组合2DFLDA监督的非负矩阵分解和独立分量分析的特征提取方法*

通过对投影非负矩阵分解(NMF)和二维Fisher线性判别的分析,针对NMF的特征提取存在无监督学习以及特征维数高的问题,提出了组合2DFLDA监督的非负矩阵分解和独立分量分析(SPGNMFICA)的特征提取方法。首先对样本进行投影梯度的非负矩阵分解,将得到的NMF子图像进行二维Fisher线性判别,主要反映类间差异信息构建子空间;对子空间的向量进行独立分量分析(ICA),得到独立分量特征空间;其次将样本在独立分量特征空间上进行投影;最后使用径向基网络对投影系数进行识别。通用人脸库ORL和YALE的识别实验证明,该算法是一种有效的特征提取和识别方法。     

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。     

小波树和Fisher线性鉴别的人脸识别

结合小波树和子空间分析中Fisher线性鉴别方法,本文提出基于小波树和Fisher线性鉴别的人脸识别算法(WAFLD)。该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;然后对小波近似分量进行二次小波分解,相应地计算出各小波近似分量;其后对三层分解的小波近似系数进行重新组合,得到一个新的样本集;最后在此样本集上使用Fisher线性鉴别方法进行人脸识别。ORL和CAS-PEAL-R1人脸库的实验结果表明,与Fisherfaces和Eigenfaces方法相比较,WAFLD方法的人脸识别率为99%,对光照条件、脸部表情变化有良好的鲁棒性。     

基于2D-DWT与FLD的人脸识别算法

基于加权二维离散小波变换(2D-DWT)与Fisher线性判别(FLD),提出一种人脸识别算法。利用db2小波对人脸图像进行2层小波分解,对于分解图像利用FLD法进行特征提取,运用最近邻分类法对提取的特征进行分类识别。在ORL标准人脸图像库上的实验结果证明,该算法能取得较好的识别率。     

基于血流图的小波域分块DCT + FLD红外人脸识别方法

为了从生物特征角度同时结合人脸的局部特征和整体特征提高红外人脸的识别性能,提出了一种基于血流图的小波域分块DCT+FLD(Fisher线性判别)红外人脸识别方法.首先利用血流模型把温谱图转换成血流图,然后用小波变换对人脸血流图像做两级小波分解,再对低频子带进行分块并对每个分块进行DCT变换,提取部分变换后的系数作为子块的特征值,对这些子块的特征值构成的组合特征值从整体上做Fisher线性分析,得到特征子空间,最后根据欧氏距离和三阶近邻分类器进行识别,得到最终的识别结果.实验表明,同基于传统PCA+FLD,DCT+FLD以及DWT+PCA+FLD方法相比,所提出的方法得到了更好的识别效果.     

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。     

结合Fisher判别分析和稀疏编码的图像场景分类

视觉词典法是当前广泛使用的一种图像表示方法,针对传统视觉词典法存在的表示误差大、空间信息丢失以及判别性弱等问题,提出一种基于Fisher判别稀疏编码的图像场景分类算法.首先利用近邻视觉词汇重构局部特征点,构建局部特征点的非负稀疏局部线性编码,从而有效地利用图像的空间信息;然后在非负稀疏局部线性编码的基础上引入Fisher判别约束准则,构建基于Fisher判别约束的非负稀疏局部线性编码模型,以获得图像的判别稀疏向量表示,增强图像稀疏表示的判别性;最后结合支持向量机(SVM)分类器实现场景分类.实验结果表明,该算法提高了图像稀疏表示的特征分类能力以及分类性能,更有利于场景分类任务.     

一种基于非负矩阵分解的鲁棒零水印算法

为了解决现有数字水印中鲁棒性和不可感知性之间的矛盾,设计了一种基于非负矩阵分解和离散小波变换的图像零水印算法。原始图像进行不重叠分块,分别对每子块图像进行3级小波分解得到低频近似分量;对细节分量作非负矩阵分解得到可近似表示子块图像的基矩阵和系数矩阵;将系数矩阵量化得到特征向量,通过特征向量和水印的运算得到原始图像的版权信息。实验结果表明该方案对常见信号处理具有很强的鲁棒性,同时密钥的使用保障了算法的安全性。     

稀疏约束下非负矩阵分解的增量学习算法

非负矩阵分解(NMF)是一种有效的子空间降维方法。为了改善非负矩阵分解运算规模随训练样本增多而不断增大的现象,同时提高分解后数据的稀疏性,提出了一种稀疏约束下非负矩阵分解的增量学习算法,该算法在稀疏约束的条件下利用前一次分解的结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性。在ORL和CBCL人脸数据库上的实验表明了该算法降维的有效性。     

基于DWT和ONMF的人脸表情特征提取

提出了一种基于离散小波变换(discrete wavelet transformation,DWT)和标准正交非负矩阵分解(orthonormal non-negative matrix factorization,ONMF)的人脸表情特征提取方法,该方法先通过离散小波变换,降低图像的噪声,并将得到的图像的低频信息作为研究对象;再采用标准正交非负矩阵分解来提取表情特征.实验结果表明相对于PCA,NMF和LNMF方法,本文方法能够有效地减小类内与类间距离的比值,体现了很好的聚类效果;较高的识别率和较快的识别速度表明了该特征提取方法的有效性.     

