基于Log-Gabor和ULBP改进算法的人脸识别

为进一步提升人脸识别系统的识别率,加强其对光照、表情、姿态变化的鲁棒性,针对人脸识别中的特征提取问题,提出一种基于Log-Gabor与均匀局部二值模式（Uniform Local Binary Pattern,ULBP）改进算法的人脸识别方法。该算法采用多尺度、多方向Log-Gabor滤波器对图像进行滤波来提取Log-Gabor特征,再通过旋转不变均匀模式的LBP进行运算编码,并利用局部空间直方图来描述人脸,最后通过加权的卡方距离对直方图匹配完成人脸识别。在Yale、GT人脸数据库上的测试结果表明,该方法具有更好识别性能,且对环境鲁棒性较好。     

结合小波分析和LBP算子的人脸描述与识别

为提高人脸识别的准确性和实用性,提出了一种结合小波分析和LBP算子的人脸描述与识别算法.先利用小波分析对原始人脸图像进行降维,再分块求取小波系数的2类LBP直方图,最后将所有区域的2类LBP直方图连接起来得到整幅图像的小波直方图序列特征(HSWLBP),并将其作为人脸的鉴别特征用于分类识别.所提出的算法在ORL人脸数据库上取得高达0.99的人脸识别率.实验分析表明,HSWLBP具有较强的特征表示能力和可鉴别性,且对光照、人脸表情和位置的变化具有较高的鲁棒性.     

融合多通道信息的二维人脸识别

为充分提取人脸图像信息,进一步提高人脸识别效率,提出了一种融合图像多通道信息的二维人脸识别方法.该方法利用Haar小波变换将人脸图像变换到频率域,并获得图像4个频率域的信息;对每个频率域的图像,通过局部二值模式(LBP)进行统计编码,并提出基于HaarLBP直方图序列的人脸图像表征方法;提出2种直方图序列的匹配算法,并通过分析各个频域图像信息对识别的贡献率,进一步融合4通道图像信息进行人脸识别.在ORL和Yale人脸库上的实验结果证明,提出的识别方法对于人脸姿态、表情和光照变化有一定的鲁棒性.     

一种基于指纹人脸的多生物特征身份认证方法

本文分别介绍了一种基于指纹人脸识别的多生物特征身份认证方法,并针对传统的指纹人脸方法提出相应的改进算法。对指纹识别,本文提出采用局部归一化方法结合Gaussian滤波器来计算指纹方向,再对局部脊线补偿法（Loca lRidge Compensation）进行快速运算,能够更加快速准确地进行指纹识别。人脸识别通过定位人脸位置并且进一步提取人脸特征来进行匹配,使用LBP（Local binary patterns）算子对人脸样本进行局部特征提取,对LBP处理后的人脸图像使用主成分分析（PCA）进行降维,并采取了极限学习机（Extreme learning machine,ELM）分类器进行匹配,将指纹、人脸的识别结果在决策层进行融合,最后做出判断,从而得到准确稳定的身份认证系统。     

基于LBP和ELM的人脸识别算法研究与实现

针对传统的局部二值模式(LBP)在人脸图像特征提取时容易受到灰度和噪声影响的问题,在传统LBP基础上提出一种改进的LBP算法.该算法计算邻域各像素与中心像素差值的平方和C,若C在限定范围内,选取中心像素值为阈值计算LBP值,充分考虑中心像素值与邻域像素值的作用,更准确描述局部图像特征;反之,若C不在限定范围内,则选择邻域像素和中心像素的中值作为阈值进行计算,降低噪声点的影响.利用主成分分析法(PCA)降低LBP提取的人脸图像特征维数.为了解决普通极限学习机(ELM)的不足,引入加权共轭核极限学习机(WCGKELM)进行人脸图像特征的分类.经实验验证,该算法能有效提高人脸识别率.     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

基于二维、三维信息融合的人脸识别

为解决光照、姿态等因素发生变化时二维人脸识别算法识别率骤然下降的问题,提出了基于二维、三维信息融合的人脸识别方法.与其他算法不同,该算法输入为一幅二维灰度图像,通过重建相应的三维模型提供三维信息.对于二维图像,选择局部二值模式(LBP)特征进行人脸表示.对于三维模型,定义了54个特征点,将鼻尖点与特征点之间的测地线距离作为三维特征.对2种特征识别结果采用加权融合的方式,权值的确定依据Fisher判别准则.通过CAS-PEAL-R1人脸库对提出的算法进行了测试,并与其他方法进行了比较.     

基于特征加权模块双方向二维主成分分析的人脸识别

对模块双方向二维主成分分析(Two-directional two-dimensional principal component analysis,(2D)2PCA)人脸识别算法进行了改进,提出了基于特征加权模块(2D)2PCA的人脸识别算法。首先对图像进行分块及(2D)2PCA特征提取。然后依据每一子图像块的特征对识别的贡献程度分配特征权重。最后对测试样本采用加权距离进行最近邻分类。该算法无需任何先验知识,依据子图像块在特征空间中的信息比重确定其贡献程度,从而实现自适应权重分配。试验结果表明:本文算法能够有效地提高人脸识别的正确率。     

一种PCA和SVM多生物特征融合的视频人脸识别

分析了视频人脸跟踪识别过程中高效特征提取、长时间人脸遮挡、光照变化及多目标跟踪识别等问题,讨论了基于PCA和SVM人脸识别优点及不足,提出了基于PCA和SVM多生物特征层融合的人脸识别模型,设计了多生物特征人脸识别算法,对实验过程进行了描述并对实验结果进行了分析.结果表明,提出的算法识别率高于任一单一算法、更适合实时视频监控取证系统使用.     

基于二维线性判别分析的彩色人脸识别

为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.     

