过人脸检测和归一化方法提取大小为6080的标准红外人脸图像。其次,基于人脸图像的对称性,将红外人脸图像分块。通过局部二元模式直方图提取每一分块所包含的纹理模式特征。最后,采用Kruskal-Wallis（KW）特征选择算法,进一步抽取对识别有贡献的局部纹理特征用于分类识别。实验结果表明:提出的热红外人脸系统识别率明显优于基于主成分分析（PCA）和线性鉴别分析（LDA）的传统红外人脸识别系统,可以达到98.6%的识别率。与此同时,提出的红外人脸识别系统识别速度也快于传统基于PCA和LDA系统,可以广泛应用于实时人脸识别中。     

基于智能视觉的动态人脸跟踪

传统方法中对动态人脸识别采用的是单演局部主方向编码识别,通过分块子模式的加权融合进行人脸特征提取,因为人脸表情和姿态变化会导致识别结果出现误差。在智能视觉模式下,提出一种基于信息熵子模式主成分分析的动态人脸跟踪识别方法。基于特征状态空间重构方法,将人脸图像分成大小相等的子模块,对子模块进行信息熵特征提取,采用主成分分析方法进行人脸特征分类。仿真结果表明,采用该算法进行动态人脸跟踪识别,能有效实现人脸表情动态跟踪,人脸识别性能较好、精度较高,性能优于传统算法。     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

Perfect histogram matching PCA for face recognition

We present an enhanced principal component analysis (PCA) algorithm for improving rate of face recognition. The proposed pre-processing method, termed as perfect histogram matching, modifies the image histogram to match a Gaussian shaped tonal distribution in the face images such that spatially the entire set of face images presents similar facial gray-level intensities while the face content in the frequency domain remains mostly unaltered. Computationally inexpensive, the perfect histogram matching algorithm proves to yield superior results when applied as a pre-processing module prior to the conventional PCA algorithm for face recognition. Experimental results are presented to demonstrate effectiveness of the technique.     

基于线性和非线性算法的高效人脸识别系统

文中提出了一种基于外观的线性和非线性人脸识别方法,所用的线性算法有主成分分析(PCA)和线性判别分析(LDA)。两种非线性方法分别是核主成分分析(KPCA)及核费希尔分析(KFA),线性降维投影方法基于二阶相依性编码模式信息,非线性方法用于处理三个或更多像素之间的关系。首先通过Gabor对图片进行预处理,然后采用线性、非线性分析进行降维。通过马哈利诺比斯-余弦(Mahcos)度量用于定义两幅图像通过相应的降维技术后的相似性度量。实验表明,当与Gabor小波一同使用时,LDA和KFA的性能最高,分别为CMC和ROC结果的93.33%。通过对AT&T数据库400幅图像的综合分析,发现线性和非线性算法的性能受图像分类数目、图像预处理及识别测试集的人脸图像数目的影响。     

应用空间金字塔池化LBP特征的舰船检测识别

传统LBP特征进行目标识别主要依靠局部图像LBP特征直方图来实现,通常只能满足小邻域内小量采样点计算LBP特征的情况。当需要计算像素在更大空间邻域更多采样点的对比纹理特征时,直方图特征的维度将会造成维数灾难。本文提出应用空间金字塔池化方式对LBP特征进行池化,并在LBP特征计算过程中采用多种邻域尺度和不同采样点数量,充分挖掘不同尺度下图像的纹理特征,从而建立完备的图像描述特征。在利用支持向量机或其他训练网络进行识别模板训练时,需要输入特征集具有相同的维度,传统LBP算法首先对图像按一定尺寸重构/裁切,时常会发生畸变而与现实出现偏离和信息丢失,对识别正确率存在影响。本文通过空间金字塔尺度对任意大小图像的LBP特征进行池化,输出特征维度为固定长度,有效避免了图像畸变与信息丢失的情况。实验证明,本文方法不仅避免了维度灾难的发生,同时能够更高效地提高目标检测率和识别正确率。     

基于双向主成分分析和压缩感知的人脸识别算法

提出了一种双向主成分分析(BD-PCA)与基于光滑l₀范数(SL0)相结合的人脸识别算法(BP-SL0)。首先利用BD-PCA对所有的训练图像降维,然后将降维后的人脸图像按列拉伸成一个向量,并将其组成字典矩阵,同时对待测试图像进行相同处理,最终通过SL0算法求解优化问题。实验结果表明,该算法获得了较高的识别率和重建效果,且效果优于单独使用BD-PCA和SL0算法。     

Face recognition under large illumination variations using homomorphic filtering in spatial domain

This paper proposes a homomorphic filtering in spatial domain for reducing of illumination effects in face recognition systems. Also, in this research a simple kernel of homomorphic filter is proposed. Application of this method causes considerable reduction in computational time in the preprocessing step. When a new face image with an arbitrary illumination is given, the homomorphic filter is applied and its reflectance component is extracted. Then the reflectance component is divided into several local regions and histograms of each local region are extracted using multi-resolution uniform local Gabor binary patterns (MULGBP). These histograms are combined for obtaining the overall histogram of the images. Finally, for face recognition, a simple histogram matching process is performed between new face image histogram and the gallery images histogram. The results show that the proposed method is robust for large illumination variation with a reasonable computational complexity.     

分块CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键 作用,针对现有故障特征维数过高的问题,本文提 出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis, ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好 的性能,在 本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数 化处理。所提 方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE 数据库上的仿真实验证了本文所提方法的有效性。     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

Hyperion高光谱影像波段选择方法比较研究

Hyperion影像的光谱分辨率高,数据体积庞大,而且相邻波段之间的相关性强,信息冗余度较高, 给数据处理与解译带来了很多问题。鉴于此,提出了通过将分段主成分分析和波段指数相结合来开展波段选择与降维研究的思想。 同时采用自适应波段选择法、波段指数法和主成分分析累计贡献率方法进行了波段选择方法的对比研究;对4种波段选择方法所得到的结 果进行了最佳波段组合、地物可分性和图像变换比较分析。实验结果表明,分段主成分分析与波段指数综合方法可以有效抑制由于全局变换造成局部重要光谱被滤除的现象 ,同时还可兼顾自适应分区后各子区间及区间内波段之间的相关性,有效降低高光谱数据的维度。由此可见,该方法的波段选择效 果优于传统的自适应波段选择方法、波段指数法以及主成分分析累计贡献率方法。