基于PCA的人脸识别系统的研究与实现

人脸识别技术是人脸识别系统以人脸图像作为识别身份的媒介。研究了PCA算法的原理,基于matlab平台实现了人脸识别系统。该系统在对图像进行预处理的基础上,以ORL人脸库中部分图像为样本,采用K-L变换计算训练样本特征值及特征向量,得到特征脸向量,进而计算测试样本投影到特征脸空间的坐标系数,最后分类识别得出结果。实验证明该系统识别率较高,对实际应用有一定的参考价值。     

对半偶图像作LDA变换的人脸识别方法

对于人脸图像而言，偶图像相当于原始图像与它的镜像的和。为了增大训练样本，许多人脸识别算法把镜像图像加入到训练集中。与这些方法不同，本文把原始训练集中的每一幅图像都变换为它的半偶图像得到新的训练集。对于新的训练集，采用LDA(Linear discriminant analysis)方法提取特征后作分类。在ORL和IIS人脸库上的实验结果表明，对半偶图像作LDA的人脸识别方法有较高的识别率。     

基于加权对称图像的二维FDA人脸识别算法

提出一种融合加权对称图像的二维FDA人脸识别算法。将人脸图像分解为奇偶对称脸,并利用加权因子将奇偶对称脸重构新的人脸样本,通过二维FDA算法求解新样本图像的最优特征子空间进行人脸分类。有效融合二维FDA算法的优点,并利用人脸对称性的特征,同时进一步分析加权因子对人脸识别效果的影响,通过选取最优加权因子最大地提高识别率。在人脸图像库ORL中进行的实验结果表明,该算法有效并能获得较高的识别率。     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

一种新的多人脸检测方法研究

自动人脸检测是人脸识别系统的一个重要部分,本文提出了一种新的基于独立成分分析（ICA）和多项式神经网络（PNN）相结合的人脸检测方法,该方法首先在训练样本中使用ICA分离出代表人脸和非人脸特征子空间的独立影像基,把训练图像映射到该子空间降维后作为PNN网络的输入训练网络;对测试图像采用移动多尺度窗口提取图像模式,采用ICA降维后输入PNN网络,进而分类检测出人脸和非人脸。算法通过CMU-MIT的复杂背景人脸库中的多人脸图像进行实验,得到很高的检测率和较低的误检率.     

基于费歇尔脸方法的人脸识别算法

提出一种基于费歇尔方法的人脸识算法。分别论述了特征脸和费歇尔脸方法用于人脸识别的基本原理,给出了详细的算法过程。最后在ORL人脸数据库对算法进行了验证,采用三阶近邻分类器对测试图像进行了分类识别,比较了两种算法的识别效率。实验表明,费歇尔方法方法要优于特征脸方法。     

一种新颖的核学习算法用于小波特征的人脸识别

文中将一种新颖的核学习算法一核最近邻凸包分类算法用于人脸的小波特征识别。该算法的设计受到支持向量机几何解释启发,利用核函数方法将数据映射到高维核空间,并在核空间构造以训练集凸包为扩展类集的最近邻分类器。文中采用的人脸图像的小波低频特征对人脸识别十分有效。人脸的小波低频特征不但保留了人脸的主要信息,而且具有较少的维度。在ORL人脸图像库上的“leave-one-out”测试方法的实验中,这种基于小波低频特征的核最近邻凸包分类算法取得了99．25％的识别率。     

基于经验模式分解和匹配追踪的人脸检测

提出了一种新的正面人脸检测算法。该方法利用经验模式分解和匹配追踪算法来提取人脸特征,训练Bayes分类器来进行分类判决。在FERET人脸库中与特征脸(Eigenfaces)方法进行了比较,实验结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

基于Adaboost与LDP算法的人脸识别研究

针对人脸识别过程中识别时间和成功率等问题,提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法,去除图像中的非人脸部分,减少图像的大小,节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验,实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少,改进后的LDP算法与传统LDP用时相差不大,但是识别成功率有所提高。     

结合Gabor特征和自适应加权Fisher准则的人脸识别

在基于Fisher准则的字典学习算法中,初始字典的选取和目标函数的构建,严重影响字典学习的效果。为了减少初始字典的影响,提高算法的表达和判别能力。提出了一种结合Gabor特征和自适应加权Fisher准则的人脸识别算法。该算法首先采用Gabor滤波器提取人脸特征,将提取到的Gabor人脸特征作为人脸训练集;通过添加遗忘函数和根据样本间的距离对训练样本自适应加权,改进Fisher准则字典学习算法;利用测试样本编码系数的误差进行识别。在人脸库上的实验表明,算法不仅能很好地提取图像的特征信息,而且可以有效地提高人脸识别率。     

A singular value decomposition representation based approach for robust face recognition

In the field of face recognition, sparse representation based classification (SRC) and collaborative representation based classification (CRC) have been widely used. Although both SRC and CRC have shown good classification results, it is still controversial whether it is sparse representation or collaborative representation that helps face recognition. In this paper, a new singular value decomposition based classification (SVDC) is proposed for face recognition. The proposed approach performs SVD on the training data of each class, and then determines the class of a test sample by comparing in which class of singular vectors it can be better represented. Experimental results on Yale B, PIE and UMIST datasets show that the proposed method achieves better recognition performance compared with several existing representation based classification algorithms. In addition, by adding Gaussian noise and Salt pepper noise to these datasets, it is proved that SVDC has better robustness. At the same time, the experimental results show that the recognition accuracy of the method acting on the training samples constructed by each class is higher than that of the method acting on the training sets constructed by all classes.

