融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。     

基于深度特征聚类的海量人脸图像检索

针对海量人脸图像数据库检索时长的问题,提出了一种基于深度特征聚类的海量人脸图像检索算法.该算法首先使用人脸图像训练集对深度卷积神经网络模型进行人脸图像分类训练,在此基础上采用三元组损失方法对已训练好的人脸图像分类网络模型进行微调,使得网络能够更加有效地提取人脸图像的高层语义特征,构建更具有表征性的人脸图像深度特征.其次采用K-means聚类算法对提取的人脸图像深度特征进行聚类,使得同一个人的人脸图像能够划分到同一簇中,然后在相应的簇中进行人脸图像的深度特征相似度匹配执行人脸图像检索任务.为了进一步提高系统的检索性能,提出人脸图像深度特征融合的查询扩展方法,对待检索的人脸图像深度特征进行融合再次执行检索任务得到最终的检索结果.通过在两个人脸检索数据集(Celebrities Face Set和Labeled Faces in the Wild dataset)上进行详尽实验验证,结果表明,该算法能极大地缩小海量人脸图像数据库的检索范围,在保证一定准确率的前提下有效地提高了人脸图像检索的速度.     

基于PCA降维的SVM人脸快速检测方法

提出一种改进的快速人脸检测方法。人脸模式训练阶段,先将训练样本的人脸特征经PCA降维提取主要特征,然后训练SVM人脸模式函数,由于训练样本维数的降低,节约了训练时间。检测阶段,利用肤色在YCbCr空间的聚类性,在色度空间建立高斯肤色模型进行皮肤分割。对分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理,利用SVM检测识别人脸。实验结果表明,这种方法可以快速有效检测图像中的单幅或多幅人脸区域。     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.     

一种人脸的检测与定位方法

提出一种基于肤色的人脸检测定位算法,设计了基于肤色的人脸检测和定位系统.采用了增强人脸特征与脸部皮肤之间对比度的方法以及二值化方法,改进了预处理的效果.使用了基于边界方法和基于区域方法相结合的算法,提取了眼睛、嘴和鼻子等关键特征,最终较好地实现了人脸定位.在MicrosoftWindows ME平台上,利用Visual C 6.0开发了软件.实验结果表明,该软件对于一定尺寸范围内清晰的正面人脸图像能够正确检测定位并提取特征.     

人脸识别在远程登录中的应用

介绍了远程登录中使用人脸进行身份验证的方法,讨论了系统结构和关键技术,给出了实验结果.此方法采用奇异值分解和判别式KL投影提取特征,利用类内平均距离作为验证依据,适用于人脸样本数量不是很大的情况.实验证明,该系统具有较好的应用效果.     

基于PCA与合并聚类的RBFNN人脸识别

基于主成分分析、合并聚类算法和径向基神经网络,提出一种有效的人脸识别方法.通过使用PCA进行特征提取,降低人脸图像的维数,对所提取的特征合并聚类确定径向基神经网络中心,根据类内样本与聚类中心的距离和类间距离计算各中心的散布常数,以ORL人脸数据库对网络进行训练和测试.实验结果表明,该方法选取较低的脸特征维效取得较好的识别效果.     

基于主独立内容特征的人脸图像检索方法

提出一种基于独立分量分析的内容特征,并用于人脸图像检索,得到一种基于内容的图像检索新方案.该方案首先在降维空间提取出基于高阶统计特性的主独立内容特征（PICF）,应用提取的PICF特征进行有效的人脸图像描述.为确保计算有效性和检索正确率,运用可消除独立特征顺序不确定性的基于PICF的检索方法,并在具备不同亮度、尺度、姿势和图像描述变化的ORL脸谱数据库中完成了人脸图像检索实验.计算机仿真结果验证了所提出方法的有效性.最佳检索率为100%,平均查准率达95.14%/千次.     

基于小波变换的人脸检测

提出了一种基于二维离散小波变换的人脸检测算法。该算法采用Haar小波计算小波脸,导出了提取人脸特征向量的相应公式,利用感知准则训练线性分类器进行分类判决。在4个不同的人脸数据集上与特征脸方法进行了比较。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HOG-SIFT融合优化的多人脸特征提取方法

针对昏暗光线及复杂背景下人脸特征提取效果易受环境因素干扰影响的问题,在进行人脸图像预处理过程中引入双边滤波处理,进一步研究基于自商图像理论的人脸图像光照干扰抑制方法; 结合HOG特征较好的全局性以及SIFT特征对复杂背景影响较好的适应性,提出一种基于HOG-SIFT融合优化的多人脸特征提取方法. 试验结果表明,该方法可有效实现昏暗光线环境及复杂背景下多人脸特征提取功能.     

