基于类别多核局部判别嵌入的人脸识别

在局部判别嵌入的基础上提出了一种有效的非线性子空间学习方法:类别多核局部判别嵌入.首先针对给定数据的类别信息,定义基于每一个类别的局部核函数,形成多核,接着将不同的局部核函数进行线性组合作为最终的核函数引入到局部判别嵌入算法中,得到类别多核局部判别嵌入算法,在核空间内提取图像高阶非线性信息.在ORL和Yale库上的人脸识别表明该方法是有效的.     

基于核正交局部判别嵌入的人脸识别

针对人脸识别中的非线性特征提取问题,提出一种基于核正交局部判别嵌入(KOLDE,kernel orthogonal local discriminant embedding)的人脸识别算法。首先通过引入基向量正交约束,得到OLDE算法,并给出算法的推导过程。然后为了更好地处理高度复杂非线性结构数据,将OLDE向高维空间扩展,在核空间提取图像的高阶非线性信息,得到核空间OLDE算法。在ORL和PIE库上的人脸识别实验验证了算法的有效性。     

优化的近邻保持嵌入算法在人脸识别中的应用

为验证优化的近邻保持算法(ONPE)在人脸识别中的应用价值,在NPE算法基础之上,ONPE对数据类内和数据类间的信息分别进行了优化,以使在低维重建时同一数据类间相互靠拢,不同数据类间相互分离。将ONPE算法应用于手工流形和Fery face人脸库进行实验。结果表明：在样本点不足且不连续的情况下,ONPE可以对手工流形有很好的降维效果,并且对人脸表情数据也有很好的识别分类效果。因此,优化的近邻保持嵌入算法具有较强的实用性和有效性。     

一种鲁棒的多态人脸识别算法

如何处理人脸识别中的多态性一直是人脸识别领域的一个难题。传统的图嵌入算法忽视了同类中多态子类间的同属关系,而且也没有恰当地处理异类间的区别信息。该文提出一种鲁棒的图嵌入人脸识别算法,该算法可以恰当地模拟同类中的多态间关系,而且能在局部流形结构与全局区别信息间实现平衡。基于多个公开数据库的人脸识别实验证明了该方法的有效性。     

基于流形学习算法的人脸识别研究

为了有效地实现对人脸的识别,先用线性判断分析（LDA）方法将原始的人脸数据降维,利用降维后的数据选取点的k近邻,进而提出度量优化的保持邻域嵌入算法（MONPE）。MONPE算法：一方面,通过LDA降低原始数据的维数,使得欧氏度量的应用成为合理。另一方面,通过LDA拉近了类内点的距离,拉大了类间点的距离,使得某个采样的近...     

基于三维模型子空间监督学习法的二维人脸识别

人脸识别的一个主要难点在于人脸姿态和光照变化对识别性能影响显著.考虑到此问题,本文提出了一种将三维模型和二维照片相结合的新的人脸识别技术,对不同人脸姿态和光照变化有很好的鲁棒性.在训练阶段由特定三维人脸模型生成大量带有不同姿态和光照的虚拟二维照片,采用监督学习法使这些虚拟照片形成子空间,最终组成特定人脸模板.此时不再需要三维数据,只要匹配真实二维照片和模板就可以进行人脸识别.     

一种应用于人脸识别的核正交等度规映射算法

针对人脸识别中的特征提取,提出了一种新的核正交等度规映射(KOIsoP,kernel orthogonal isometric projection)人脸识别算法。首先用核方法提取人脸图像中的非线性信息,并将其投影在一个高维非线性空间,从而更好地提取人脸非线性流形结构信息。然后通过等度规映射做一线性映射得到基向量。最后正交化得到的基向量,使得算法更利于保留人脸非线性子流形空间与距离有关的结构信息和重构样本,以便获得更好的识别效果。ORL和PIE库上的人脸识别实验验证了算法的有效性。     

基于图像的单样本人脸识别研究进展

基于单样本的人脸识别具有重要的应用价值,然而对仅有一个注册样本的人脸图像进行识别是一个具有极大挑战性的问题。对近年来提出的单样本人脸识别的算法进行分类和介绍,以识别率为指标对比了这些算法的实验结果,同时给出了这些实验针对的人脸数据库、数据库的规模和训练/测试样本集的划分;总结了影响单样本人脸识别率的关键因素及各算法的优缺点,分析了一些算法取得较优识别率的原因及未来可能的研究方向。     