融合CDI和LBP的人脸特征提取与识别算法

针对光照、姿态和表情对人脸识别率造成严重影响的问题,提出了结合笛卡儿微分不变量(CDI,cartesian differential invariant)和LBP(local binary patterns)的人脸特征抽取与识别算法。首先,利用高斯微分算子抽取人脸图像的微分结构,组合这些微分结构得到一个不可约简的笛卡儿CDI集。其次,对CDI集中每个分量分别计算其LBP特征,并将所有分量的LBP特征连接起来以得到人脸图像的特征。最后,运用所抽取出的人脸局部描述特征和支持向量机(SVM)分类器完成人脸图像分类与识别。试验分析表明,基于CDI的LBP特征对人脸位置、姿态、光照和表情的变化具有较高的不变性。该算法在ORL和Yale人脸库中分别取得了98.5%和98.89%的识别率。     

云环境中考虑隐私保护的人脸图像识别

针对目前使用计算机进行人脸识别往往效率较差,且未考虑到隐私保护等问题,提出一种新的云环境中考虑隐私保护的人脸图像识别方法.对人脸图像进行简化处理以保护主要信息,并建立人脸图像主成分分析(PCA)数学模型,采用局部二值模式(LBP)方法获取人脸图像纹理特征,采用保局投影(LPP)方法选择人脸特征,并选取最常见的分数法对选择后的特征进行稳定性度量,引入深度网络法进行人脸图像的识别.结果表明,所提出的改进方法在保证人员隐私的基础上,具有较高的识别精度与识别效率.     

基于低分辨率局部二值模式的人脸识别

为提高人脸识别的准确度,提出了一种基于低分辨率局部二值模式的人脸识别方法。该方法将原始人脸图像滤波下采样处理成低分辨率图像,将其划分成若干块矩形块图像,对每一块图像进行局部二值模式计算,统计出每一块LBP图谱的直方图,再连接在一起成为这幅图片的最终特征向量。经实验表明,该算法在ORL和YALE上均取得了更好的识别效果,且对光照、表情、姿势等的变化具备鲁棒性。     

基于卷积神经网络和PCA的低分辨率人脸识别

针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.     

在线字典学习形变模型的疲劳状态识别方法

针对现有驾驶疲劳状态识别算法中存在疲劳特征维数高、识别效率低下、计算量大等问题,本文提出一种基于在线字典学习形变模型的疲劳状态识别方法。采用红外疲劳人脸图像中关键变形区域LBP特征构建人脸形变模型;将在线字典学习算法引入到形变模型中,采用过完备基函数矩阵代替训练样本整体对待测样本进行线性表示,利用其组合系数的稀疏性进行人脸疲劳状态识别;采用时间窗结合贝叶斯方法对识别算法进行优化。实验结果表明,与传统的识别方法相比,本文所提算法可以降低系统的运算量,提高疲劳状态识别的鲁棒性和准确率,在实际驾驶环境中能够取得良好的识别效果。     

基于Daubechies小波的人脸识别算法

为寻求正确率更高的人脸识别技术,提出一种基于Daubechies小波变换和支持向量机(DW-FPSVM)的人脸识别算法.首先对人脸图像进行一次二维Daubechies小波分解提取特征,接着利用快速PCA对特征降维去噪处理,最后选取合适的核参数建立分类模型对其识别,并对常见的ORL人脸库、Yale人脸库进行实验仿真.结果表明:人脸识别准确率随支持向量机核参数γ的增大而减小,且基于DW-FPSVM能够有效的提高人脸识别算法的准确性和稳固性;相较于其他小波的相关结果发现,Daubechies小波更具应用优势.     

融合小波变换和张量PCA的人脸识别算法

张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率．小波变换具有良好的时频分析特性,同时还能起到降维的作用．综合利用这两个算法的优点,提出了一种新的人脸识别算法,对人脸图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,实现人脸图像的高效识别．仿真结果表明,新算法的识别率比张量PCA方法提高了6％,识别时间为张量PCA方法的35.74％．     

基于鉴别能力分析和LDA-LPP算法的人脸识别

针对人脸识别中的DCT系数选择问题和如何从全局和局部同时提取识别特征的问题,提出了一种基于鉴别能力分析和LDA-LPP的人脸识别算法。即先对人脸图像进行DCT变换,利用鉴别能力分析方法进行DCT系数的选择,融合LDA和LPP降维技术进行降维处理,不仅可以保持数据的全局性,同时也能够保持数据的局部性。在ORL人脸库和Yale人脸库上的实验表明,本文方法可以选择有效的DCT系数,明显提高了识别精度和鲁棒性。     

基于改进的局部二值模式和SVM的人脸识别

先提取人脸图像标准的LBP特征,再分块提取且确定出相应的加权MB-LBP特征。通过支持向量机分别处理这两种特征,确定出相应的投票结果矩阵。基于一定的权重比对提取的两种特征加权融合,识别结果即融合矩阵最大值。选择ORL和AR人脸库检测了该方法的性能。     

一种新的血流建模方法及其在红外人脸识别中的应用

为了从时延红外人脸图像中提取出更加稳定的血流特征,提出1种新的基于生物热传模型的人脸血流图建模方法,并应用于人脸识别。基于生物热传模型中经典的Pennes生物传热方程通过离散化建模,得到对应的血流图。然后,基于红外人脸图像低分辨率的特点,对得到的血流图采用经典主成分分析PCA(principal component analysis, PCA)+Fisher线性鉴别分析(Fisher linear discriminant analysis, FLD)的方法进行人脸识别。实验结果表明:本研究提出的血流计算方法充分考虑到血流之间的关联性,可以得到更加稳定的血流特征, 用于人脸识别,在不同环境温度的情况下(对于时延数据)具有较强的鲁棒性。