一种基于彩色+深度的人脸识别算法

本文提出了一种基于彩色+深度(RGB-D)的人脸识别方法,以提高识别率.首先从Kinect获得一个具有丰富的头部姿势变化、光照变化等不同条件下的彩色+深度(RGB-D)图像,将获取的同一个人在不同条件下的多个图像看做一个图像集;其次将Kinect获得的原始深度数据用于姿态估计和脸区域的自动裁剪.根据估计的姿态将一组脸部图像集分成多个子图像集.对于分类,本文提出了一种基于块的协方差矩阵表示图像模型在黎曼流形上一个子图像集的方法以降维,并使用SVM模型分别学习每个子图像集,然后将所有子图像集的结果相融合得出最终的识别结果.本文所提出的方法已经在包含不同条件下超过5 000幅RGB-D图像数据集中进行了评估.实验结果表明本文算法可实现高达98.84%的识别率.     

基于张量线性鉴别分析的人脸识别算法

人脸识别现已成为当前模式识别和人工智能领域的一个研究热点。在线性鉴别分析(LDA)方法的基础上,结合张量知识,提出一种基于张量子空间的LDA人脸识别算法。该算法的核心思想是:首先构造关于遮挡物、角度和表情的三阶人脸张量,根据LDA的Fisher准则,利用迭代方法得出张量的最佳投影矩阵,再构造分类器,判定张量所属的类。该算法有较高的识别率,能够应用于多姿态的人脸识别。     

基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。     

一种基于典型相关分析的特征融合算法

针对声呐目标识别的特征融合问题,采用一种基于典型相关分析(CCA)的融合算法,实现了不同特征的有效融合,在保留特征有效信息的同时消除了冗余信息。实验数据分析结果表明,该方法及其改进算法一定程度上提高了目标识别正确率。     

一种改进NMF算法及其在人脸识别中的应用

为了提高非负矩阵分解(NMF)算法对光照、姿态等外部因素的鲁棒性,本文对传统的NMF进行改进,提出了一种改进的NMF方法.首先对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过Havard人脸库和Umist人脸库上的实验,结果表明,该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的NMF方法和PCA等子空间分析法识别率提高了20%以上.     

一种快速的基于稀疏表示的人脸识别算法

基于稀疏表示的人脸识别算法（SRC）识别率相当高,但是当使用l1范数求最优的稀疏表示时,大大增加了算法的计算复杂度,矩阵随着维度的增加,计算时间呈几何级别上升,该文提出利用拉格朗日算法求解矩阵的逆的推导思路,用一种简化的伪逆求解方法来代替l1范数的计算,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算,基于AR人脸库的实验证明,维度高的时候识别率高达97%,同时,计算复杂度和开销比SRC算法大幅度降低95%。     

基于两空间线性鉴别分析的小样本人脸识别

指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法.首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类.实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法.     

基于HMM-SVM融合模型的鲁棒人脸识别算法

针对人脸识别的鲁棒性问题,鉴于HMM具有良好的时间序列建模能力和SVM在有限样本的分类方面具有优良性能,采用一种基于HMM-SVM融合模型的鲁棒人脸识别算法.首先将归一化人脸图像用采样窗从上到下进行采样,采用DCT争SVD提取各个采样窗图像的特征参数并串接成观察向量,然后由每个人的训练图像的观察向量训练得到每个人HMM模型,将测试图像的观察向量采用Viterbi算法求出对应于每个人HMM模型的输出概率,最后将输出概率送入支持向量机进行分类训练及识别测试,得到人脸识别结果.在ORL库和Yale库的实验表明该算法的识别率高于传统的单一HMM方法和SVM方法,鲁棒性有一定的提高.     

基于改进的LBP人脸识别算法

针对基本LBP算子提取的特征不够完整,不能全面地表达出人脸局部特征的问题,提出了基于分块的完备局部二值模式(CLBP)人脸识别算法。首先对原始人脸图像进行分块处理,对每一分块的图像进行局部差异值和中心像素灰度值分析,用Su2CLBP(8,2)、Mu2CLBP(8,2)和CCLBP(8,2)算子分别提取每一分块的直方图统计特征。然后将所有分块的CLBP直方图序列连接起来,得到人脸图像的CLBP特征,将其作为人脸的鉴别特征用于分类识别。最后利用Chi平方统计法计算直方图的不相似度,用最近邻准则进行分类。所提出的算法分别在ORL、FERET、YALE数据库中进行实验,分别取得了高达99.5%、92%、98.67%的识别率,与分块LBP算法相比识别率分别有2.5%、8%、2.67%的提高。实验结果表明,完备LBP提取的特征比较全面且具有较强的鉴别能力,在ORL、FERET、YALE人脸库中均能获得较好的识别率。     

基于GNSA多尺度模型的人脸识别

考虑近似图像信息和细节图像信息,提出了 GNSA 多尺度模型。该模型利用具有 1 个隐含层和 50 个隐单元的神经网络建立不同尺度图像间的映射关系;使用反向传播算法训练神经网络,确定这种映射关系;根据该映射关系由低分辨力图像估计高分辨力图像。采用亮度相似性和对比度相似性量化估计图像与目标图像间的相似程度。实验表明,以该模型分析得到的两种相似性分别为 89.907%和 96.196%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性。     

基于模糊理论决策的双向二维PCA步态识别算法

针对步态识别中的平均步态能量图像系数矩阵维数过高和分类较困难的特点,提出一种基于模糊理论决策分类的双向二维主成分分析的步态识别算法.通过预处理技术得到平均步态能量图并将得到的图像分割为多个子图像,利用双向二维主成分分析来降低平均步态能量子图像的系数矩阵维数,加快识别速度.引入模糊理论决策的方法进行最近邻分类器的分类.最后在CASIA步态数据库上对所提出的算法进行实验,实验结果表明该算法具有较好的识别性能并有较强的鲁棒性.     