融合小波变换和张量PCA的人脸识别算法

张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率．小波变换具有良好的时频分析特性,同时还能起到降维的作用．综合利用这两个算法的优点,提出了一种新的人脸识别算法,对人脸图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,实现人脸图像的高效识别．仿真结果表明,新算法的识别率比张量PCA方法提高了6％,识别时间为张量PCA方法的35.74％．     

KSLPP：新的人脸识别算法

针对人脸识别中的特征提取问题，提出了一种新的核有监督保局投影人脸识别算法,即KSLPP.该算法通过非线性映射将人脸样本投影到高维空间，通过可调因子有效地结合人脸局部流形的结构信息和样本的类别信息，提取人脸的非线性特征.采用最小近邻分类器估算识别率.采用AT&T人脸库以及Yale人脸库，对该方法进行了测试.结果表明，与Eigenface、Fisherface以及Laplacianface等方法相比，该方法具有较好的识别率.     

二维多样性保持投影及人脸识别

流形学习有效地保持了数据的局部几何结构,已成为模式识别、机器学习等领域的研究热点．但是它忽略甚至破坏了对模式分析很重要的局部多样性信息,导致局部几何结构描述不够稳定,且性能不是很好．针对此问题,提出了基于图论的多样性保持投影．该方法利用邻接图刻画局部数据之间的变化关系,并给出度量数据多样性大小的差异离散度,然后通过最大化差异离散度提取投影方向．此外,该方法直接从图像矩阵估计差异离散度矩阵,有效地避免了小样本问题．在Yale,UMIST和AR数据库上的实验结果证实了该算法的有效性．     

基于局部区域LBP特征的人脸识别研究

传统的LBP方法往往分散特征区域所表达的信息,提出一种基于局部区域LBP特征（Local Binary Pattern,局部二值模式）提取的人脸识别方法。用积分投影法在表情图像上定位出眉毛、眼睛、鼻子和嘴巴这些特征点的位置,根据这些特征点的位置确定这些特征部件所在子区域,然后对这些子区域进行不同的分块,提取各子区域的局部LBP直方图,按顺序把它们连结成一个特征直方图序列。实验结果表明：局部区域LBP方法与传统的LBP方法相比有很强的人脸表情特征识别能力,能够更准确地提取面部局部区域的表情信息。     

一种用于人脸识别的非迭代GLRAM算法

利用二维主成分分析算法通过协方差矩阵获得右投影变换矩阵,进一步对其投影特征矩阵降维获得左投影变换矩阵,提出了一种矩阵广义低秩逼近的新的非迭代算法．ORL和AR人脸数据库的实验研究表明,新的非迭代算法在图像重建和图像识别都取得了和矩阵广义低秩逼近的迭代算法相近的效果,同时节省了大量的训练时间,而较二维主成分分析,新算法以较大的压缩率取得了更好的图像重建效果和识别率．     

基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。     

一种基于相关反馈的视频人脸算法

在保局投影算法(LPP)及支持向量机(SVM)的基础上提出了一种基于相关反馈的视频人脸识别算法． 该算法通过合理的数据建模提取出视频中的时空连续性语义信息,同时能够发现人脸数据中内在的非线性结构信息而获得低维本质的流形结构,还能通过反馈学习来增加样本的标记类别．在UCSD/Honda视频人脸数据库和自采集数据库上进行比较的实验结果表明,该算法能够获得更好的识别效果．     

Novel algorithm for pose-invariant face recognition

By combining the AdaBoost modular locality preserving projection(AMLPP) algorithm and the locally linear regression(LLR) algorithm,a novel pose-invariant algorithm is proposed to realize high-accuracy face recognition under different poses.In the training stage of this algorithm,the AMLPP is employed to select the crucial frontal blocks and construct effective strong classifier.According to the selected frontal blocks and the corresponding non-frontal blocks,LLR is then applied to learn the linear mappings which will be used to convert the non-frontal blocks to visual frontal blocks.During the testing of the learned linear mappings,when a non-frontal face image is inputted,the non-frontal blocks corresponding to the selected frontal blocks are extracted and converted to the visual frontal blocks.The generated virtual frontal blocks are finally fed into the strong classifier constructed by AMLPP to realize accurate and efficient face recognition.Our algorithm is experimentally compared with other pose-invariant face recognition algorithms based on the Bosphorus database.The results show a significant improvement with our proposed algorithm.