小样本条件下采用Gabor特征的人脸识别

人脸表征和特征提取是人脸识别中的关键问题．针对Gabot特征的识别能力问题,利用点分布模型和类别可分离性判据研究了人脸不同位置和不同Gabor展开系数的分类能力．实验结果表明,合理地构造Gabor特征和选择特征点位置,能够提高识别率和减少特征数量．在此基础上,提出了在小样本条件下结合主动形状模型和Gabor特征进行人脸识别的方法．     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

基于Gabor小波自适应判别的单样本人脸识别

提出一种基于Gabor小波和LDA的人脸识别算法,借助通用训练集估计类内散布矩阵,使才传统LDA算法在单样本问题中可行。最后,在FERET人脸数据库上对所提方法进行了实验,结果表明该方法在单样本问题上取得了较好的结果。     

基于Gabor小波的人脸识别技术

本文首先通过直方图均衡化等预处理方法增强图像的整体对比度,使图像的细节更加清晰.然后利用Gabor小波变换,选取不同的尺度和方向对人脸表情特征进行提取.最后通过实验结果对比证明预处理后的图片在进行小波变换时能节省大量的运算时间,并提高识别率.     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题。该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法。首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数．最后采用最近邻分类器进行识别。由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表强,该方法在识别性能上优于核主分量分析方法。     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题.该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法.首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数,最后采用最近邻分类器进行识别.由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表明,该方法在识别性能上优于核主分量分析方法.     

基于多通道Gabor滤波与CS-LBP的人脸识别方法

近来,局部二值模式(Local Binary Pattern,LBP)在人脸识别中取得了成功应用。然而,LBP提取的特征维数通常很高。而中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CS-LBP)采用中心对称思想对图像进行编码,能够显著降低提取的特征的维数。为此,将CS-LBP应用于人脸图像特征提取,并结合多通道Gabor滤波,提出了基于多通道Gabor滤波与CS-LBP的人脸识别算法。在Yale,ORL,FETER标准人脸库上的实验结果表明,相比局部二值模式,CS-LBP以提取更少的特征维数取得了相当的识别率,并且,基于多通道Gabor滤波的CS-LBP能显著提高识别精度。     

基于ASM和Gabor变换的人脸识别

人脸形状特征的变化是造成人物面貌差异的重要原因之一。主动形状模型(ASM)技术提供了检测该特征的有力手段。Gabor变换有着良好的仿生特性。它提供了理解视觉信息的有效途径。结合上述技术,采用点分布模型对人脸形状进行描述,利用ASM进行人脸特征点的搜索。以特征点上的Gabor展开系数作为人脸特征矢量,进行人脸辨识,实验结果表明,该算法能够在少量训练样本的情况下获得较高的识别率,并对光照、人物表情等变化具有较好的适应性。     

Gabor核函数窗的设置研究

Gabor滤波器广泛应用于模式识别等领域,但是在应用傅立叶变换进行Gabor快速卷积过程中,对Gabor核函数窗的设置研究较少.首先从理论上分析Gabor核函数窗的性质及其对特征提取的影响;其次从对称性、范围两个方面在YaleB人脸库上进行实验,研究Gabor核函数窗的不同设置对目标识别率的影响;最后给出相应的结论.     

基于Gabor定向模式的人脸识别方法

为了从Gabor滤波后的幅值图中提取更加有效的分类特征,提出了一种新的基于Gabor定向模式（GDP）的人脸识别方法。首先对人脸图像进行多尺度多方向的Gabor滤波,然后提出了一种新的GDP算子通过对每种尺度下所有方向的Gabor幅度图进行编码得到每种尺度对应的GDP模式图,最后将所有GDP模式图的直方图向量串联作为最终的人脸表示。由于GDP算子同时对同一尺度下的所有方向上的Gabor幅度响应进行编码,因而GDP特征不仅对外界变化具有较好的鲁棒性,而且能够显著降低最终的特征长度。在ORL和CAS-PEAL人脸库上的实验结果显示GDP方法能以更小的特征长度获得优于传统LGBP及LGXP等方法的识别效果,证明了方法的有效性。     

