基于自适应预处理和PCA的人脸识别方法的研究

针对传统预处理方法在特征提取之前不能对人脸图像进行局部化处理,不能分析出感兴趣区域及受背景环境影响等缺点,提出一种人脸图像的自适应预处理方法。该方法通过二维Gabor滤波器从人脸图像中确定人眼位置,通过图像分割算法提取出感兴趣区域,缩放图像,运用主分量分析方法进行特征提取,通过二维最小近邻分类法进行分类,从而完成人脸识别过程。实验结果表明,基于自适应预处理的人脸识别方法能够有效去除头发、脖子、肩及与人脸无关的部分,提高了人脸识别率,且对一定的平移、旋转、尺度变化和表情有良好的鲁棒性。     

基于卷积特征和贝叶斯分类器的人脸识别

为解决传统人脸识别算法特征提取困难的问题,提出了基于卷积特征和贝叶斯分类器的人脸识别方法,利用卷积神经网络提取人脸特征,通过主成分分析法对特征降维,最后利用贝叶斯分类器进行判别分类,在ORL（olivetti research laboratory）人脸库上进行实验,获得了99.00%的识别准确率。实验结果表明,卷积神经网络提取的人脸图像特征具有很强的辨识度,与PCA（principal component analysis）和贝叶斯分类器结合之后可有效提高人脸识别的准确率。     

基于自商图像和随机投影的人脸识别方法

针对传统基于自商图像的方法忽略对特征进行选择的问题,提出了一种结合自商图像和随机投影的人脸识别方法。采用自商图像法对人脸图像进行预处理,削弱光照影响;然后通过线性判别分析构造初始样本空间,利用多次随机投影将样本投影到不同的子空间,从而提取更具完备性和判别性的光照不变特征。最后用最近邻分类器对样本进行分类。在Yale B和AR人脸库上的实验表明:所提算法可以提取对光照鲁棒且具有鉴别性的人脸特征,从而提高光照变化条件下人脸识别的准确率。     

基于OLPP和信息向量机的人脸识别

结合正交局部保持投影(OLPP)和信息向量机(IVM),提出用于人脸识别的OLPP-IVM算法。应用OLPP对原始人脸图像数据进行特征提取,利用IVM在降维后的数据上实现人脸分类。与主成分分析、线性判别分析等算法的比较实验证明,用该算法进行人脸识别误差更小,性能更优越。     

基于多通道Log-Gabor小波与(2D)^2PCALDA的人脸识别方法

为了降低光照变化对基于子空间的人脸识别方法性能的影响,结合多通道Log-Gabor策略与(2D)2PCALDA特征提取方法,提出了一种新的人脸识别方法。将不同尺度与方向作为独立通道,在每个通道内采用(2D)2PCALDA对人脸图像的Log-Gabor表示进行特征提取、分类,然后对各通道分类结果进行决策融合得到最终的类别归属。在CAS-PEAL-R1、ORL与Yale 人脸数据库上的实验结果表明,该算法具有较好的识别性能。     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

基于压缩金字塔核稀疏表示的人脸识别

人脸识别中光照、伪装及姿态等变化一直是富有挑战性的问题,其中特征提取是很关键的一步。为提高人脸识别率,结合压缩感知和空间金字塔模型,本文提出了一种新的特征提取方法,首先用尺度不变特征变换算法提取图像特征,然后与随机生成的字典进行稀疏编码,再用金字塔模型分层提取不同尺度空间的特征,并用最大池融合特征,最后运用核稀疏表示分类。在Extended Yale B,AR 和CMU PIE人脸数据库上的实验结果表明,该方法对于人脸图像的光照、伪装及姿态等变化有较强的鲁棒性,而且该算法有较快的运行速度。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。     

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程。针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法。提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数。设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别。实验结果证明,该算法获得了很好的识别效果,效率也得到了提高。     

二阶分块PCA的人脸特征提取方法研究

为了提取更为有效的鉴别特征,在已有的二阶特征脸方法和分块主成分分析(PCA)方法上,提出了二阶分块PCA人脸特征提取方法.该方法对原始人脸图像和经重建得到的剩余图像分别运用分块PCA,将提取的一阶和二阶特征线性组合为一个特征矩阵,再进行分类识别.此特征能更充分反映人脸图像的低频和高频特性.采用ORL人脸库和FERET人脸库的实验结果表明该二阶分块PCA正确识别率优于普通分块PCA算法,具有较强的特征提取能力.     

