融合全局和局部特征的人脸识别算法

针对人脸识别算法缺乏对光照变化的自动调节能力的弱点,提出了一种综合利用全局和局部特征进行人脸识别的新方法。对整幅人脸图像进行主成分分析;针对人脸局部特征,提出一种根据各局部子块包含的信息量即利用图像熵值进行自动加权的算法;基于贝叶斯原理对全局和局部特征进行数据融合,给出最终结果。实验结果表明,该数据融合算法综合全局和局部特征提取方式的优势,有效提高了人脸识别率。     

融合全局与局部特征的子空间人脸识别算法

文章的工作基于子空间分析框架,从特征融合的角度模拟人类视觉系统的自适应识别功能进行人脸识别．首先,利用主成分分析（Principal Component Analysis,PCA）提取人脸全局特征,在一个低维的“人脸子空间”中依照最近邻法则匹配测试样本;然后,针对人脸局部特征,提出了一种根据各局部子块（如眉、眼、鼻、嘴）的特征偏离程度进行自动加权的算法;最后,基于模糊综合的原理对全局与局部特征进行数据融合,给出最终识别结果．实验表明,该算法能很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能．     

融合全局与局部特征的贝叶斯人脸识别方法

针对人脸识别特征提取阶段中的数据降维方法往往难以兼顾保持全局与局部特征信息的问题，以及匹配识别阶段贝叶斯分类器中小样本问题，提出了一种融合全局与局部特征的贝叶斯人脸识别方法。该方法通过核主元分析提取出人脸数据的全局非线性特征，并在此基础上通过正交化局部敏感判别分析挖掘出人脸数据的局部流形结构信息，以达到提取出具有高判别力低维本质人脸特征的目的；采用一种最大信息量协方差选择的方法，来对协方差矩阵进行估算，以解决贝叶斯分类器设计中的小样本问题。在ORL、AR、 YALE、FLW人脸库上设计实验来进行验证。结果表明，提出的特征提取算法以及对贝叶斯分类器的改进取得了比较好的效果，通过对这两个阶段的优化，可以显著提升人脸识别的效果。     

多特征局部与全局融合的人脸识别方法

提出一种在分数层上对全局和局部特征进行融合的人脸识别方法。全局特征由不同局部描述算子对整幅人脸图像进行运算产生,局部特征按空间位置的不同划分由直接抽取全局特征的子集构成。根据实际应用中对人脸识别系统速度和精度的不同要求,给出2种融合策略组合全局和局部特征。在FRGC v2.0大规模人脸库上的实验结果表明,该方法在增加少量运算的条件下能使系统性能明显提升。     

基于局部和全局特征的人脸识别方法

提出了一种将局部特征识别与全局特征识别相结合的人脸识别方法.该算法首先提取人脸的局部特征进行识别,然后提取未识别图像的全局特征进行识别.基于ORL人脸数据库的实验证明了该算法的识别性能要优于单一特征识别方法.     

基于全局与局部特征融合的人脸识别

由于全局特征与局部特征在人脸识别中的不同作用及结合的必要性,提出基于2DLDA全局特征与LBP局部特征加权融合算法,并在ORL库及光照子集、表情子集、姿态子集四个实验库上讨论融合算法对复杂光照、表情、姿态的鲁棒性.实验结果验证两种特征的互补性和融合算法的有效性.     

基于全局与局部特征融合的人脸识别方法

针对现有预处理算法存在的缺陷及单一人脸特征在识别中的局限性,本文在基于双眼独立动态阈值的人脸预处理方法的基础上,研究全局特征PCA、2DPCA与局部特征LBP、Gabor,分析对比这几种特征的识别效果及适用情况;根据对这几种特征的研究分析,采用特征融合的方式对PCA和LBP特征进行融合;实验结果验证了在ORL库和ESSEX库上采用决策级融合的识别率优于特征级融合及单一特征的识别率。      

基于全局和局部特征集成的人脸识别

提出利用一种串、并行结合的方式将全局和局部面部特征进行集成:首先利用全局特征进行粗略的匹配,然后再将全局和局部特征集成起来进行精细的确认.在该方法中,全局和局部特征分别采用傅里叶变换和Gabor小波变换进行提取.两个大规模的人脸库(FERET and FRGC v2.0)上的实验结果表明,此方法不仅可以显著提高系统的精度,而且可以提升系统的速度.     

