人脸图像的特征提取

人脸识别的研究是模式识别和人工智能领域内的重要课题，有着十分广泛的应用前景。人脸特征的自动提取是人脸自动识别过程中至关重要的一个环节。主要就基于积分投影的人脸图像的特征提取、基于奇异值分解的特征提取及小波特征提取等几种较好方法进行研究。基于积分投影的人脸图像特征点的提取方法对人脸进行定位特别精确。基于小波分解频谱性分析的人脸特征提取极大减少了图像的存储空间和计算复杂度。基于SVD分解的特征提取处理后的正确率很高，计算复杂度也低。     

基于小波和流形学习的人脸姿态表情分析

针对人脸研究领域中高维数据产生的计算复杂度问题,提出基于小波分解的流形学习方法,对高维数据进行降维,从而达到降低计算复杂度的目的。该方法对人脸图像进行不同层次的小波分解保留低频分量后再分别应用局部线性嵌入(LLE)及局部保持投影(LPP)两种流形学习算法。实验在Frey和CMU PIE人脸库上进行,给出人脸姿态和表情分布变化的实验结果,并分析了运行时间和经小波分解得到的低频子图像的能量。结果表明,基于小波分解的流形学习算法对于降低计算复杂度和保持图像信息是有效的。     

基于Gabor特征的快速贝叶斯人脸识别

对贝叶斯分类中两种计算相似度的公式进行简化,设计了基于Gabor特征的快速贝叶斯人脸识别方法.首先对人脸图像进行Gabor小波变换,把同一个人的Gabor特征与本人的类内Gabor均值图像之差作为类内差异图像,对类内差异图像进行小波分解取其低频图像;然后采用2DPCA方法建立类内特征子空间.对测试图像进行Gabor特征提取,并与目标图像的类内均值Gabor特征作差形成差异图像,对差异图像进行小波分解,提取低频子图信息投影到类内特征子空间,利用简化的贝叶斯准则进行分类.实验结果表明,该方法降低了算法复杂度,提高了识别率,并对光照和表情变化具有较强的鲁棒性.     

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。     

面向人脸识别的WPD-HOG金字塔特征提取方法

人脸识别技术可应用于各监控和安保领域,它涉及特征提取、识别模型等关键技术。其中特征提取方法直接影响识别效果,目前所用的特征提取方法存在特征表达不全面、计算复杂度高等问题。据此,提出一种基于WPD-HOG金字塔的人脸特征提取方法,该方法结合小波包分解（Wavelet Packet Decomposition,WPD）、图像金字塔以及方向梯度直方图（Histograms of Oriented Gradients,HOG）对人脸图像特征进行有效表征,最终将WPD-HOG金字塔特征通过SVM分类器进行分类。通过在ORL人脸库上进行实验,与四种对比方法HOG、HOG金字塔、FWPD-HOG以及FWPD-HOG金字塔进行比较,实验结果表明,WPD-HOG金字塔特征提取方法的识别率要高于对比方法,且在噪声方面具有较好的鲁棒性。     

基于多分辨率下节点图像融合的人脸识别方法

人脸识别是人机接口和生物信息领域研究的重要方面,得到广泛的关注,人脸特征提取是其重要环节之一。为了克服人脸光照和表情变化对特征提取的影响,提出在小波包分解后的多分辨率下利用(2D)2PCA提取人脸特征进行识别的方法,主要创新包括：（1）以小波包分解所有节点图像为研究对象;（2）提出以识别率来选取“成功”节点;（3）提出一种融合节点图像的方法。首先通过二层小波包分解获取节点图像,采用(2D)2PCA方法提取所有节点图像的特征矩阵,并利用最邻近分类器获取其识别率,然后在选取“成功”节点图像的基础上,构建了一个融合方法进行人脸识别。用CMU PIE和Yale 库中的样本进行对比测试,结果表明本方法的高效性,同时也说明融合多分辨率下的节点图像能有效提高识别率。     

基于小波多尺度奇异值分解的人脸识别

作为一种矩阵分解方法,奇异值分解可用于提取图像的代数特征。图像的奇异值特征具有很多好的性质,如稳定性、几何不变性、对噪声的不敏感性。但是只用一个尺度的图像奇异值特征难以获得高识别率。基于小波变换和奇异值分解,提出了基于小波多尺度奇异值分解的图像特征提取方法,将多个尺度的小波子图奇异值特征组合起来用于人脸识别,在ORI, YALE和JAFFE 3个人脸数据库上的识别率分别达到82.11%,100%和95.68%.     

基于人脸细节方向特性的识别特征提取

充分考虑到人脸图像的整体和细节特征,进而将人脸的眉毛、眼睛、鼻子和嘴部细节部分的水平方向特性引入到特征提取环节中;将小波变换后的低频近似分量、表达上述水平特性的水平细节分量以及眉毛、眼睛、鼻子和嘴部细节区域分别进行奇异值分解,并对得到的3组奇异值进行排列组合,最终作为该图像的有效识别特征。结果表明,基于人脸细节方向特性的识别特征提取方法的识别率高于在原图上的基本奇异值分解等方法。     

基于模糊积分分类器融合的人脸识别

提出一种基于模糊积分分类器融合的人脸识别算法。对人脸图像进行小波变换,选取合适的小波基函数及有效的分解层数,提取低频分量系数作为分类特征设计分类器。对原图像采用2DPCA进行特征提取设计另一分类器,采用模糊积分的算法融合2个分类器并得出最终分类识别结果。实验结果表明,模糊积分能够有效融合分类器的互补信息,提高系统的分类性能,从而提高人脸识别率。     

基于小波包的新LDB人脸识别方法

研究人脸特征优化识别问题,图像信息中存在不同噪声和不同人脸特征.通过特征提取识别,获得不同人脸特征.针对传统人脸识别方法的识别率受光照、旋转等约束条件影响大的缺点,为了提高识别率,提出了一种根据小波包变换和改进的LDB(Local Discriminant Basis)方法相结合的人脸识别方法.算法首先利用小波包对人脸图像进行分解,再采用改进的LDB方法获取最佳分类特征,最后利用Euclidean距离函数进行分类识别.在人脸库Feret进行实验.结果表明,新算法减少了计算复杂度,提高了识别率,为人脸识别提供了依据.     

