基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法。首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。     

采用压缩感知的人脸识别算法

介绍压缩感知(CS)理论,并将其应用于人脸识别.运用训练数据构造冗余字典,采用随机分布的规范行矢量高斯矩阵构造感知矩阵,对训练图像和测试图像进行感知.利用正交匹配跟踪算法求最小零范数解,在变换域中用近邻法判断测试数据的类别.实验结果表明,用CS进行人脸识别,能避免特征选取的问题,且识别率高、运算速度快.     

基于压缩感知的红外人脸识别

压缩感知理论是一种全新的数据采集技术,其采用非自适应线性投影来保持信号的原始结构,通过数值最优化问题准确重构原始信号。本文利用压缩感知的优秀特性,采用基于稀疏表示的模式分类方法,通过提取红外人脸图像的全部信息作为特征并建立特征矩阵,将待识别人脸作为压缩感知测量值,并通过正交匹配追踪算法进行重构,根据重构的稀疏系数所属类别进行红外人脸识别。实验表明,基于压缩感知的红外人脸识别结果准确率高。实验验证了本算法的有效性。     

压缩感知在人脸识别中的应用和改进

压缩感知理论的出现．为人脸识别提供新的方法。基于稀疏表示的分类算法（SRC）就是压缩感知在人脸识别中的典型应用。针对SRC算法对遮挡人脸识别效果不佳的情况,提出基于图像分块的SRC算法,当分块方式选择恰当时,该算法可以显著地提高遮挡人脸的识别率。     

全局和局部特征相融合的人脸识别算法

为了进一步提高特征提取效率和人脸识别正确率,提出一种融合全局和局部特征的人脸识别算法。引入局部散度矩阵和全局散度矩阵,两者分别表征样本的全局特征和局部特征;基于同类样本尽可能的紧密而异类样本尽可能远离的事实,构造最优化问题,采用支持向量机建立人脸分类器,并通过仿真实验测试算法的性能。仿真结果表明,该算法不仅提高了人脸识别正确率,而且提高了人脸识别效率。     

基于Fisher准则字典学习的压缩感知人脸识别算法

稀疏表示人脸识别算法在字典构造时易丢失大量分类信息且L1范数最小化计算量较大.针对此问题,提出一种基于Fisher准则字典学习和最小二乘法的压缩感知人脸识别算法.该算法首先由Fisher判别准则对训练样本训练得到字典;然后通过最小二乘法解L2范数最小化问题,得到人脸在该字典上的编码系数;最后结合各类别重构误差和编码系数对人脸分类.在公共人脸库上的测试结果表明,文中算法有较高的识别率,并有效提高识别速度.     

基于压缩感知的多特征加权目标跟踪算法

针对被跟踪目标运动、纹理或环境变化时, 采用基于压缩感知目标跟踪算法目标易漂移、丢失的问题, 提出了改进的压缩感知目标跟踪算法。通过压缩感知算法提取灰度和纹理特征, 计算特征对样本分类结果并更新特征的权值, 使用加权过的特征寻找目标在下一帧的位置。对不同视频的测试结果表明, 提出的算法在目标运动、纹理或环境变化的情况下跟踪准确, 在目标大小80×120像素时平均帧速为25 fps。与传统的压缩感知跟踪算法和其他跟踪算法相比, 所提出的算法在目标运动、纹理或环境变化时能快速准确地获取跟踪目标, 并具有更强的鲁棒性。     

基于压缩感知的局部场电位信号重构算法研究

研究局部场电位信号(Local Field Potential,LFP)的重构问题.依据传统的采样定理对LFP信号进行采样,将会产生庞大的数据量,为LFP信号的传输、存储及处理带来巨大压力.为降低LFP信号的采样速率,减少有效的采样样本,提出压缩感知的局部场电位信号重构的新方法.利用LFP信号在变换域上的稀疏性,通过随机高斯测量矩阵将LFP信号重构模型转化为压缩感知理论中的稀疏向量重构模型.仿真结果表明,采样速率为奈奎斯特采样速率的一半即可准确重构LFP信号,且正交匹配追踪(OMP)重建算法要优于基追踪(BP)重建算法;当选用离散余弦矩阵(DCT)作为稀疏表示矩阵时,信号在正交匹配追踪和基追踪两种重构算法下都有很高的重构精度.     