融合全局和局部特征的Fisherfaces方法

提出了一种融合全局和局部特征的Fisherfaces方法。在Fisher线性准则下,抽取出图像全局特征和局部特征的最佳分类特征。计算待识别样本和训练样本集的加权欧氏距离。在最近邻准则下,判别待识别样本的类别,在ORL人脸库上进行的对比实验结果表明该方法的优越性。     

基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法.首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。     

基于全局和局部特征的目标识别研究

为提高目标识别的准确性和快速性,提出了基于全局和局部特征对目标识别的方法。基于颜色直方图提取全局颜色特征,利用多尺度空间来表达目标的局部特征,最后将全局和局部特征进行数据融合得到图像的识别结果。实验结果表明,该方法很好地结合了目标的整体和局部信息,能有效地识别目标,且识别效果优于单一的全局特征和局部特征的识别效果。     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。     

典型相关分析融合全局和局部特征的人脸识别

为了提高人脸的识别率,提出一种典型相关分析融合全局和局部特征的人脸识别算法（SUB-CCA）。通过划分子模式方式避免人脸识别存在小样本、非线性问题,并提取局部特征,采用主成分分析提取人脸图像的全局特征,并采用相关分析算法对全局、局总特征进行融合,消除特征间冗余信息,降低特征维数,采用投票法得到人脸识别结果,并采用3个人脸数据集对算法性能进行测试。仿真结果表明,相对于参比算法,SUB-CCA提高了人脸识别的识别精度。     

基于加权紧凑局部图结构的人脸识别算法

针对局部图结构算法(local graph structure,LGS)构建图结构时用到的像素点距离中心像素太远,以及在图结构形成后分配权重时没有结合周围像素点到中心像素的距离因素问题,提出加权紧凑局部图结构(weighted compact local graph structure,WCLGS)算法。该算法定义了一种混合特征提取策略,从四个方向为中心像素点构建图结构,分别在垂直方向和对角线方向捕获对称和非对称信息,并且在图结构形成后对距中心像素点近的边赋较大的权重,对距中心像素点远的边赋较小的权重。WCLGS通过提取更近的像素点信息和合理的加权策略,密切关注中心像素点的近邻元素的差异,使得中心点两侧的信息提取更加均匀充分。实验证明,与现有的一些局部图结构算法相比,WCLGS在ORL(Olivetti Research Laboratory)、AR(active record)和HD(high definition)热红外人脸数据库上有更好的识别率和性能。     

融合局部特征和全局特征的手指静脉识别方法

手指静脉识别是利用人体手指静脉结构的唯一性实现个体身份认证,具有高度安全和使用便捷等优点。为了进一步提高手指静脉识别系统的性能,提出了一种融合局部特征和全局特征的手指静脉识别方法。应用局部二元模式方法提取手指静脉局部特征,利用海明距离计算匹配得分;应用双向两维主成分分析方法提取手指静脉全局特征,利用欧式距离计算匹配得分;在得分级上融合二者的匹配得分以产生识别结果。实验结果表明,局部特征与全局特征具有较好的互补性,有效地提高了识别精度。     

利用局部特征的子空间车辆识别算法

利用改进的主成分分析（Principal Component Analysis,PCA）方法,通过研究不同的车辆特征（如全局特征、各种局部特征）对静态图像车辆识别效果的影响,提出了一种新的静态图像车辆识别算法。该算法可有效降低光照和背景噪声对识别的影响,实现对存在部分遮挡的车辆检测。实验结果表明,该算法具有良好的鲁棒性和车辆识别率。     

基于局部定性表达的光照不变人脸识别方法

提出一种局部定性特征表达方法称为局部序映射(LOM)作为光照不变表达用于人脸识别。该特征表达像素在其邻域中所处的序阶位置,反应了图像像素在局部区域内的相对关系,因而对光照引起的图像大面积灰度变化有很好的不敏感性。同时提出一种针对序定性特征的逻辑距离度量,用于特征空间中最近邻分类器的相似性度量准则。 在Extended YaleB 光照变化人脸测试库中的实验表明了本文局部序映射表达的光照鲁棒性及逻辑距离度量的有效性。     

在线融合特征的眼睛状态识别算法

针对人脸视频中眼睛定位精度影响眼睛状态识别正确率问题,提出了一种融合在线肤色模型的眼睛状态识别算法。首先,在人脸主动表观模型(AAM)定位的基础上,使用当前用户的肤色特征,建立在线肤色模型;其次,在初步定位的眼睛区域,再次使用在线肤色模型,定位内外眼角点的精确位置,并利用眼角点的位置信息提取精确的眼睛区域;最后,提取眼睛区域的局部二值特征(LBP),使用支持向量机(SVM)算法,实现对眼睛睁闭状态的鲁棒识别。实验结果表明,对比全局定位的眼角点定位算法,该算法可以进一步降低眼角点的对齐误差,在低分辨人脸中使用在线融合特征的睁闭眼状态的准确识别率分别为95.03%及95.47%,分别比直接使用Haar特征和Gabor特征的识别率提升2.9%和4.8%,在实时人脸视频中,使用在线特征可以明显提高眼睛状态识别效果。