基于稀疏表示与小波特征的人脸识别分层框架

基于稀疏表示的人脸识别研究,非线性特征的选择研究较少。提出分层使用人脸图像的小波特征,进行稀疏表示人脸识别框架。框架首先对样本人脸进行小波变换,构造小波低频和小波高频过完备人脸字典;识别阶段首先使用人脸图像的小波低频特征进行稀疏表示,计算类别模糊稀疏,然后根据模糊系数输出类别标签或进行高频特征的稀疏表示与识别。实验结果表明,基于小波特征和稀疏表示的人脸识别分层框架提高了识别的准确率,且对遮挡很鲁棒。     

基于双密度双树复小波变换多字典的人脸特征稀疏分类方法

基于超完备字典的人脸稀疏表示方法的难点是其字典构成。针对此问题,首先采用双密度双树复小波变换(DD-DT CWT)提取人脸图像不同尺度的高频子带,然后根据能量平均分布最大原则选择能量较大的部分子带构成对应尺度的超完备字典。同时,将测试样本相应的人脸DD-DT CWT子带特征看成超完备字典中原子的线性组合,并组合多字典上的稀疏表示进行识别。在AR人脸图像库上进行了实验,结果表明该方法是一种有效的人脸特征表示及分类方法。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果 。     

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Curvelet的人脸识别

人脸的主要特征是曲线信息,提出了一种基于Curvelet变换的人脸识别算法。Curvelet变换在表达图像的曲线奇异性时,比小波变换和脊波变换能获得更稀疏的图像表示。在人脸识别中,用人脸的曲波系数来提取特征能更好地反映人脸的主要特征,文中使用支持向量机进行了识别。结果表明该方法比小波方法更有效。     

基于Curvelet变换特征的人脸识别算法

针对小波变换无法准确表达二维奇异曲线的弱点,提出基于曲波(Curvelet)变换特征的人脸识别算法。Curvelet变换可以很好地去逼近奇异曲线,对于人脸图像能实现最优的稀疏表示。该算法采用基于Wrapping的离散Curvelet变换加权算法对训练集的人脸图像进行特征提取生成特征矩阵,再通过PCA方法降低维数后结合稀疏表示分类算法(SRC)进行人脸识别。通过在ORL、Yale和AR三个人脸数据库上的仿真实验以及和基于小波变换类识别算法、LDA算法和SRC算法等比较,实验结果表明该算法在人脸遮挡、姿态变换、表情变换和光照变换等干扰因素的作用下具有较高的人脸识别率和较好的鲁棒性。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于小波和非负稀疏矩阵分解的人脸识别方法*

提出了利用小波变换(WT)、非负稀疏矩阵分解(NMFs)和Fisher线性判别(FLD)来进行人脸识别。用小波变换分解人脸图像,选择最低分辨率的子段,既能捕获到人脸的实质特征,又有效地降低了计算复杂性;非负稀疏矩阵分解能显示地控制分解稀疏度和发现人脸图像的局部化表征;Fisher线性判别能在低维子空间中形成良好的分类。实验结果表明,这种方法对光照变化、人脸表情和部分遮挡不敏感,具有良好的健壮性和较高的识别效率。     

融合小波与2D PCA的贝叶斯人脸识别

提出了融合小波和2DPCA进行贝叶斯人脸识别的方法。对原始图像采用小波分解后,利用2DPCA计算人脸的特征矢量空间。首先对低频子图进行贝叶斯人脸识别,然后对得分前五名的图像再次利用高频子图并行进行识别,通过加权排序得到最后结果。实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率。     

基于高维仿生覆盖的人脸识别方法

应用仿生模式识别的理论,提出了基于"认识"事物的人脸识别。根据同一人脸的分布在一定的高维空间的类聚性,提出了一种新颖的基于最小生成树的最邻近覆盖方法。利用小波变换对人脸图像进行分解,对分解后的4个子带分量进行加权融合,用K-L变换提取人脸特征子空间,应用提出的覆盖方法进行人脸识别。在ORL人脸库上的实验结果表明,与传统的模式识别相比,不仅解决了未训练样本的误识问题,而且能获得更高的识别率。     

基于小波变换和隐马尔可夫模型的人脸识别方法

提出了基于小波变换和隐马尔可夫模型的人脸识别方法。对原始图像采用小波分解后,原始图像被分解到不同的频带上。利用小波理论分析可知,在每一级分解中,低频子图像包含了原始图像的主要描述信息,而其他3个高频子图像包含的信息较少,对模式分类的作用也较小,所以可忽略不计。该算法首先对图像进行3级小波分解,然后把3个不同分辨率的低频子图像由小到大排列成树状结构,形成低频小波树。接着利用主元分析对每个小波树枝进行去相关、降维,形成特征小波树枝,并把它作为观测向量对隐马尔可夫模型进行训练,把优化的模型参数用于人脸识别,实验结果表明,该方法识别率较高,具有很好的发展前景。     

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。     

基于一种新小波变换的OCT图像去噪方法

散斑在OCT图像中既是信息载体,也是一种严重的噪声。针对OCT图像的这一特点,提出一种基于小波变换和维纳滤波相结合的OCT图像去噪方法。通过对OCT图像进行小波分解,得到四个不同频带的子图像,保持低频部分不变,对另外三个高频细节图像进行维纳滤波,将低频子图像和三个滤波后的高频细节子图像进行小波反变换,得到去噪后的图像。实验结果表明小波变换和维纳滤波相结合的方法对OCT图像有比较理想的去噪效果。     

基于小波变换和二维非负矩阵分解的人脸识别算法

结合二维离散小波变换(2DDWT)和二维非负矩阵分解(2DNMF)两者的优点,提出了一种新的人脸识别融合算法2DDWT+2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域,并对三个高频子块进行图像融合,然后对低频子块和融合图像进行二维非负矩阵分解以提取特征,进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明,与PCA、SVD、NMF以及2DDWT+NMF算法相比,新融合算法能有效缩短训练时间和提高识别率。     

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。     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

融合小波与2DPCA的SVM人脸识别

近年来,人脸识别由于其诱人的应用前景再次成为模式识别领域的研究热点。分析了小波变换、2DPCA以及SVM 3种方法在人脸识别中各自的优势,提出了融合小波和2DPCA进行SVM人脸识别的方法。首先对原始图像采用小波分解提取低频信息,忽略高频分量;然后利用2DPCA进行特征提取;最后把降维后的数据输入SVM进行分类识别。该方法在ORL、Yale人脸库上的实验表明,与传统的方法相比,不但可以提高识别率,而且所用时间明显减少。     

基于小波变换的加权特征脸识别算法*

针对人脸识别中难以克服的表情影响,提出了一种基于小波变换的加权特征脸识别方法.本方法先对人脸图像进行小波分解,有效地将原图像降维,然后让各个子图像并行进行特征脸识别,最后通过加权排序得到识别结果.通过在Striling人脸库中进行实验,表明利用本方法进行人脸识别大大提高了识别率同时减少了计算量.