基于小波变换和光照补偿的人脸识别方法

针对光照对人脸识别影响的问题,提出一种结合小波变换和光照补偿的人脸识别方法。该方法首先利用离散小波变换将人脸图像的低频子带和高频子带分离,在小波变换的低频子带上分别进行直方图均衡化和对数变换,将处理后的低频子带进行融合构成新的低频子带。接着对高频子带进行阈值去噪后乘以一个标量,构成新的高频子带。最后利用小波逆变换重构出新的人脸图像并利用PCA算法进行识别。实验结果表明,该方法能有效地削弱光照的影响,提高人脸识别率。     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

融合小波和自适应类增广PCA的人脸识别

提出了融合小波变换和自适应类增广PCA（CAPCA）的人脸识别算法。用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。Yale和FERET库上的实验表明了该算法的有效性。     

基于小波变换和改进的奇异值分解的人脸识别

使用基于肤色的检测方法分割出人脸并进行归一化,利用小波变换压缩降维以减少计算量。针对原有奇异值分解的不足,将图像矩阵进行投影,并将整体与三组局部图片的奇异值结合进行改进,利用BP神经网络进行分类识别,进行人脸识别仿真实验。结果表明,所提出的基于小波变换和改进的奇异值分解特征提取方法是一种实用、可行的方法。     

基于小波变换和对称主成分分析的人脸识别方法

提出一种将对称主成分分析(Symmetrical Principal Component Analysis)思想应用于人脸特征提取的算法.实验结果表明,该方法减少了计算量,提高了系统的识别率.     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于小波变换的人脸识别方法综述

结合近年来发表的文献和自己在该领域长期的研究,按照基于传统小波、Gabor小波、方向小波变换的划分,对小波变换在人脸识别中的应用做一详尽而深入的总结与展望.     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别.由于小波变换在时间和频率空间具有良好的定位特性,使小波神经网络可对输入、输出数据进行多分辨的学习训练.将小波变换和反向传播神经网络理论结合,设计一种小波神经网络结构,介绍了神经网络的数学框架和该网络的学习算法,把此算法用到人脸识别中, 实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高.     

基于小波变换和BP神经网络的人脸识别方法

提出了将人脸图像的小波分解系数和BP神经网络相结合以达到人脸识别的新方法。针对不同的小波基,对人脸图像作小波分解,并将分解低频系数作为人脸特征送入神经网络进行训练。实验表明,选择恰当的小波基能够达到较高的识别率。     

结合小波变换和RBF神经网络进行光谱自动分类

本文提出了一种基于小波变换和RBF神经网络的天体光谱分类方法。首先利用小波变换除去谱线中的噪声、提取特征谱线；然后使用RBF神经网络分类，RBF网络的输入为提取的特征谱线。实验结果显示该方法具有良好的鲁棒性，算法效率很高，正确分类率(CCR)远远高于经常采用的主成分分析特征提取方法，因此特别适合于低信噪比的光谱数据分类。     

基于Haar小波变换和分块DCT的人脸识别

提出一种新的基于二维离散小波分解和分块离散余弦变换的降维方法.该方法与模式识别领域中用于特征提取和降维的PCA-LDA方法进行了比较.结果表明,此方法与PCA-LDA方法在识别率上大体相当,但它比其更具有计算量小、降维速度快的优点.因此,该方法对于人脸识别是一种有效降维手段.     

基于小波神经网络的人脸识别

利用最近在小波变换、人工神经网络和证据理论上取得的进展来进行人脸图像的识别。由于小波变换在时间和频率空间具有良好的定位特性，使小波神经网络可对输入、输出数据进行多分辨的学习训练。将小波变换和反向传播神经网络理论结合，设计一种小波神经网络结构，介绍了神经网络的数学框架和该网络的学习算法，把此算法用到人脸识别中，实验结果证明小波神经网络在人脸识别中收敛速度快、识别率高。     

基于局部小波变换与DCT的人脸识别算法

提出了一种基于局部小波变换和离散余弦变换(DiscreteCosineTransform,DCT)相结合的人脸识别方法,该算法首先利用小波变换对人脸图像做适当层次的小波分解,然后通过离散余弦变换对低频分量作进一步的特征提取和压缩,得到人脸识别特征,最后利用欧氏距离和最近邻分类器进行识别。基于ORL人脸数据库的实验结果表明了该算法的有效性。     

基于二进小波变换和仿生模式识别的人脸识别

针对人脸图像易受光线和表情影响的特点,提出了一种基于二进小波变换和仿生模式识别的人脸识别方法。应用样条二进小波对人脸图像进行处理,对得到的细节子图进行融合。在FFT和PCA处理与降维后,用仿生模式识别进行学习和识别。实验结果表明,该方法比传统方法具有更高的识别率。     

基于小波变换与脉冲耦合神经网络的人脸识别

脉冲耦合神经网络（Pulse Coupled Neural Network,PCNN）是基于生物视觉特性而提出的新一代人工神经网络,它在数字图像处理及人工智能等领域具有广泛应用前景.本文通过研究PCNN理论模型及其工作特性的基础上提出了一种提取人脸特征的方法.首先利用小波变换提取人脸图像低频特征,降低人脸图像的维度,然后利用简化的PCNN提取小波低频系数重构后的人脸图像的相应时间序列,并以此作为人脸识别的特征序列.最后利用时间序列和欧式距离完成人脸的识别过程.本文通过ORL人脸库进行实验证明了该方法的有效性.     

基于小波变换和多分类器的人脸识别方法

现在已有许多特征用于人脸识别，而不同的特征反映了图像的不同特性。因此，结合多个特征，使用多分类器来进行分类可以提高识别率。文中在对原始图像进行小波变换预处理的基础上，抽取本征脸特性的奇异值特征，并利用对应着两类特征的多分类器进行分类。利用ORL人脸库进行了实验，实验结果证明了所提方法的有效性。     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

结合伽马变换和小波变换的PCA人脸识别算法

为了有效地提取人脸特征,提出了一种在传统PCA算法的基础上,结合伽马变换与小波变换的人脸识别算法。该方法对人脸图像进行伽马变换,消除光照等非线性因素的影响;对变换后的人脸图像进行小波分解,用得到的低频分量来替代原始人脸;对得到的人脸低频分量作PCA特征提取,得到最终的鉴别特征。在ORL人脸库上进行测试,该算法的识别率比传统的PCA算法提高了6.5%。     

人脸识别中基于多小波变换的光照补偿

提出了一种用于非均匀光照条件下人脸识别的光照补偿算法。该算法在对数域计算2维多小波变换来实现人脸光照补偿,然后直接在对数域进行人脸识别。在Yale B人脸库中与其它光照补偿算法进行了比较,实验结果表明,该方法的平均误识率仅为0.70%,优于现有的绝大多数算法。     

基于两级分类器串行的人脸识别

在分析人脸特征提取和分类器的基础上,提出一种两级分类器串行结合的模型进行人脸识别。在第一级分类器中利用极坐标傅立叶变换提取全局特征通过相似度匹配进行粗略的筛选,第二级分类器中利用改进的协同神经网络,基于原始灰度图像的小波变换提取内在特征,进行精细识别。研究分析了分类器串行结合模型中阈值的选取与系统精度、速度间的关系。在自建人脸库和Yale B人脸库上的实验结果表明,两级分类器串行的识别模型在保证较高系统识别率的前提下可以提升系统的速度。