基于BP神经网络的主分量分析人脸识别算法

提出了基于BP神经网络的主分量人脸识别算法。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,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为BP神经网络的输入,由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。     

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.     

基于联合最佳基小波包的图像融合方法

基于联合最佳基小波包理论提出了一种新的图像融合方法。该方法首先将所有图像进行小波包分解,得到各自对应的四叉树,将各四叉树节点对应系数平方相加得到一个新的四叉树,利用此平方和四叉树搜索联合最佳基。将待融合图像基于联合最佳基分解,把分解系数加权处理得到融合系数,利用融合系数进行逆变换即得到融合图像。该方法对所有待融合图像的分解都是最佳分解,解决了先前最佳小波包融合方法只能最佳分解一方待融合图像的问题。将该方法与其他主要图像融合方法进行了比较分析,结果表明基于联合最佳小波包基的图像融合方法是非常有效的。     

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。     

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。     

Matlab在人脸图像压缩研究中的应用

以人脸图像的压缩为例，介绍了Matlab在图像压缩研究方面的应用，重点探讨用Matalab的图像处理、神经网络和小波工具箱实现图像小波分解和设计矢量量化器的方法。     

基于DWT和BP神经网络的人脸识别方法

提出了将人脸图像的离散小波变换DWT和BP神经网络相结合以达到人脸识别的方法。由于离散小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。而BP神经网络具有很强的分类能力,并且可以运用神经网络的学习算法进行学习。实验表明:二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于多姿态脸和小波变换的动态人脸识别

为了解决动态人脸识别的准确率和速度的难题,在人脸识别中提出了5种不同的姿态人脸图像建立人脸库和小波提取人脸特征的方法.介绍了不同姿态人脸图像的匹配方法和算法,通过实验确定最佳小波变换的分解层数和小波基的选择.实验和分析结果表明,这种人脸识别方法具有较快的运算速度和较高的识别率.     

基于对称非负矩阵分解的人脸识别算法

提出一种利用镜像偶特征改造NMF(Non-negative Matrix Factorization)基图像并进行局部特征提取的人脸识别算法。首先获取镜像偶特征并进行二次Haar小波分解,得到重构人脸样本图像。然后利用NMF分解得到一组在垂直方向对称的基图像,由它们组成基矩阵并对它们正交规范化。改造后的基图像符合人脸对称的生理特性,使得NMF基矩阵更加适用于人脸特征提取。在含有姿态变化和不均匀光照样本的Yale人脸数据库上取得了较好的识别效果。     

基于小波重构脸的人脸识别

研究了面部图像的小波分解与重构,分析了表情、光照和个体差异对小波多层分解低频近似系数的影响,指出光照变化对低频分解系数影响最大,表情和个体差异的影响次之.在此基础上提出用标准光照和表情人脸的小波低频近似系数替换光照人脸的低频系数来重构受光照影响的脸图像.并用Gabor和离散余弦变换对重构脸进行了特征提取与识别研究.在AR人脸库和自建库上进行_测试,结果表明,该重构方法能有效地去除光照等因素影响,识别效果得到了较大提高.     

When eigenfaces are combined with wavelets

This paper presents a novel and interesting combination of wavelet techniques and eigenfaces to extract features for face recognition. Eigenfaces reduce the dimensions of face vectors while wavelets reveal information that is unavailable in the original image. Extensive experiments have been conducted to test the new approach on the ORL face database, using a radial basis function neural network classifier. The results of the experiments are encouraging and the new approach is a step forward in face recognition.     

小波网络和RBF网络的抗噪语音识别

针对目前在噪音环境下语音识别系统性能较差的问题,利用小波神经网络融合了小波变换良好的时频局域化性质和RBF神经网络具有最佳分类能力和辨识能力等特性。构建了一个用小波基替代RBF网络中激活函数的小波-RBF神经网络结构,并采用全监督训练算法,实现了基于小波-RBF网络的抗噪语音识别系统。实验结果表明该系统比RBF网络具有更好的识别效果,尤其在噪声环境下,具有更强的鲁棒性。     

基于小波分析和RBF神经网络的电梯乘客识别系统

根据现代电梯工业发展的需要，提出了一个基于小波分析和RBF神经网络的电梯乘客识别系统；通过分析乘客的人脸图像，实现对乘客的身份、表情和姿势的识别，仿真结果表明，该系统对乘客的身份有较高的识别率。     

基于WT／ICA和神经网络的人脸识别方法

提出了一种基于WT／ICA和神经网络的人脸识别方法。首先利用小波分析提取原始图像的低频子图，然后利用独立分量分析（ICA）进行特征提取，最后采用径向基函数（RBF）神经网络进行分类和识别。实验表明该方法提高了人脸的识别率。     

Learning identity with radial basis function networks

Radial basis function (RBF) networks are compared with other neural network techniques on a face recognition task for applications involving identification of individuals using low-resolution video information. The RBF networks are shown to exhibit useful shift, scale and pose (y-axis head rotation) invariance after training when the input representation is made to mimic the receptive field functions found in early stages of the human vision system. In particular, representations based on difference of Gaussian (DoG) filtering and Gabor wavelet analysis are compared. Extensions of the techniques to the case of image sequence analysis are described and a time delay (TD) RBF network is used for recognising simple movement-based gestures. Finally, we discuss how these techniques can be used in real-life applications that require recognition of faces and gestures using low-resolution video images.     

Gabor wavelet associative memory for face recognition

This letter describes a high-performance face recognition system by combining two recently proposed neural network models, namely Gabor wavelet network (GWN) and kernel associative memory (KAM), into a unified structure called Gabor wavelet associative memory (GWAM). GWAM has superior representation capability inherited from GWN and consequently demonstrates a much better recognition performance than KAM. Extensive experiments have been conducted to evaluate a GWAM-based recognition scheme using three popular face databases, i.e., FERET database, Olivetti-Oracle Research Lab (ORL) database and AR face database. The experimental results consistently show our scheme's superiority and demonstrate its very high-performance comparing favorably to some recent face recognition methods, achieving 99.3% and 100% accuracy, respectively, on the former two databases, exhibiting very robust performance on the last database against varying illumination conditions.