基于小波分解和多分类支持向量机的脸谱识别

小波分解提取脸谱特征具有对表情变化不敏感的特点，支持向量机竹=为分类器具有很高的推广性能，无需先验知识，针对小波分解和支持向量机所具有的优点，提出了一种新的脸谱识别算法，在该算法中无需对洲练图像进行预处理，直接使用小波分解方法对脸谱图像进行特征提取，用所提取的脸谱特征向量组合成新的脸谱特征向链洲练多分类支持向量机模型，最后用训练好的支持向量机进行脸谱识别，在训练中分别采用了三种不同的核函数；使用ORL脸谱图像库对该算法进行了测试和评估，测试结果表明了该算法在识别性能方面的优越性。     

基于小波和ICA的面部特征定位

面部特征的定位是自动人脸识别（AFR）系统的重要组成部分，现有主要包括基于先验知识、几何形状、色彩、外观和关联信息五类方法。本文从信号学的角度，提出了一种基于小波和独立分量分析（ICA）的新方法。先对面部图像进行小波分解，提取出主要代表眼睛和嘴巴特征的水平边缘图像，再把说话人在视频流中眼睛的闭合和嘴巴的运动看成是相互独立的运动分量，利用ICA分离出眼基和嘴基，然后分别利用它们来重建人脸图像，从而实现眼睛和嘴巴的定位。     

加权小波和流形正则化的NMF融合的人脸识别

为了获取更充分的人脸特征信息以提高识别性能,应用加权小波变换和流形正则化非负矩阵分解的方法实现人脸识别。采用小波变换,提取训练样本人脸图像的加权高频分量和低频分量的特征信息;应用流形正则化非负矩阵分解方法,在保持人脸特征数据原始几何结构和局部特征的基础上获取最终的识别特征;利用最近邻方法进行分类识别。将该算法在ORL人脸库和YALE人脸库上进行测试验证,结果表明,与传统的非负矩阵分解方法相比,其识别率高出5%左右,且计算时间很低,说明该方法耗时短,效率高。     

基于纹理的图像检索关键技术研究

纹理是图像中普遍存在而又难以描述的特征,纹理特征的提取与识别是基于内容的图像检索研究中的重要组成部分。提出了一种基于小波包变换与奇异值分解的纹理特征提取与识别算法,通过欧氏空间的距离度量的计算,能得到与样本图像最相似的图像。     

有限集手写汉字识别中的笔画分区矩描述特征

提出了一种笔画分区矩特征的提取方法。根据汉字笔画分布特点，利用小波变换将汉字分解为4个方向笔画分量，用分区矩分别描述4个笔画于图像，并采用K—L变换对特征进行降维处理。采用该特征对有限集手写体汉字进行识别，初步实验结果表明该方法十分有效。     

基于积分投影的人脸图像的特征提取

人脸识别是模式识别领域内的重要课题，有着十分广泛的应用前景，人脸特征的自动提取是人脸自动识别过程中重要的一步。该文采用基于人脸几何特征的方法，首先通过边缘检测和阈值技术对人脸图像进行预处理；然后分别采用水平和垂直积分投影的方法确定人脸轮廓，最后利用人脸特征的先验知识，提取出特征点。实验结果表明该人脸特征提取系统能有效地提取头部轮廓和人脸的主要特征点，实现简单，效率高，特别适合于标准证件类型的黑白照的识别。     

一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

支持向量机和遗传算法的人脸识别方法

支持向量机是一种基于小样本学习的有效工具,作为分类器被认为具有很高的推广性能,无需先验知识。但是参数的选取与支持向量机的识别性能是相关的,核函数参数σ²和惩罚因子C对支持向量机识别性能会产生很大的影响。针对支持向量机在人脸识别问题中的应用,提出了一种基于遗传算法（GA）的参数选择优化方法。利用笔者曾提出的基于小波分解和积分投影的人脸特征提取算法对人脸图像进行特征参数提取,然后利用优化的支持向量机进行识别。实验结果表明,该方法是有效的。     

一种用于人脸识别的非线性鉴别特征融合方法

最近，在人脸等图像识别领域，用于抽取非线性特征的核方法如核Fisher鉴别分析(KFDA)已经取得成功并得到了广泛应用，但现有的核方法都存在这样的问题，即构造特征空间中的核矩阵所耗费的计算量非常大．而且，抽取得到的单类特征往往不能获得到令人满意的识别结果．提出了一种用于人脸识别的非线性鉴别特征融合方法，即首先利用小波变换和奇异值分解对原始输入样本进行降雏变换，抽取同一样本空间的两类特征，然后利用复向量将这两类特征组合在一起，构成一复特征向量空间，最后在该空间中进行最优鉴别特征抽取．在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法，而且，在ORL人脸库上的特征抽取速度提高了近8倍．