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。     

基于SVM的离线图像目标分类算法

目标分类是计算机视觉与模式识别领域的关键环节. SVM(支持向量机)是在统计学习理论基础上提出的一种新的机器学习方法.提出一种支持向量机结合梯度直方图特征的离线图像目标分类算法.首先对训练集进行预处理,然后对处理后的图片进行梯度直方图特征提取,最后通过训练得到可以检测图像目标的分类器.利用得到的分类器对测试图片进行测试,测试结果表明,对目标分类检测有良好的效果.     

图像灰度密度分布计算模型及肺结节良恶性分类

提出一种基于密度分布的特征评估算法,同时引入模式识别模型来评估该方法的效率。首先,从肺部肿瘤图像中随机提取像素块集,通过K-均值聚类算法将其分为10类,根据CT图像中肺结节像素值和聚类中心的关系,提取出10维特征向量,利用随机森林分类器进行模型训练,进而判断肺结节良恶性水平。通过CT图像公开数据集LIDC-IDRI实验表明分类平均精度达到0.900 8。实验结果对比分析表明,提出的特征表达方法具有更优的分类效果和更高的鲁棒性。     

脑电信号多维特征融合与分类算法研究

针对目前运动想象脑电信号特征提取单一,分类识别准确率低等现象,结合卷积神经网络分类器,提出了一种多维度特征加权融合的特征融合算法来提高运动想象脑电识别率。对预处理后的脑电信号进行小波包变换,提取其共空间特征、能量特征、边际谱熵特征以及非线性动力学特征,然后加权融合,使用卷积神经网络分类器分类。为验证算法的合理性,使用BCI-IV Dataset 2a数据集对提出的特征融合算法进行验证分析,结果表明,所提出的加权特征融合算法结合CNN分类器可以有效提高运动想象识别准确率。实验中,9位志愿者平均分类准确率达到75.88%,平均Kappa系数为0.70。     

SURF特征及预处理RANSAC算法在人脸识别中的应用

针对人脸识别问题,提出了一种基于SURF特征的人脸图像快速识别方法。首先,对经预处理后的人脸图像提取SURF特征点,采用最近邻匹配法对特征点进行粗匹配;其次,利用KMeans聚类算法对粗匹配的特征点进行预处理来过滤明显不合适的匹配点,再利用RANSAC算法对过滤后的特征点实现精匹配,以达到对人脸的特征点比较准确地识别匹配。实验结果表明,该方法适用于手机终端的人脸图像的快速匹配,具有较强的鲁棒性及一定的实用价值。     

基于二维Gabor小波与SPP算法的人脸识别研究

稀疏表示近年来在模式识别领域已经取得了成功的应用,如目标探测和分类。稀疏保留投影（ SPP）算法是基于稀疏表示理论所提出的一种特征提取方法,目标是获得一个线性投影空间,使得样本之间的全局重构关系得以在低维空间保留。 SPP算法无需选择任何模型参数,具有很强的适应性,其灵活性及有效性在人脸识别中得到了详细的验证。文中结合二维Gabor小波与SPP算法用于人脸识别系统,二维Gabor小波主要用于提取人脸图像特征,SPP对图像特征进行降维。最后,在ORL人脸数据库上的实验表明,该算法较传统方法以及单独使用SPP算法的方法有较好的识别结果。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。     

基于Gabor变换和Zernike矩的人脸特征提取方法

针对目前常用的三种人脸特征提取方法中存在的识别率低、抗噪性较弱的问题,提出一种基于Gabor变换和Zernike矩的人脸特征提取方法.该方法首先对人脸进行多分辨的Gabor变换,然后利用Zernike矩获得具有平移、尺度、旋转不变性的特征,并用线性判别分析(LDA)方法进一步进行特征选择,最后采用K最近邻分类方法进行人脸的识别.实验结果表明,在与常用的三种人脸特征提取方法的比较中,该方法具有更高的识别率和更强的抗噪性能.     

基于Gabor小波与深度信念网络的人脸识别方法

特征提取与模式分类是人脸识别的两个关键问题。针对人脸识别中的高维和小样本问题,从人脸特征的提取与降维算法入手,提出基于受限玻尔兹曼机(RBM)的二次特征提取及降维算法模型。首先把图像均匀分成若干局部图像块并进行量化,再对图像进行Gabor小波变换,通过RBM对得到的Gabor人脸特征进行编码,学习数据更本质的特征,从而达到对高维人脸特征降维的目的;并以此为基础提出基于深度信念网络(DBN)的多通道人脸识别算法。在ORL、UMIST和FERET人脸库上对不同样本规模和不同分辨率的图像进行实验,识别结果表明,与采用线性降维和浅层网络的方法相比,所提方法取得了较好的学习效率和很好的识别效果。