     

Robust face recognition using 2D and 3D data: Pose and illumination compensation

The paper addresses the problem of face recognition under varying pose and illumination. Robustness to appearance variations is achieved not only by using a combination of a 2D color and a 3D image of the face, but mainly by using face geometry information to cope with pose and illumination variations that inhibit the performance of 2D face recognition. A face normalization approach is proposed, which unlike state-of-the-art techniques is computationally efficient and does not require an extended training set. Experimental results on a large data set show that template-based face recognition performance is significantly benefited from the application of the proposed normalization algorithms prior to classification.     

正则化最近点优化图像集匹配的三维人脸识别

针对传统的三维人脸识别算法受光照、表情、姿态及遮掩等变化而影响识别性能的问题,提出了一种基于正则化最近点优化图像集匹配算法。将图库图像集和探针图像集建模成正则化仿射包,利用迭代器自动确定两个图像集间的正则化最近点;利用最近子空间分类器最小化正则化最近点;根据正则化最近点之间的欧氏距离及结构计算RNP集之间的距离,利用最近邻分类器完成人脸的识别。在Honda/UCSD、BU4DFE两大视频人脸数据库上的实验验证了该算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的三维人脸识别算法,该算法取得了更好的识别效果,同时,大大减少了训练及测试总完成时间。     

基于聚类优化主动模型人脸识别算法研究

研究人脸识别和跟踪准确度问题。针对在使用大数据样本进行训练前提下,以往AAM算法人脸识别与定位不准确的缺陷,提出了一种新的利用聚类算法对样本空间进行划分,并在此基础上训练多个AAM的分层人脸识别和跟踪算法。首先利用所有训练样本训练得到初始AAM,然后利用一个全新的相似度计算公式,将所有训练样本划分成若干个子类别,在此基础上,针对每个子类别,训练一个相对稳定的AAM。在识别与跟踪过程中,先使用初始AAM进行定位,然后根据子类AAM进行精细化定位,从而得到比以往算法更为精确的定位效果。仿真结果显示改进的算法能准确定位出人脸所在位置,并且具有很高的运算效率,可以方便的实现实时监控系统的人脸跟踪定位及识别等目标。     

Principal feature classification

The concept, structures, and algorithms of principal feature classification (PFC) are presented in this paper. PFC is intended to solve complex classification problems with large data sets. A PFC network is designed by sequentially finding principal features and removing training data which has already been correctly classified. PFC combines advantages of statistical pattern recognition, decision trees, and artificial neural networks (ANNs) and provides fast learning with good performance and a simple network structure. For the real-world applications of this paper, PFC provides better performance than conventional statistical pattern recognition, avoids the long training times of backpropagation and other gradient-descent algorithms for ANNs, and provides a low-complexity structure for realization.     

Remote identification of faces: Problems,prospects, and progress

Face recognition in unconstrained acquisition conditions is one of the most challenging problems that has been actively researched in recent years. It is well known that many state-of-the-art still face recognition algorithms perform well, when constrained (frontal, well illuminated, high-resolution, sharp, and full) face images are acquired. However, their performance degrades significantly when the test images contain variations that are not present in the training images. In this paper, we highlight some of the key issues in remote face recognition. We define the remote face recognition as one where faces are several tens of meters (10–250 m) from the cameras. We then describe a remote face database which has been acquired in an unconstrained outdoor maritime environment. Recognition performance of a subset of existing still image-based face recognition algorithms is evaluated on the remote face data set. Further, we define the remote re-identification problem as matching a subject at one location with candidate sets acquired at a different location and over time in remote conditions. We provide preliminary experimental results on remote re-identification. It is demonstrated that in addition to applying a good classification algorithm, finding features that are robust to variations mentioned above and developing statistical models which can account for these variations are very important for remote face recognition.     

