AMSR与SVM相结合的人脸识别方法

为解决在复杂光照条件下的人脸识别问题,提出一种自适应多尺度Retinex(AMSR)和支持向量机(SVM)相结合的人脸识别算法;首先,针对多尺度Retinex(MSR)只能处理光照均匀图像的缺点,提出了AMSR算法,该算法在MSR基础上增加了全局非线性对比度增强方法,使图像的灰度能够根据人脸图像的明暗度进行全局自适应调整,实现了各种光照条件下的人脸图像预处理;然后利用SVM多分类算法对人脸图像进行分类;在人脸库的实验结果证明了AMSR+SVM人脸识别算法的有效性。     

复杂光照条件下的人脸预处理算法

为了提高光照条件下的人脸识别正确率,提出一种复杂光照条件下的人脸预处理算法。对人脸图像进行局部增强处理,用双边滤波对图像亮度进行估计,采用Gamma校正补偿图像亮度估计产生的损失,将反射分量与亮度估计结果融合获得效果更优的人脸图像,并用K近邻算法建立分类器对人脸进行识别。在Yale、PIE和AR人脸库仿真结果表明,该算法提高了光照条件下的人脸识别正确率,其性能优于当前典型人脸识别算法。     

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.     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

基于分块2DPCA的人脸识别方法

为进一步提高分块二维主成分分析(2DPCA)算法在人脸识别的识别率,提出一种人脸识别算法.将训练样本人脸矩阵按光照等相似条件进行分块并进行类内平均归一化;采用2DPCA算法构造特征空间,将分块矩阵在特征空间中进行投影得到训练样本识别特征,利用支持向量机(SVM)在分类上的优势,对训练样本识别特征和经过归一化分块2DPCA的测试样本识别特征进行分类,对人脸图像进行识别.选取ORL人脸数据库的图片进行实验,将该算法与传统2DPCA、2DPCA+SVM等算法进行比较,验证了该算法的性能优于其它算法.     

基于差空间的双向2DPCA和SVM人脸识别算法

为降低SVM人脸识别算法对样本进行训练和识别的时间,提出了一种改进的基于差空间的双向2DPCA(Bidircctional two dimensions PCA)和SVM相结合的人脸识别算法。该方法充分考虑了表情和光照对人脸图像的影响,不但利用小波变换对人脸图像进行预处理,而且成功地把类内平均引入到双向2DPCA的计算中,并结合了SVM在分类识别方面的优势,有效节省了算法所需的时间。在Yale人脸库上的实验表明,它不但可以提高识别率,而且所用时间明显减少。     

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。     

基于Curvelet和LBP的可变光照人脸识别

光照变化和环境噪声会引起人脸识别正确率下降。为此,提出一种基于Curvelet变换和LBP的可变光照人脸识别方法。对原始人脸图像进行Curvelet变换,对第1层低频系数,采用对数运算和局部二值模式运算克服光照影响,舍弃剩余的最高频信息子图像,以除去环境噪声和光照产生的阴影边界带有的虚假信息,利用主成分分析和线性判别分析方法进行人脸识别。仿真结果表明,该方法能有效去除光照和噪声引起的影响,具有较好的鲁棒性。     

离散余弦变换和支持向量机相融合的人脸识别

针对复杂条件下人脸识别性能低的难题,提出一种离散余弦变换和支持向量机相融合的人脸识别方法。首先将图像划分成子块,并采用对比度限制自适应直方图均衡算法对子块进行去噪处理;然后采用低频离散余弦变换系数来消除人脸图像中的光照变化;最后提取人脸特征,并采用支持向量机进行人脸识别。在多个人脸上进行仿真实验,结果表明,相比典型人脸识别方法,该方法不仅提高了人脸识别的正确率,同时减少了人脸识别时间,还提高了识别效率。     

基于PCA及机器学习的人脸识别应用研究

针对人脸识别问题,提出利用PCA算法提取特征脸,采用LDA和SVM算法进行人脸分类并比较两种算法的分类结果,展示在ORL以及Yale数据库上的实验结果,提出SVM算法在人脸光照变化的数据集上的结果更好,LDA算法在人脸方位变化的数据集上的结果更好且算法复杂度更低、识别效率更高。