Integrating GWTM and BAT algorithm for face recognition in low-resolution images

In biometrics, face recognition is one of the important identification methods with various applications such as, video surveillance, defence, human/computer interactions and many more. The current face recognition systems perform well using the frontal images with high resolution. In contrast, the utilisation of low-resolution (LR) images degrades the performance of face recognition systems. Hence, this paper integrates the Gabor filter?+?wavelet?+?texture (GWTM) operator and the BAT algorithm to increase the performance, while deploying the LR images. The proposed algorithm integrates the uniqueness of Gabor features, the robustness of local features and the wavelet features to handle the inter-person and intra-person variations. This paper utilises the spherical SVM classifier to enhance the recognition performance. Finally, the proposed GWTM operator is compared with other existing algorithms such as, GOM, LBP and LGP based on the parameters of accuracy, FAR and FRR. The proposed GWTM operator attains the highest accuracy of 95% and a minimum FAR of 5%. The results prove that the proposed GWTM yields a performance improvement of 5, 3, 4 and 15% over the GOM, LBP, LGP and GWTM, respectively, in the absence of the BAT algorithm.     

肤色建模和肤色分割的人脸定位研究

为了实现彩色图像中人脸的精确定位,提出了一种基于肤色模型、肤色分割处理的人脸定位算法.通过建立肤色模型计算得到图像的相似度分布图,经自适应阈值的二值化处理后,再进行肤色分割,将非人脸区域去除:最终利用眼睛与嘴巴构成三角形特征结合人脸椭圆模板匹配定位人脸.实验结果表明,该算法对于复杂背景下的彩色图像中的人脸正面定位和人脸转动一定角度后定位都有较好效果.     

A supervised dimensionality reduction method-based sparse representation for face recognition

The sparse representation-based classification (SRC) method is a powerful tool to present high-dimensionality data and its superiority in many fields, especially in face recognition application has been proved. With sparsity appropriately harnessed, the SRC can solve face classification problems caused by varying expression, illumination as well as occlusion and disguise. However, face images as high-dimensionality data are usually noisy and the dimensionality is always larger than the number of training sample in real-world applications, which bring a disadvantage for the performance of SRC. Therefore, it is beneficial to perform dimensionality reduction (DR) before utilizing the SRC method. But most prevalent DR methods have no direct connection to SRC. In this paper, we proposed a supervised DR algorithm which suits SRC well and improves the discriminating ability in the low-dimensionality space. The proposed method utilizes the fisher discriminant criterion and low-dimensionality reconstructive restriction to extract the discriminating structure of data. The extensive experiments on public face databases verified the effectiveness of the supervised DR with the model of sparse representation.     

Near-infrared and visible light image fusion algorithm for face recognition

In order to improve face recognition accuracy, we present a simple near-infrared (NIR) and visible light (VL) image fusion algorithm based on two-dimensional linear discriminant analysis (2DLDA). We first use two such schemes to extract two classes of face discriminant features of each of NIR and VL images separately. Then the two classes of features of each kind of images are fused using the matching score fusion method. At last, a simple NIR and VL image fusion approach is exploited to combine the scores of NIR and VL images and to obtain the classification result. The experimental results show that the proposed NIR and VL image fusion approach can effectively improve the accuracy of face recognition.     

Analysis of unsupervised learning techniques for face recognition

Face recognition has always been a potential research area because of its demand for reliable identification of a human being especially in government and commercial sectors, such as security systems, criminal identification, border control, etc. where a large number of people interact with each other and/or with the system. The last two decades have witnessed many supervised and unsupervised learning techniques proposed by different researchers for the face recognition system. Principal component analysis (PCA), self‐organizing map (SOM), and independent component analysis (ICA) are the most widely used unsupervised learning techniques reported by research community. This article presents an analysis and comparison of these techniques. The article also includes two SOM processing methods global SOM (GSOM) and local SOM (LSOM) for performance evaluation along with PCA and ICA. We have used two different databases for our analysis. The simulation result establishes the supremacy of GSOM in general among all the unsupervised techniques. © 2010 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 20, 261–267, 2010     

基于切割子模块的单样本人脸识别

针对单样本人脸识别问题,本文提出了一种基于单样本切割的子模块主成分分析方法.该方法将单样本人脸图片切割成大小相同、互不重叠的多个子模块,切割后的子模块集构成新的样本集.对所有子模块作主成分分析(PCA)并提取特征,同一人脸的子模块特征系数作为分类识别的依据.在ORL人脸库上的测试结果表明,同PCA,(PC)2A,Sub-pattern LDA相比,该方法具有更好的识别率.     

一种新的基于颜色统计特征的判别跟踪方法

针对目前目标跟踪的大部分判别算法注重跟踪效率而没有考虑尺度变化这一问题,提出了一个简单而鲁棒的基于颜色统计特征的判别跟踪方法。这种新的颜色统计特征具有一定的光照不变性,同时保持较强的判别能力。建立了跟踪过程的仿射运动模型,利用优化参数来解决尺寸及角度变化等问题。此外,为了进一步提高跟踪速度,采用低维的颜色统计特征描述目标外观,利用颜色统计特征训练贝叶斯分类器,将置信值最大的样本作为跟踪结果,并在线更新分类器。与现有跟踪器的大量综合性的对比实验表明,该判别跟踪方法在不同挑战因素下均有明显优势。