一种基于人脸图像的年龄估计方法

有关年龄估计的研究在人机交互领域有着非常重要的意义。该文提出一种基于人脸图像的年龄估计方法,该方法首先基于颅面成长模式理论建立人脸测量模板,在此模板上计算面部几何比例特征,然后运用分数阶微分提取人脸局部区域的纹理特征,结合这两类特征构成个体年龄特征向量;通过聚类学习的方法训练年龄特征向量获得年龄-特征映射矩阵,最后由此矩阵表决出输入人脸的估计年龄。实验结果表明,基于这两种特征构建的年龄估计模型可以获得较好的年龄估计结果,年龄误差较小,分类准确率接近人的主观判断结果。     

一种改进的基于NMF的人脸识别方法

针对NMF(非负矩阵分解)算法基于局部特征提取的特点,提出了一种对NMF基矩阵的处理方法,以提高在局部遮挡环境下人脸识别系统的识别率。首先使用离散小波变换得到样本的低频信息,利用NMF得到基矩阵;然后通过阈值判断提取能够突出表现人脸特征的部分,得到优化后的特征子空间,并将样本在该子空间上投影;最后使用支持向量机对所得到的投影系数分类。实验结果表明,优化算法其运算时间较短,且能有效地提高人脸在部分遮挡环境中的识别率。     

基于NMF改进算法的人脸识别仿真研究

研究人脸识别性能问题,由于要求图像识别处理精度高,速度快,传统的非负矩乘分解方法,在NMF矩黄的构建过程中,图像向量化会导致图像结构信息丢失,会对分类识别造成负面影响,使识别精度不是很理想.图像向量的高维数据使得NMF分解速度慢,从而影响识别速度.为了提高人脸识别性能,提出了(2D)2NMF方法,将混合正交基策略用于2DNMF和(2D)2NMF方法中,并且采用了线性SVM加权手段对2DNMF方法、(2D)2NMF方法分解得到的特征进行再一次选择.用ORL人脸库进行测试,结果表明,改进方法和策略有着更高的识别精度和更快的识别速度,为实际应用提供了依据.     

人脸图像年龄估计模型综述

人脸图像年龄估计是模式识别领域中一个重要的研究方向。本文针对人脸图像年龄估计中提出的模型进行了分析、分类、归纳和总结,指出了各种模型的优缺点和研究现状。     

基于视听信息的自动年龄估计方法

年龄是人的重要属性.近年来,自动估计用户年龄逐渐成为一个涉及模式识别、计算机视觉、语音识别、人机交互、机器学习等领域的活跃课题.其在现实世界中也有很多的实际应用,如法医学、电子商务、安全控制等等.日常生活中,人们往往可以很容易地根据视听信息(这里主要指人脸和语音)来判断一个人的年龄,原因在于人脸和语音是人的年龄信息的重要载体.同样的,人机交互系统可以根据人脸图像以及语音来自动进行年龄估计.主要介绍了基于视听信息进行年龄估计的应用领域所遇到的挑战以及现有的解决方案.详细介绍了基于视听信息的年龄估计所用到的主要模型、算法及其性能与特点,并且分析了自动年龄估计未来可能的发展趋势.     

基于NMF分组策略的人脸识别

提出一种运用非负矩阵分解（NMF）分组策略进行人脸识别的方法。将训练图像分组,分别对每组图像作NMF,获取每组图像的基图像构成的非负特征子空间,将训练图像和测试图像分别向各个特征子空间进行投影,将每组图像提取出的特征系数混合,根据最近邻原则进行识别。基于ORL人脸数据库上的实验证明了该方法的有效性。     

基于(2D)2NMF及其改进算法的人脸识别

非负矩阵分解(NMF)是基于部分的特征提取方法，能够克服局部遮挡和光照问题，在图像识别任务中效果较好。然而传统算法中，NMF提取的特征是非正交的，且二维图像常被向量化处理，不仅丢失一些结构信息，还导致了数据的高维，不利于提高识别精度和速度。利用图像矩阵取代传统的图像向量表示，提出新的(2D)2NMF方法提取二维图像特征，并通过特征正交化和图像变形等措施，改善了算法性能。人脸识别实验表明，上述措施能够有效提高识别的精度和速度。     