基于Gabor滤波器包络的人脸识别算法

2维Gabor滤波器已在文字、人脸和虹膜识别等方面得到广泛应用,Gabor滤波器在特征提取方面具有独特的优势,但高计算复杂度限制了应用。如何快速地利用Gabor滤波器进行识别成为当前研究的重点。提出了基于2维Gabor滤波器包络的人脸识别算法,通过忽略Gabor滤波器的正弦部分,保留高斯成分构造矩形包络,将椭圆滤波器转换为矩形滤波器进行特征提取,即可以在不影响特征提取性能的情况下,只计算滤波器的主要能量区间,忽略区间以外的部分,提高了运算速度。在Yale和ORL人脸库上的测试结果证明,该算法分类准确度优于Eigenface和Fisherface方法,且速度较传统的Gabor滤波器方法快20%,取得了满意的结果。     

融合Gabor 特征与投影字典对学习的#br# 人脸识别算法

为了获得更好的人脸特征,有效地提高算法的识别率,提出了一种联合Gabor 特征 与投影字典对学习的人脸识别算法G-DPL。算法使用Gabor 小波提取人脸图像的局部特征,对特 征向量使用PCA 与LDA 的方法进行降维。将投影字典对学习算法与降维后的Gabor 特征融合, 然后进行分类识别。提出的G-DPL 算法在ORL 库上整体识别率达到99.00%,特征维数为39 维。 在AR 库上识别率达到96.14%,特征维数为99 维。提出的G-DPL 算法在占用较少空间的同时能 够获得更高的识别率,对实际应用具有一定的参考价值。     

Gabor特征判别分析人脸识别方法的误配准鲁棒性分析

人脸识别领域中,Gabor特征人脸表示方法因其在应用中获得的高首选识别率而被认为是一种理想的人脸特征表示方法。文章用一种全新的量化评价方法,结合配准精度和识别率,从误配准鲁棒性角度评价Gabor特征在人脸识别中的优越性。实验表明,和图像灰度信息特征相比,Gabor特征不仅在精确配准时具有高识别率,而且对由于人脸特征定位不精确而导致的图像变化的鲁棒性也更强。     

基于肤色分割和改进Gabor滤波相结合的人脸检测

针对人脸检测问题,提出了一种基于肤色分割和改进Gabor滤波相结合的方法;该方法首先基于YCbCr空间对图像中的背景区域和人脸肤色进行分割,以消除大量的背景区域提高运算速度;接着利用改进的Gabor滤波对提取出来的人脸肤色区域进行卷积得到人脸的特征向量,并和通过训练样本获得的特征向量进行比较以验证是否为人脸;最后通过实验分析,验证了所提方法能够在保证检测精度的基础上有效提高运算速度。     

基于多级Gabor变换序列特征的人脸识别

鉴于Gabor特征对光照、表情等变化具有鲁棒性,在寻找局部细节特征和全局轮廓特征的描述方面,提出一种基于多级局部多通道Gabor变换序列特征的人脸描述与识别方法。对人脸图像进行多级分块和对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(LGMM),将各级子图像的图谱LGMM进行连接后形成多级Gabor幅值域图谱,使用径向基网络对特征进行识别。对人脸库ORL和YEL的识别实验进行对比,结果验证了该方法的有效性。     

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.     

一种结合Gabor小波与深度学习的人脸识别方法

针对人脸识别中识别效果易受光照、姿态等因素影响和浅层学习方法不能有效提取人脸图像抽象特征的问题,提出一种结合Gabor小波与深度学习的人脸识别方法。该方法首先利用Gabor小波变换获取不同尺度和方向的人脸Gabor特征,通过下采样和受限玻尔兹曼机（RBM）对Gabor特征进行有效降维;其次将降维后的特征作为深度信念网络（DBN）的输入,并使用对比散度算法训练DBN;最后利用标签数据对DBN进行有监督微调,网络顶层附加Softmax分类器对提取后的特征进行分类。所提方法在ORL、UMIST和Yale-B人脸库上的识别率分别达到了98.72%、96.51%和96.13%,实验结果表明所提方法不仅识别效果明显优于其他现有方法,而且对光照、姿态变化具有很好的鲁棒性。