局部线性嵌入优化光谱回归的鲁棒人脸识别

针对高维小样本鲁棒人脸识别问题,提出了一种局部线性嵌入优化光谱回归算法。计算出训练样本的特征向量,然后用局部线性嵌入算法构建分类问题所需的嵌入,并学习每种分类的子流形所需的嵌入;利用光谱回归计算投影矩阵,最近邻分类器完成人脸的识别。在人脸数据库FERET、AR及扩展YaleB上的实验结果表明,相比其他几种光谱回归算法,该算法取得了更好的识别效果。     

结构化低秩字典学习的人脸识别

目的 现实中采集到的人脸图像通常受到光照、遮挡等环境因素的影响,使得同一类的人脸图像具有不同程度的差异性,不同类的人脸图像又具有不同程度的相似性,这极大地影响了人脸识别的准确性。为了解决上述问题对人脸识别造成的影响,在低秩矩阵恢复理论的基础上提出了具有识别力的结构化低秩字典学习的人脸识别算法。方法 该算法基于训练样本的标签信息将低秩正则化以及结构化稀疏同时引入到学习的具有识别力的字典上。在字典学习过程中,首先利用样本的重建误差约束样本与字典之间的关系;其次将Fisher准则应用到稀疏编码过程中,使其编码系数具有识别能力;由于训练样本中的噪声信息会影响字典的识别力,所以在低秩矩阵恢复理论的基础上将低秩正则化应用到字典学习过程中;接着,在字典学习过程中加入了结构化稀疏使其不丢失结构信息以保证对样本进行最优分类;最后再利用误差重构法对测试样本进行分类识别。结果 本文算法在AR以及ORL人脸数据库上分别进行了实验仿真。在AR人脸数据库中,为了分析样本不同维数对实验结果造成的影响,选取了第一时期拍摄的每人6幅图像,包括1幅围巾遮挡,2幅墨镜遮挡以及3幅脸部表情变化以及光照变化（未被遮挡）的图像作为训练样本,同时选取相同组合的样本图像作为测试样本,无论哪种方法,图像的维度越高识别率越高。对比SRC （sparse representation based on classification）算法与DKSVD （discriminative K-means singular value decomposition）算法的识别率可知,DKSVD算法通过字典学习减缓了训练样本中的不确定因素对识别结果的影响;对比DLRD_SR （discriminative low-rank dictionary learning for sparse representation）算法与FDDL （Fisher discriminative dictionary learning）算法的识别率可知,当图像有遮挡等噪声信息存在时,字典低秩化可以提高至少5.8%的识别率;对比本文算法与DLRD_SR算法可知,在字典学习的过程中加入Fisher准则后识别率显著提高,同时理想稀疏值能保证对样本进行最优的分类。当样本图像的维度达到500维时人脸图像在有围巾、墨镜遮挡的情况下识别率可达到85.2%;其中墨镜和围巾的遮挡程度分别可以看成是人脸图像的20%和40%,为了验证本文算法在不同脸部表情变化、光照改变以及遮挡情况下的有效性,根据训练样本的具体图像组合情况进行实验。无论哪种样本图像组合,本文算法在有遮挡存在的样本识别中具有显著优势。在训练样本只包含脸部表情变化、光照变化以及墨镜遮挡图像的情况下,本文算法的识别率高于其他算法至少2.7%,在训练样本只包含脸部表情变化、光照变化以及围巾遮挡图像的情况下,本文算法的识别率高于其他算法至少3.6%,在训练样本包含脸部表情变化、光照变化、围巾遮挡以及墨镜遮挡图像的情况下,其识别率高于其他算法至少1.9%。在ORL人脸数据库中,人脸图像在无遮挡的情况下识别率达到95.2%,稍低于FDDL算法的识别率;在随机块遮挡程度达到20%时,相比较于SRC算法、DKSVD算法、FDDL算法以及DLRD_SR算法,本文算法的识别率最高;当随机块遮挡程度达到50%时,以上算法的识别率均不高,但本文算法的其识别率仍然最高。结论 本文算法在人脸图像受到遮挡等因素的影响时具有一定的鲁棒性,实验结果表明该算法在人脸识别方面具有可行性。     

应用于人脸图像识别的邻域保持极限学习机

极限学习机广泛应用于人脸识别领域。传统的极限学习机算法因在少量标签样本上进行训练，容易发生学习过程不充分问题，同时在学习过程中往往忽略了样本内在的几何结构，影响其对人脸识别的分类能力。受流形学习思想的启发，提出一种邻域保持极限学习机算法。该算法保持数据最本质的结构和同类数据的判别信息，利用最小化类内散度矩阵来提高极限学习机整体的分类性能。通过人脸数据集上的多次实验结果表明，该算法的人脸识别准确率高于其他算法，更能有效地进行分类识别。     

Sample pair based sparse representation classification for face recognition

Sparse representation classification, as one of the state-of-the-art classification methods, has been widely studied and successfully applied in face recognition since it was proposed by Wright et al. In this study, we proposed a method to generate virtual available facial images and modified the well-known linear regression classification (LRC) and collaborative representation based classification (CRC) for face recognition. The new method integrates the original and virtual symmetry facial images to form a training sample set of large size. Experimental results show that the proposed method can achieve better performance than most of the competitive face recognition methods, e.g. LRC, CRC, INNC, SRC, RCR, RRC and the method in Xu et al. (2014). This promising performance is mainly attributed to the fact that the sample combination scheme used in the new method can exploit limited original training samples to produce a large number of available training samples and to convey sufficient variations of the original training samples.