一种模糊双向最大间距准则人脸识别方法

研究提出一种模糊双向最大间距准则(fuzzy bidirectional maximum margin criterion,FBMMC)特征提取方法,并将其用于人脸识别.在FBMMC中,首先通过引入原始训练样本集的模糊隶属度矩阵,定义了面向图像的行方向模糊离散度矩阵和行方向模糊最大间距准则,进一步求得行方向最优投影矩阵;然后,对原始训练样本集中的每一个样本,采用行方向最优投影矩阵进行投影变换,从而得到行方向特征训练样本集.同样地,通过引入行方向特征训练样本集的模糊隶属度矩阵,给出了面向图像的列方向模糊离散度矩阵和列方向模糊最大间距准则的定义,进一步求得列方向最优投影矩阵.FBMMC在得到行、列两个方向的最优投影矩阵后,就可以将原始数据空间的样本数据投影到一个相对低维的特征空间,从而完成对原始样本数据的特征提取.在ORL和Yale人脸数据库上的实验结果表明,文中提出的模糊双向最大间距准则特征提取方法用于人脸识别具有较高的识别率.     

基于KPCA和Gabor小波的特征融合人脸识别

针对大多数人脸识别算法中特征提取只关注一种特征的问题,本文提出了一种基于KPCA和Gabor小波特征融合的人脸识别算法。它是一种用核主成分分析方法 (KPCA)提取人脸高阶非线性全局特征,用Gabor小波提取人脸局部特征,再分别用费谢尔线性判别(FLD)提取特征再加权级联融合的方法。实验表明,该算法不仅计算速度快,识别率高,而且能有效解决小样本空间问题。     

模拟生物视觉机制的彩色人脸识别方法

为了充分利用彩色图像提供的信息提高人脸识别的性能,提出了一种模拟生物视觉机制的彩色人脸识别方法。该方法首先构造一种模拟人类的色彩感知机制的对立色模型,将彩色人脸图像描述为对立色形式。然后,模拟初级视皮层的信息处理机制,从图像对立色描述的亮度分量和色度分量分别提取人脸的纹理特征和色彩特征。最后,分别对纹理特征和色彩特征进行分类识别,并将二者的识别相似度融合得到最终的人脸识别结果。该方法利用对立色模型提高了色彩特征对光照变化的鲁棒性,并且综合利用彩色图像的色彩和纹理信息提高了人脸识别的精度,特别是对模糊图像的识别精度。在彩色FERET人脸库和AR人脸库上的实验表明,相对于直接对灰度图像进行识别的方法,该方法对清晰图像的识别率提高了4.5%～16.3%,而对模糊图像的识别率提升更加显著。     

融合步态和人脸特征的远距离身份识别研究

在单一摄像头获得的步态图像序列中将步态信息和人脸信息相融合进行实时的远距离身份识别。在步态图像序列中自动提取侧面人脸图像。采用基于傅里叶描绘子和关键点特征的方法提取步态特征,采用傅里叶变换和奇异值分解的人脸识别方法对步态图像序列中的侧面人脸进行特征提取。利用欧氏距离作为度量建立匹配函数。在中科院自动化研究所CASIA步态数据库中进行实验,通过对单独利用步态特征和人脸特征进行识别的识别率和通过最大法则、加法法则和乘法法则融合后进行识别的识别率进行比较,实验表明将步态和人脸特征相融合可有效地提高了识别率,识别率可达95.00%。     

基于紧致全姿态二值SIFT(CCPBS)的人脸识别

姿态变化是人脸识别中的关键问题之一,全姿态二值SIFT（CPBS）提取等间隔采样姿态人脸图像的二值化SIFT特征,并用于任意姿态人脸识别,获得了良好的识别性能。但是,CPBS特征量很大,计算成本很高。提出了紧致全姿态二值SIFT（CCPBS）的人脸识别方法。选取间隔45°的人脸图像作为训练集,首先提取ASIFT特征进行融合。然后用基于稀疏表示的方法进行特征选择,有效地滤除相似或相同的特征,减少数据冗余。进一步对选择的特征进行二值化,即可得到CCPBS。人脸识别通过计算待识别人脸和CCPBS之间的汉明距离来完成。在CMU PIE和FERET人脸库上实验结果表明,提出的算法无需人脸对齐和标记,即可以取得很高的正确识别率,明显优于其他算法。与CPBS相比,识别率仅降低很少的同时,特征量降低了22.11%和32.63%。     

基于离散余弦变换和支持向量机的人脸识别方法研究

本文实现了一种基于离散余弦变换（DCT）和支持向量机（SVM）的人脸识别方法。该方法利用DCT提取人脸特征向量，输入到SVM分类器中实现人脸的识别．本研究对DCT系数的选取，DCT系数的个数及SVM核参数对识别的影响作了详尽的分析．使用SVM多类分类器的1-1判别策略，实现了一个鲁棒性和实时性均很好的人脸识别方法。实验表明。离散余弦变换技术和支持向量机的结合用于人脸识别。大大提高了识别的速度和识别率。     

基于紧致全姿态二值SIFT的人脸识别

姿态变化是人脸识别中的关键问题之一,全姿态二值SIFT(CPBS)提取等间隔采样姿态人脸图像的二值化SIFT特征,并用于任意姿态人脸识别,获得了良好的识别性能。但是,CPBS特征量很大,计算成本很高。提出了紧致全姿态二值SIFT(CCPBS)的人脸识别方法。选取间隔45°的人脸图像作为训练集,首先提取ASIFT特征进行融合。然后用基于稀疏表示的方法进行特征选择,有效地滤除相似或相同的特征,减少数据冗余。进一步对选择的特征进行二值化,即可得到CCPBS。人脸识别通过计算待识别人脸和CCPBS之间的汉明距离来完成。在CMU-PIE和FERET人脸库上实验结果表明,提出的算法无需人脸对齐和标记,即可以取得很高的正确识别率,明显优于其他算法。与CPBS相比,识别率仅降低很少的同时,特征量降低了22.11%和32.63%。     

基于PCA与贝叶斯决策的人脸识别算法

研究了主元分析与贝叶斯决策相结合的人脸识别方法。利用主元分析提取人脸图像训练集的特征子空间,将训练图像和测试图像投影到该子空间,提取特征向量及计算统计特性,利用最小错误率贝叶斯决策规则对测试图像进行分类,从而实现人脸识别。大量实验表明:主元分析能将人脸图像的特征信息有效地映射在特征子空间,同时采用贝叶斯决策规则能够快速准确地对人脸图像进行分类。     

基于奇异值分解的人脸识别方法

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL(Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.     

基于频谱脸和不变矩人脸识别新方法的研究

提出了基于频谱脸和不变矩的人脸识别方法。频谱脸是一种人脸的特征表达方式,可以有效地消除人脸表情变化、少许遮掩对人脸识别的影响。而不变矩是图像的一种统计特征,具有的平移不变性、旋转不变性和比例不变性,可以有效减少少许姿态和光照条件变化所带来的识别误差。因此首先对原始图像进行适当级数的小波变换及傅立叶变换得到人脸图像的频谱脸表达,然后利用频谱脸图像矩阵的不变矩作为识别特征,建立人脸识别模型。利用ORL人脸数据库进行仿真实验,结果表明,该方法识别率较高,识别速度较快,便于实时实现。