人脸年龄估计的深度学习方法综述

目的 人脸年龄估计技术作为一种新兴的生物特征识别技术,已经成为计算机视觉领域的重要研究方向之一。随着深度学习的飞速发展,基于深度卷积神经网络的人脸年龄估计技术已成为研究热点。方法 本文以基于深度学习的真实年龄和表象年龄估计方法为研究对象,通过调研文献,分析了基于深度学习的人脸年龄估计方法的基本思想和特点,阐述其研究现状,总结关键技术及其局限性,对比了常见人脸年龄估计方法的性能,展望了未来的发展方向。结果 尽管基于深度学习的人脸年龄估计研究取得了巨大的进展,但非受限条件下年龄估计的效果仍不能满足实际需求,主要因为当前人脸年龄估计研究仍存在以下困难：1）引入人脸年龄估计的先验知识不足;2）缺少兼顾全局和局部细节的人脸年龄估计特征表达方法;3）现有人脸年龄估计数据集的限制;4）实际应用环境下的多尺度人脸年龄估计问题。结论 基于深度学习的人脸年龄估计技术已取得显著进展,但是由于实际应用场景复杂,容易导致人脸年龄估计效果不佳。对目前基于深度学习的人脸年龄估计技术进行全面综述,从而为研究者解决存在的问题提供便利。     

基于NMF的多光谱图像和全色图像融合方法

提出了一种基于非负矩阵分解的多光谱图像与全色图像的融合算法。在非负矩阵分解过程中,将低分辨率的多光谱图像和高分辨率的全色图像作为原始数据,非负矩阵分解得到的特征基包含了原始图像的整体特征,将高分辨率图像与分解得到的特征基中的第一特征基作直方图匹配,并代替第一特征基。利用特征基进行重构,得到具有较高的空间分辨率和保持原有多光谱图像的光谱信息的融合图像。主观视觉效果分析和客观统计参数评价分析表明,基于非负矩阵分解的图像融合方法在性能上优于传统的其他融合方法。     

基于核非负分解的人脸图像特征提取与分类

针对非负矩阵分解算法在样本维数过高情况下收敛效果差的问题,提出了一种核矩阵非负分解算法。通过核映射方法获得表征样本间相似度的核矩阵,以减小样本类内散度,增大样本类间散度,从而改善样本内部噪声干扰,提高样本间的线性可分度;再将核矩阵在非负条件约束下分解为基向量及其加权系数矩阵,用系数矩阵作为原样本特征。经人脸图像特征提取与分类实验验证,新算法可更好地提取高维人脸图像的低维特征,提高分类正确率。     

基于非负矩阵分解的隐私保护协同过滤算法

提出一种基于非负矩阵分解的隐私保护协同过滤推荐算法．该算法在用户数据收集过程中采用随机扰动技术,并使用非负矩阵分解对数据进行处理,从而形成隐私保护功能,并在此基础上产生推荐．理论分析和实验结果表明,该算法在保护用户个人隐私的基础上,能够产生具有一定精确性的推荐结果.     

一种增量式非负矩阵分解算法

针对现有的非负矩阵分解算法在应用于问题规模逐渐增大的情形时,运算规模随之增大、空间和时间效率不高的情况,提出一种增量式非负矩阵分解算法,使用分块矩阵的思想降低运算规模,利用上一步的分解结果参与运算从而避免重复运算。实验结果表明,该算法对节约计算资源是有效的。     

基于改进的非负矩阵分解的人脸表情识别

针对存在部分遮挡的人脸,提出了一种基于改进的非负矩阵分解的人脸表情识别方法,首先,用改进的非负矩阵分解算法对人脸图像进行表情特征提取,然后用最大相关分类器对面部表情进行分类。在Cohn-Kanade人脸表情数据库上的实验,结果表明,该方法提高了无遮挡的人脸表情识别,对有遮挡的人脸表情识别也有改善。     

基于非负矩阵分解的有向网络半监督社区检测

有向网络上的社区检测是网络科学领域一个重要的课题. 针对这一问题, 本文提出了一种基于非负矩阵分解的有向网络半监督社区检测算法, 首先利用先验信息重构邻接矩阵, 然后使用先验信息对节点的社区隶属度进行惩罚, 并通过行归一化消除节点度异质性的影响, 最后运用交替迭代更新给出了目标函数的求解方法. 在真实网络数据上的对比实验验证了算法的有效性, 相对于基于非负矩阵分解的现有方法, 本文方法能显著提高社区发现的准确性.     

