核典型相关分析的融合人脸识别算法

为了更有效地映射图像数据样本到可分类特征空间,提高分类正确率,提出了一种新的基于核函数的典型相关分析的融合人脸识别算法.该方法首先把图像矩阵通过核函数影射到核空间,然后从核空间的行和列两个方向进行特征抽取,同时避免分解映射后的数据矩阵,简化了数据运算,获得了更具鉴别力的分类特征.在Ohio州立大学的OTCBVS可见/红外人脸数据库中进行了分类识别实验,实验结果表明:该方法可以获得90%以上的识别正确率,优于其他的典型相关分析的人脸识别方法的分类正确率.此外,对不均匀光照变化,表情变化等人脸识别的常见问题具有很好的抵抗能力.     

采用双字典协作稀疏表示的光照及表情顽健人脸识别

提出一种采用小波变换(WT)及双字典协作稀疏表示分类(CSRC)的人脸识别方法-WT-CSRC.WT-CSRC首先利用PCA(主成分分析)将小波分解后的人脸高频细节子图融合成高频细节图像;然后用PCA分别对人脸低频图像和高频细节图像进行特征提取,构造低频和高频特征空间,并用训练样本在两种特征空间上的投影集构造低频字典和高频字典;最后将测试样本在两种字典上进行稀疏表示,并引入互相关系数以增强人脸识别的可靠性,实现了人脸的协作分类.实验结果表明,提出的方法提高了人脸识别率,对光照变化及表情变化具有较强的顽健性,并且具有较高的时间效率.     

一种核正交鉴别保局投影算法

 正交鉴别保局投影算法是一种有效的特征提取方法,但是将其应用在人脸识别中将遇到小样本问题,并且算法只是一种线性的特征提取方法,因此提出一种核保局正交鉴别投影算法。实现这一算法的关键是高维特征空间中总体散布矩阵的非零空间的计算,对此根据eigenfaces中将高阶矩阵计算转化成低阶矩阵计算的思想及核函数技术,将高维特征空间中总体散布矩阵的非零空间的计算仍归结为标准的特征值分解问题,并且所提出的算法能够有效地解决小样本问题。在人脸库上的实验结果验证了所提出的算法是可行的和有效的。     

核不相关空间算法及其在人脸识别中的应用

不相关空间算法是求解不相关鉴别矢量集的快速算法,但是将其应用在人脸识别中将遇到小样本问题,并且算法只是一种线性的特征提取方法。该文提出一种核不相关空间算法,该方法的关键是高维特征空间中不相关空间的计算,对此提出一种简单的计算方法,即根据eigenface中将高阶矩阵计算转化成低阶矩阵计算的思想,将高维特征空间中不相关空间的计算仍归结为标准的特征值分解问题。所提出的算法能够有效地解决小样本问题。在ORL人脸库上的实验结果验证了所提出的算法的可行性和有效性。     

基于Gabor特征的人脸识别算法的对比研究与实现

由于Gabor变换的核函数分布与哺乳动物视觉皮层简单细胞2D感受野剖面非常类似,并具有良好的方向选择性和空间局部性,从而为图像局部区域内多个方向的空间尺度信息和局部性结构特征的获取提供了更有效的方法。为了验证Gabor特征在人脸识别中的有效性和准确性,本文提出了一种采用目前四种传统特征提取的人脸识别方法与基于Gabor特征的人脸识别方法进行对比研究,同时提出利用ROC和CMC两个参量来验证基于Gabor特征人脸识别方法的有效性和准确性。在ORL人脸数据库上取得的实验结果表明,基于Gabor特征的人脸识别方法在同等条件下,得到了更高的人脸识别率,同时具有良好的鲁棒性。     

适于人脸识别的PCA算法应用研究

人脸识别问题涵盖了多个领域如图像处理、计算机视觉和模式识别等,文中主要研究了PCA算法的原理,并基于MATLAB软件平台实现了人脸识别系统。本系统对图像进行预处理后,用ORL人脸库中的部分图像作为样本,通过K-L变换获取训练样本的特征值和特征向量,从而得到特征脸向量,然后将测试样本投影到已知的特征脸空间,计算出坐标系数,进而得出分类识别的结果。实验证明了本系统有较高的人脸识别率,具有一定的实际应用价值。     

基于 环形对称Gabor变换和分块PCA的人脸识别方法研究

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法。首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Gabor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余。通过实验验证该方法在3.5 m内对人脸识别率达到95%,单个人脸识别时间小于0.22 s。     

基于环形对称Gabor变换和分块PCA的人脸识别

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法.首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Ga-bor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余.通过实验验证该方法在3.5m内对人脸识别率达到95％,单个人脸识别时间小于0.22 s.     

