基于奇异值与稀疏表示的稳健性人脸识别

目前基于二维的正面人脸识别面临着两大难题,一是光照、表情变化问题,二是遮挡、噪声问题.这些正是研究人脸表情、光照、遮挡和噪声变化的稳健性人脸自动识别问题.将识别问题看作是多个线性回归模型中的分类问题,并用稀疏表示理论解决这些问题.基于奇异值与稀疏表示理论可以显著提高对噪声和遮挡变化的稳健性并降低计算复杂度.在公用的人脸数据库上进行实验,并证实算法的有效性.     

基于稀疏表示与特征融合的人脸识别方法

针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题,提出一种基于稀疏表示与特征融合的人脸识别算法。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,提取干净人脸图像的LBP,HOG,Gabor三种特征向量;然后对部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL,Extended Yale B和AR数据库上进行实验,结果表明,该算法优于利用单一特征识别的方法,并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。     

改进SRC算法在人脸识别中的应用

稀疏表示分类算法(Sparse Representation-based Classification,SRC)在人脸数据库上有很高的识别性能。然而,对于姿态变化,SRC的识别效果并不理想。针对SRC算法不能解决测试样本与训练样本存在偏移误差的问题,本文提出了基于SRC的改进算法。该算法将每一类的训练样本单独作为训练字典,利用迭代校正和基于金字塔分层机构的运动偏移估计方法得到最终的偏移量,最后对校正后的测试样本使用SRC算法实现分类。实验结果表明该方法对于有偏移误差的人脸图像具有较好的鲁棒性及识别率。     

基于树结构分层随机森林在非约束环境下的头部姿态估计

头部姿态估计是人类行为和注意力的关键,受到光照、噪声、身份、遮挡等许多因素的影响。为了提高非约束环境下的估计准确率和鲁棒性,该论文提出了树结构分层随机森林在非约束环境下的多类头部姿态估计。首先,为了消除不同环境的噪声影响,提取人脸区域的组合纹理特征,对人脸区域进行积极人脸子区域的分类,分类结果作为树结构分层随机森林的先验知识输入;其次,提出了一种树结构分层随机森林算法,分层估计多自由度下的头部姿态;再次,为了增强算法的分类能力,使用自适应高斯混合模型作为多层次子森林叶子节点的投票模型。在多个公共数据集上的多种非约束实验环境下进行头部姿态估计,最终实验结果表明所提算法在不同质量的图像上都有很好的估计准确率和鲁棒性。     

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。     

复杂光照环境下视频序列人脸姿态跟踪方法研究

复杂光照环境下难以实现人脸姿态的高精准跟踪,为此研究复杂光照环境下视频序列人脸姿态跟踪方法,提升跟踪进度和效率。通过高频加强滤波和直方图均衡技术光照补偿视频序列图像,采用参考颜色表法匹配图像肤色序列特征,将匹配到的图像肤色序列特征作为待分类样本输入Boosting分类器,利用改进Adaboost算法自动挑选特征,检测待跟踪人脸姿态特征,以此为基础,通过创建二维肤色高斯模型,并不断更新肤色模型,克服复杂光照条件对肤色带来的影响,实现复杂光照环境下人脸姿态跟踪。实验结果表明,该方法对于平移、缩放、旋转、光照及遮挡等复杂光照环境下的人脸姿态都能较好跟踪,在摄像机固定状态下,跟踪准确率为98.57%,计算时间为1.5 s,在摄像机运动状态下,跟踪准确率为93.33%,计算时间为1.86 s,抗噪声干扰性能较为优越。     

一种基于分块个体子空间的人脸识别方法

针对传统PCA算法的局限性,本文提出了一种基于个体子空间和分块特征提取的人脸识别方法。该方法不同于传统的PCA算法,它为每一个体人脸对象建立一个该个体对象所独有的人脸子空间,并且运用分块特征提取,加强了对样本局部特征信息的提取。在识别过程中,将待测人脸图像对不同个体人脸子空间进行投影后,再运用最近距离分类原则进行分类识别。该方法相对于传统的PCA算法能够更好地描述不同个体人脸之间的差异性,克服各类噪声。本文的实验结果表明,该方法的识别率相对于传统PCA特征脸算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

一种应用于人脸识别的有监督NMF算法

为了提高非负矩阵分解(NMF)算法识别率,提出了一种有监督的NMF(SNMF)方法.该算法对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过UMIST人脸库和CMU PIE人脸库上的实验结果表明,该方法对光照、姿态和表情变化具有一定的鲁棒性,识别率高于NMF方法和其它子空间分析法.     