基于非负矩阵分解的人脸识别算法的改进

非负矩阵分解方法是基于局部特征的特征提取方法，已经成功用于人脸识别。研究基于非负矩阵分解的人脸图像识别的改进算法是一个有重要意义的研究课题。采用二维非负矩阵分解方法（2DNMF）和对角非负矩阵分解方法（DiaNMF），并且使用正交的基矩阵进行Matlab实验。实验结果表明，以上改进措施能够有效提高人脸图像识别的正确率。     

基于非负矩阵分解的人脸识别算法的改进

非负矩阵分解方法是基于局部特征的特征提取方法,已经成功用于人脸识别。研究基于非负矩阵分解的人脸图像识别的改进算法是一个有重要意义的研究课题。采用二维非负矩阵分解方法(2DNMF)和对角非负矩阵分解方法(Di-aNMF),并且使用正交的基矩阵进行Matlab实验。实验结果表明,以上改进措施能够有效提高人脸图像识别的正确率。     

二维投影非负矩阵分解算法及其在人脸识别中的应用

建立在最小化非负矩阵分解损失函数上的人脸识别算法需同时计算基矩阵和系数矩阵, 导致求解这类问题十分耗时. 本文把非负属性引入二维主成分分析(2-dimensional principal component analysis, 2DPCA)中, 提出了一种新的二维投影非负矩阵分解(2-dimensional projective non-negative matrix factorization, 2DPNMF)人脸识别算法. 该算法在保持人脸图像的局部结构情况下, 突破了最小化非负矩阵分解损失函数的约束, 仅需计算投影矩阵(基矩阵), 从而降低了计算复杂度. 本文从理论上证明了所提出算法的收敛性, 同时, 使用了YALE、FERET和AR三个人脸库进行实验, 结果表明2DPNMF不仅识别率高, 而且速度优于非负矩阵分解和二维主成分分析.     

基于线性投影结构的非负矩阵分解

非负矩阵分解(Non-negative matrix factorization, NMF)是一个近年来非常流行的非负数据处理方法, 它常用于维数约减、特征提取和数据挖掘等. NMF定义中采用的数学模型基于非线性投影结构构造, 这决定了NMF降维需借助计算量很大的迭代操作来实现. 此外, 由此模型提取的NMF特征常不稀疏, 这与NMF的设计期望相差甚远. 为一并解决上述两个问题, 本文提出了一个新的模型---基于线性投影结构的NMF (Linear projection-based NMF, LPBNMF), 并构造了一个单调的LPBNMF算法. 从数学的角度看, LPBNMF可理解为实现NMF的一种特殊方式. LPBNMF降维通过线性变换来完成, 它所采用的数学模型的自身结构特点决定了由其得到的特征一定非常稀疏. 大量的比较实验表明, PBNMF的降维效率显著高于NMF, LPBNMF特征明显比NMF特征更稀疏和局部化. 最后, 基于AR人脸数据库的实验揭示, LPBNMF特征比NMF、LDA以及PCA等特征更适合于用最近邻分类法处理有遮挡人脸识别问题.     

图像融合的非负矩阵分解算法

提出一种将非负矩阵分解思想用于图像融合的算法．在非负矩阵分解过程中,适当地选取特征空间的维数可以获取原始数据的局部特征．首先分析了使用非负矩阵分解算法提取图像综合特征的原理,并给出了一个可视化实例;将参与融合的图像作为原始数据,特征空间的维数选为1,利用非负矩阵分解得到的特征基包含了原始图像的整体特征,这个特征基图像就是原始图像的融合结果．多类不同模态图像融合的实验结果表明,文中算法比小波变换的方法具有更好的融合效果．