Holistic and partial facial features fusion by binary particle swarm optimization

This paper proposes a novel binary particle swarm optimization (PSO) algorithm using artificial immune system (AIS) for face recognition. Inspired by face recognition ability in human visual system (HVS), this algorithm fuses the information of the holistic and partial facial features. The holistic facial features are extracted by using principal component analysis (PCA), while the partial facial features are extracted by non-negative matrix factorization with sparseness constraints (NMFs). Linear discriminant analysis (LDA) is then applied to enhance adaptability to illumination and expression. The proposed algorithm is used to select the fusion rules by minimizing the Bayesian error cost. The fusion rules are finally applied for face recognition. Experimental results using UMIST and ORL face databases show that the proposed fusion algorithm outperforms individual algorithm based on PCA or NMFs.     

基于信息融合的面部表情识别

文章提出用支持向量机融合四种基于不同特征表示的面部表情识别方法进行面部表情识别,即几何表示、PCA人脸表示、ICA人脸表示和FLD人脸表示。在用FLD和ICA提取表情特征前先进行PCA,把训练样本的人脸图像向量投影到一个较低维的空间,以达到降维和去除相关性的目的。然后对每一种表情特征表示都用最小距离分类器进行初步分类,最后用支持向量机融合这些分类结果来进行面部表情的最终识别,实验证明本文提出的方案是有效的。     

Augmented DT-CWT feature based classification using Regularized Neighborhood Projection Discriminant Analysis for face recognition

This paper presents a novel face recognition method which integrates the Augmented Dual-Tree Complex Wavelet Transform (ADT-CWT) representation of face images and Regularized Neighborhood Projection Discriminant Analysis (RNPDA) method. ADT-CWT first derives desirable facial features characterized by spatial frequency, spatial locality, and orientation selectivity to cope with the variations due to illumination and facial expression changes. Different from DT-CWT, which does not consider the structural characteristics of the face images, our representation method not only considers the statistical property of the input features but also adopts an Eigenmask to emphasize those important facial feature points. The dimensionality of the derivation of ADT-CWT feature is further reduced by using RNPDA, which directly obtain a set of optimal eigenvectors with a simple regression framework and thus can overcome the small sample size problem of NPDA. Extensive experiments have been made to compare the recognition performance of the proposed method with some popular dimensionality reduction methods on the FERET database, the extended YALEB database and the CMU PIE database. The results verify the effectiveness of the proposed method.     

基于小波分析与KPCA的人脸识别方法

对于一种有效的人脸识别方法，特征选择是极为重要的问题。而小波多分辨率分析可以获得对人脸识别有用的低频特征，KPCA则可用于提取人脸非线性特征。为此，本文〖BP）〗提出结合小波变换及KPCA的特点获取人脸特征，设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响，为了获得最优的识别效果，在UMIST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率，是一种快速、有效的人脸识别方法。     

Face Recognition by Combining Wavelet Transform and k-Nearest Neighbor

A novel technique for face recognition is presented in this paper. Wavelet transform and k-nearest neighbor rule are combined in this technique. Wavelet transform is adopted to obtain the low pass images of the original face images in order to reduce the impact of facial expressions. When the scales of the head of an individual in sample images are different, wavelet transform is employed to extract the position of racial features. Then a new method is adopted to construct feature vectors using the grey values of face images. Finally, k-nearest neighbor rule is employed to complete the recognition process. Experimental results show that the proposed technique is efficient at computation and robust to the facial expressions.     

人脸的层次化描述模型及识别研究

人脸自动识别是一个困难但有重要意义的工作。文中提出了一种基于人脸层次化描述的识别方法。该方法首先对人脸进行快速准确的特征定位及标准化,然后采用主元分析神经网络分别对定位的人脸及其特征区域进行最佳特征提取,从而得到人脸在低分辨率和较高分辨率上的两层特征描述用以识别,具有识别率高、特征数据量适中、可用于大量人像识别等特点。此方法在１３００幅人像上进行了测试,结果表明其在人脸转动、表情变化或入脸未经训练     

基于DTCWT和LBP的低分辨率人脸识别

针对短时傅里叶变换频率分辨率较差的缺点,提出一种基于双树复小波变换(DTCWT)和局部二进制模式(LBP)直方图的低分辨率人脸识别方法。使用DTCWT获得人脸图像的多尺度多方向的频率幅度响应,采用LBP获取频率幅度响应的统计直方图,通过基于统计的一致性模式得到更加紧凑的统计分布特征。实验结果表明,该方法在低分辨率人脸上可以达到较高的识别准确率。     

基于极端学习机的人脸特征深度稀疏自编码方法

针对输入人脸特征的不准确性导致识别系统识别率不高的问题,提出了一种有效的基于极端学习机（ELM）的人脸特征深度稀疏自编码（DSAE）方法。首先,利用截断式核范数构造损失函数,通过最小化损失函数提取人脸图像的稀疏特征;其次,利用极端学习机自编码器（ELM-AE）模型进行人脸特征的自编码,实现数据维度的降低以及噪声过滤;最后,通过经验风险极小化得到最优的深度结构。在ORL、IMM、Yale和UMIST人脸数据集上的实验结果表明,DSAE方法对高维人脸图像的识别率明显优于极端学习机、随机森林（RF）等算法,且具有良好的泛化性能。