有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

Locality-sensitive kernel sparse representation classification for face recognition

In this paper a new classification method called locality-sensitive kernel sparse representation classification (LS-KSRC) is proposed for face recognition. LS-KSRC integrates both sparsity and data locality in the kernel feature space rather than in the original feature space. LS-KSRC can learn more discriminating sparse representation coefficients for face recognition. The closed form solution of the l₁-norm minimization problem for LS-KSRC is also presented. LS-KSRC is compared with kernel sparse representation classification (KSRC), sparse representation classification (SRC), locality-constrained linear coding (LLC), support vector machines (SVM), the nearest neighbor (NN), and the nearest subspace (NS). Experimental results on three benchmarking face databases, i.e., the ORL database, the Extended Yale B database, and the CMU PIE database, demonstrate the promising performance of the proposed method for face recognition, outperforming the other used methods.     

基于多重核的稀疏表示分类

稀疏表示分类（SRC）及核方法在模式识别的很多问题中都得到了成功的运用.为了提高其分类精度,提出多重核稀疏表示及其分类（MKSRC）方法.提出一种快速求解稀疏系数的优化迭代方法并给出了其收敛到全局最优解的证明.对于多重核的权重给出了两种自动更新方式并进行了分析与比较.在不同的人脸图像库上的分类实验显示了所提出的多重核稀疏表示分类的优越性.     

Illumination robust face recognition using random projection and sparse representation

Under uneven illumination, the performances degrade significantly for some existing face recognition methods. It is a challenge for face recognition methods to work effectively under different illumination conditions. In this paper, an illumination robust face recognition method, based on random projection and sparse representation, is proposed. In the proposed method, face images are preliminary illumination normalized by gamma correction and difference of Gaussian filtering, and then several projection spaces are obtained by iterative random projection, followed by constructing an initial sample space using Fisher discrimination analysis. This scheme enriches the discrimination abilities of sample features and achieves the security and completeness for biometric template. Test samples are sparsely decomposed into each subspace, and based on statistical average residual, a modified sparse representation method is proposed to realize face recognition with higher stability and illumination robustness. Experimental results indicate that the proposed method provides competitive performance with acceptable computational efficiency. Specifically, for the five subsets of Yale B database, our approach achieves 99.74% average recognition rate, which performs higher accuracy than that of comparative methods.     

Face recognition using position-dictionaries and region covariance feature

In this paper, a new sparsity formulation called position-dictionary based sparse representation is developed for frontal face recognition. Different from the sparse representation based classification (SRC) method and the Gabor-feature based SRC (GSRC) method which both employ a global dictionary to decompose image patches, the proposed method constructs a position-dictionary for each location using training patches in the corresponding location since they resemble each other and are more likely to favor the same atoms. Sparse coefficients of each position-patch can be obtained by solving an \(l_{1}\) -norm minimization problem. For each face image, sparse coefficients of position-patches are pooled to construct a discriminative upper level feature to represent face image. PCA is used to perform dimension reduction. Each testing sample is represented as a sparse linear combination of all training samples, and recognition is accomplished by evaluating which class of training samples leads to the minimum reconstruction error. We compared the proposed method with SRC and GSRC method on three benchmark face databases. Experimental results show that the proposed method achieves higher recognition rates and is robust to a certain degree of occlusions.     

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。     

最大似然稀疏编码在人脸识别中的研究

摘　要 稀疏编码(SRC)是一种用于人脸识别的方法。该方法把检测图像表示为一组训练样本的稀疏线性组合,表示的准确性通过L2或L1残余项来衡量。此模型假定编码残余项服从高斯分布或拉普拉斯分布,实际上却不能很准确的描述编码错误率。本文提出一种新的稀疏编码方法,建立一种有约束的回归问题模型。最大似然稀疏编码(MSC)寻找此模型的最大似然估计参数,对异常情况具有很强的鲁棒性。在Yale及ORL人脸数据库的实验结果表明了该方法对于人脸模糊、光照及表情变化等的有效性及鲁棒性。     

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.     

基于稀疏表示结合流形距离的超球覆盖可拒绝模式识别算法研究

本文构造了一种基于稀疏表示结合流形距离超球覆盖的可拒绝模式识别模型.由于同类样本可以认为分布在同一个非线性流形上,所以在训练学习过程中首先对各类样本空间构建局部线性流形子空间超球覆盖模型,并选择训练样本.这样对于输入的测试模式,即可根据各类的子空间包含边界做出拒识或者接受处理的判决.然后,针对接受的模式,再利用稀疏表示分类器在训练样本空间范围内进行分类判决.在UCI数据库、MNIST手写体数据库、MIT-CBCL人脸识别数据库和CMU AMP人脸表情数据库上的实验结果表明本文的思路合理可行,在实际应用领域具有一定应用价值.