小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

基于组合子空间的最优特征抽取及人脸识别

传统的线性鉴别分析存在两个缺陷:小样本问题和至多只能抽取c。1个最优鉴别向量,本文提出了一种新的、有效的基于线性鉴别分析的组合子空间最优特征抽取方法。该方法解决了人脸等图像识别任务普遍存在的小样本问题,并且能够抽取更多的有效鉴别特征。在OR[。标准人脸库上的试验表明,组合子空间鉴别法所抽取的特征在普通的最小距离分类器和最近邻分类器下均达到97％的正确识别率,而且识别结果十分稳定。该结果大大优于经典的特征脸和。Fishel'脸方法在ORI_。人脸库上的识别结果。     

融合复小波与零空间判别投射的人脸识别方法

提出一种新颖的零空间判别投射(NDPE)的子空间人脸识别方法。基于局部保持映射(LPP)和非参数判别分析方法,NDPF能够同时编码人脸数据流形的几何和判别结构,并且通过在零空间中求解特征值来克服小样本尺寸问题。为进一步提高人脸识别的准确率,提出融合双树复小波变换(DTCWT)与NDPE的方法。实验结果表明,所提人脸识别方法在ORL、Yale和AR人脸数据库上均取得了较高的识别率。     

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键 作用,针对现有故障特征维数过高的问题,本文提 出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis, ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好 的性能,在 本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数 化处理。所提 方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE 数据库上的仿真实验证了本文所提方法的有效性。     

A Discriminant Model for the Pattern Recognition of Linearly Independent Samples

Fisher’s linear discriminant analysis (FLDA) has been used in many pattern recognition applications. However, this method cannot be applied for solving the pattern recognition problems when the within-class scatter matrix is singular, i.e., when the so-called small sample size problem occurs. Many FLDA variants that have been proposed in the past to circumvent this problem either suffer from excessive computational load when patterns have a large dimension or lose some useful discriminant information. In this paper, a new systematic framework for the pattern recognition of datasets with linearly independent samples is developed. Within this framework, a discriminant model, in which the samples of the individual classes of a dataset lie on parallel hyperplanes and project to single distinct points of a discriminant subspace of the underlying input space, is shown to exist. Based on this model, three algorithms that do not encounter the adverse effects of the small sample size (SSS) problem are developed to obtain such a discriminant subspace for a given dataset with linearly independent samples. A kernelized algorithm is also developed for the discriminant analysis of datasets for which the samples are not linearly independent. Simulation results are provided to examine the validity of the proposed discriminant model and to demonstrate the effectiveness, both in terms of complexity and classification accuracy, of the linear and nonlinear algorithms designed based on the proposed model.     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于部分标记数据进行人脸图像特征提取

针对无监督特征提取的识别率低与监督特征提取需要大量标记的问题,提出一种基于部分标记数据的半监督判别分析(SSDPA)特征提取法。本文方法能实现图像数据降维,避免线性判别分析(LDA)存在的小样本问题,达到提高识别率的目的。算法对图像进行离散余弦变换(DCT)变换;根据DCT图像的频率分布,利用部分标记数据计算SSDP;优先搜索SSDP高的DCT图像信息。将本文方法与其它方法进行组合,在不同人脸数据库上进行了实验。实验证明了本文方法的有效性,用较低的代价获得了优于传统方法的识别率。     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

一种应用于人脸识别的有监督NMF算法

为了提高非负矩阵分解(NMF)算法识别率,提出了一种有监督的NMF(SNMF)方法.该算法对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过UMIST人脸库和CMU PIE人脸库上的实验结果表明,该方法对光照、姿态和表情变化具有一定的鲁棒性,识别率高于NMF方法和其它子空间分析法.