基于有监督的Laplacianfaces和局部二元模式的人脸表情识别

由于不能准确反映表情流行的内在结构等缺点,目前基于流行的表情识别方法的识别不高.针对此问题提出了基于有监督的Laplacianfaces(SLAP)和局部二元模式(LBP)的方法,简称LSLAP.SLAP的优点是保留局部结构的同时把类别信息加入到映射中,因此它得到的子空间中不同类别的样本可以被很好地区别开来;LBP在3种级别的区域上描述人脸具有判别力强、抗光线干扰和计算简便等优点.通过把人脸的LBP特征映射到由SLAP得到的低维空间以达到最终的特征提取,采用最近邻分类器进行分类.在JAFFE和Cohn Kanade人脸表情库上对该算法进行验证,实验结果表明:SLAP能够准确地反映表情流形的内在结构,与EigenfacesFisherfaces、Laplacianfaces以及它们各自应用于LBP的方法即Eigenfaces LBP,Fisherfaces LBP,Laplacianfaces LBP相比,LSLAP具有更高的识别率.     

一种用于表情识别的局部判别简

 在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

一种用于表情识别的局部判别分量分析算法

在判别分量分析算法的基础上,提出了一种针对人脸表情识别任务的局部判别分量分析算法.首先该算法为每个测试样本选取了一组近邻训练样本,获取了训练集的局部样本结构.然后在最大化判别样本子集协方差的同时,最小化样本子集内所有数据的协方差,从而有效地提取了测试样本的表情特征.在多个人脸表情数据库上的实验结果表明,该算法不但提高了判别分量分析算法的表情识别率,而且具有较强的鲁棒性.     

加权鉴别保持投影降维的非约束人脸识别研究

非约束环境下采集的人脸图像复杂多变,因稀疏保留投影(Sparse Preserving Projection, SPP)算法没有考虑到样本的局部结构使其降维效果不理想,针对该问题,本文提出了加权判别稀疏保留投影(Weighted Discriminant Sparse Preserving Projection, WDSPP)算法。首先,引入样本类别标签和类内紧凑项,用以增强待测样本和同类样本之间的重构关系;其次,非控环境下样本质量参差不齐,考虑以样本距离权值约束稀疏重构系数,降低同类奇异样本的影响,进一步提高重构关系的准确度;最后,低维投影阶段增加全局约束因子,利用样本全局分布中隐含的鉴别信息使低维子空间分布更紧凑、更易于鉴别。在AR库、Extended Yale B库、LFW库和PubFig库上的大量实验结果表明,本文所提算法在复杂人脸环境下具有较好的识别结果。       

局部保持鉴别投影及其在人脸识别中的应用

针对流形学习在人脸识别中的应用,该文提出基于局部保持投影(Locality Preserving Projection,LPP)的监督线性维数约简方法.利用样本的类别信息,将LPP的最近邻图分解为类内图和类外图,通过优化,最优保持同类数据固有的局部邻域关系,缩小数据之间的距离,同时最大化不同类数据之间的距离,从而增大各类数据分布之间的间隔,提高了嵌入空间的辨别能力.此外,在构建图的过程中采用了自适应邻域,增强了对数据分布稀疏性的表征.在Extended Yale B和CMU PIE两个开放人脸数据库上进行了试验,验证了算法的有效性.     

基于正交指数局部保留投影的高光谱图像特征提取

针对高光谱图像,在判别局部保留投影(Discri minant Locality Preserving Projection,DLPP)的基 础上,提出了一种名为正交指数判别局部保留投影(Orthogonal Exponential Discriminan t Locality Preserving Projection,OEDLPP)的特征提取方法。该算法不但保留了DLPP算法的有监督特性,还利用 了指数矩阵(the matrix exponential)来获取更有效的样本信息,避免了小样本问题。同时,OEDLPP 对投影矩阵进行 施密特正交化,解决了特征的冗余性问题。应用OEDLPP算法对高光谱图像进行特征提取后, 并采用支持 向量机(SVM)对降维后的数据进行分类。与主成分分析(PCA)、局部保留投影(LPP)、 判别局部保 留投影(DLPP)、指数判别局部保留投影(EDLPP)、正交判别局部保留投影(ODLPP)等对 比实验结 果表明,本文算法对样本有效信息的获取具有一定的优越性,分类精度提升了2%~3%左右。     

零空间保局判别本征脸

本征脸从人脸自身的差别出发,将每一人脸分为脸部共同差别、个体类间差别和个体类内差别,取得了较好的识别效果。但是它未考虑人脸的流形结构,并且会遇到矩阵的奇异性,即小样本问题。针对这些问题,该文提出了零空间保局判别本征脸,该算法充分考虑了个体类内差别和个体类间差别,结合流形学习思想并借助于判别准则使得投影后个体类内之间保持一定的相似性而个体类间之间的区分度有所增加。通过在个体类内保局差异散度矩阵的零空间中求最优特征向量,避免了矩阵的奇异性问题,解决了小样本问题。在人脸识别上的实验验证了算法的正确性和有效性。     

核判别保局投影的人脸识别算法

针对人脸识别中的特征提取问题,提出了核判别保局投影算法,即KDLPP.该算法通过核技巧将人脸样本映射到高维空间,在高维空间中有效地结合人脸局部的流形结构和人脸的判别信息构建了新的目标函数,其优点是在保持人脸流形结构的基础上,充分利用了样本的类别信息,并采用核方法提取了人脸的非线性特征.在ORL和UMIST人脸库上的实验...     

基于SIFT算法的多表情人脸识别

目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低,多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用SIFT算法对多表情人脸进行识别,在多表情人脸库上进行了两类仿真实验:实验一中对比了同一个人的不同表情的识别效果,实验二中对比了两个不同的人的相同表情的识别效果,实验结果表明SIFT算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对Jaffe表情库进行仿真实验,取得了当阈值T=0.35时对多表情人脸图像的正确识别率95.69%,实验结果表明,将SIFT算法应用于多表情人脸识别有巨大的潜在科研价值。     

一种应用于小样本人脸识别的2DLPP算法

LPP是一种局部特征提取算法,被广泛应用于模式识别中,然而在人脸识别中会遭遇小样本问题,为解决这个问题,提出了一种应用于人脸识别的二维LPP算法,直接对图像矩阵进行特征提取,既解决了传统LPP算法的小样本问题,又加快了特征提取速度.YALE人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率,对光照、姿态的变化具有一定的鲁棒性.