基于DCT和KDA的人脸特征提取新方法

提出了一种新的人脸特征提取方法,该方法采用DCT对人脸图像进行降维和去噪,并通过KDA提取人脸特征。基于该特征,采用NN分类器,对ORL人脸库进行分类识别,仅用28个特征平均识别率就达到97.3%,"留一法"识别率为99.5%。仿真结果表明:该方法有效地滤除了人脸图像中的高频干扰信息,明显增强了特征的辨别能力,同时显著地降低了特征维数和计算复杂度。     

一种广义的K-L变换与人脸识别

提出了一种直接基于图像矩阵的包含在类平均图像中判别信息的最优压缩方法。在ORL标准人脸库上的试验结果表明，提出的方法不仅识别性能优于传统的主分量分析和Fishr线性鉴别分析，而且特征抽取的速度得到了很大的提高。     

基于Fisher准则的二次线性特征提取

将基于Fisher准则的鉴别分析推广到矩阵的情形,得到先寻找最佳鉴别向量,将矩阵投影为一个向量,再次寻找最佳鉴别向量,将投影向量映射为一个点的二次线性特征提取方法,从而为解决高维、奇异情况下最优鉴别向量集的求解问题提供了新的途径.在ORL标准人脸库上的试验结果表明,该方法识别结果可靠,准确率高.     

零空间边界Fisher分析法及其在人脸识别中的应用

边界Fisher分析（MFA）是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类问离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。     

基于最大差值的二维边界Fisher的人脸识别

边界Fisher分析(MFA)是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类间离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。     

Gabor小波和SLLE在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种基于Gabor小波和SLLE的人脸识别算法．该算法首先采用Gabor小波对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征,然后采用监督的局部线性嵌入算法对Gabor特征进行维数约简,最后使用最近邻分类器进行分类判决．在ORL、YALE人脸库上进行实验,结果表明,该算法平均识别率比其他算法提高3．5％～37．8％,有效提高了人脸识别算法的性能．     

频域光照归一化的人脸识别

为了降低人脸识别对环境条件的要求,克服光照对人脸识别的影响,通过分析人脸图像的幅频特性和相频特性,提出了频域光照归一化的人脸识别,对任何光照条件下采集的图像经过归一化后,光照与训练库中完全相同,同时保留了人脸的可区分性。人脸之间差异的信息量一般较少,运用最小非零特征向量作为人脸特征。实验仿真表明,与传统方法相比,频域光照归一化人脸识别方法对光照变化具有鲁棒性。     

类别特征词权重加权文本分类方法

提出了一种针对小训练集环境的文本自动分类方法。在传统自动训练过程中通过训练集为每个类别建立初步类别特征向量,由于初步类别特征向量是在小训练集基础上建立的,含有的类别特征信息不够充分。在初步类别特征向量基础上,标定了一定数量的一级和二级类别核心特征词,在文本/类别相似度计算中,利用自动训练过程得到的核心特征词权重因子对核心特征词权重加权,以提高类别特征向量中类别特征信息的含量。实验结果显示,这种分类方法自动分类重合率达到94.12%以上,与不进行权重加权方法的52.94%相比,有很大提高。     

基于改进Fisher准则的深度卷积神经网络识别算法

为了有效利用深度学习技术自动提取特征的能力,并解决当训练样本量减少或者迭代次数降低时识别性能急速下降的问题,提出了基于Fisher准则的深度学习算法.该方法在前馈传播时,采用卷积神经网络自动提取图像的结构信息等特征,同时利用卷积网络共享权值和池化、下采样等方法减少了权值个数,降低了模型复杂度;在反向传播权值调整时,采用了基于Fisher的约束准则.在权值的迭代调整时既考虑误差的最小化,又同时让样本保持类内距离小,类间距离大,从而使权值能更加快速地逼近有利于分类的最优值,当样本量不足或训练迭代次数不多时可有效地提高系统的识别率.大量的实验结果证明:该基于Fisher准则的混合深度学习算法在标签样本不足或者较少训练次数的情况下依然能达到较好的识别效果.     

中医脉象信号的参数化双谱估计及切片分析

采用ARMA参数化双谱估计法对15例吸毒者和15例正常人的脉象信号进行了参数化双谱估计.在得到每一例脉搏波的归一化双谱幅值对角切片后,应用K-L变换得到30个样本特征向量,然后设计4-9-1的BP神经网络进行模式识别.除1例正常人被误判外,其余的受测者全部予以正确识别.研究结果表明,归一化双谱对角切片与K-L变换相结合的方法是提取中医脉象信号特征的有效方法.这种方法与BP神经网络的联合应用,对海洛因吸毒者和正常人的脉象信号具有很高的识别率.