基于改进局部方向模式特征的人脸识别算法

为了提高人脸识别率和效率,提出一种改进局部方向模式特征的人脸识别算法。首先将人脸图像分割成若干不重叠的子块,采用改进局部方向模式算法提取每个子块特征,然后对所有子块的特征进行连接,构成人脸图像的特征向量,最后采用最小二乘支持向机对人脸图像进行识别。在多个人脸库上进行仿真实验,结果表明,该算法获得了比传统算法更高的人脸识别率,而且加快了运行时间,较好地满足人脸识别实时性要求。     

基于局部特征提取的人脸识别方法的优化研究

在现代生物技术研发和升级中,人脸识别技术作为生物识别技术中的重要组成部分,目前已经被广泛应用于金融、公共安全、人像分割以及身份鉴别等领域。在人脸特征提取中,局部特征提取环节十分关键,而提取质量很容易受遮挡、光照等因素影响。为进一步提升人脸局部特征提取的质量,本文围绕LBP、Gabor两种算法展开分析,并分别探讨了两种识别算法的操作过程。     

基于多特征融合的人脸识别研究

近年来人脸识别技术得到了迅速的发展和广泛的研究。利用公开的Pub Fig人脸数据集样本,针对人脸识别框架中3种常用特征的提取算法进行理论分析,并采用lib SVM分类器和感知器算法,对于不同样本容量进行单特征方法和特征融合方法的分类训练、测试以及性能比较。实验结果表明,当各类别训练样本数大于180时,特征的分类能力趋于稳定。单特征分类能力SIFT>HOG>GIST;特征融合的分类能力要高于单特征最大值的1%~2%;它比SIFT、HOG、GIST的平均值分别高出1.2%、4.9%、11.7%。     

基于SIFT的阈值匹配的人脸识别算法

SIFT算法优点是在对特征点的个数和有效点的比例没有要求的前提下对视角变化、尺度缩放、亮度变化、噪声等都能保持相对的稳定性。但是该算法原有的对关键点非匹配策略在图像纹理复杂情况下存在缺陷。本文提出了一种关键点阈值匹配算法可避免使用常规错的关键点人脸图像网格。在各种转换中得到较稳定的鲁棒性。     

基于非局部相似模型的压缩感知图像恢复算法

针对压缩感知(Compressed sensing, CS)图像恢复问题, 提出了一种基于非局部相似模型的压缩感知恢复算法, 该算法将传统意义上二维图像块的稀疏性扩展到相似图像块组在三维空间上的稀疏性, 在提高图像表示稀疏度的同时进一步提高了压缩感知图像恢复效率, 恢复图像在纹理和结构保持方面都得到了很大的提升. 在该算法模型求解过程中, 使用增广拉格朗日方法将受限优化问题转换为非受限优化问题, 为减少计算复杂度, 还使用了基于泰勒展开的线性化技术来加速算法求解. 实验结果表明, 该算法的图像恢复性能优于目前主流的压缩感知图像恢复算法.     

基于加权紧凑局部图结构的人脸识别算法

针对局部图结构算法(local graph structure,LGS)构建图结构时用到的像素点距离中心像素太远,以及在图结构形成后分配权重时没有结合周围像素点到中心像素的距离因素问题,提出加权紧凑局部图结构(weighted compact local graph structure,WCLGS)算法。该算法定义了一种混合特征提取策略,从四个方向为中心像素点构建图结构,分别在垂直方向和对角线方向捕获对称和非对称信息,并且在图结构形成后对距中心像素点近的边赋较大的权重,对距中心像素点远的边赋较小的权重。WCLGS通过提取更近的像素点信息和合理的加权策略,密切关注中心像素点的近邻元素的差异,使得中心点两侧的信息提取更加均匀充分。实验证明,与现有的一些局部图结构算法相比,WCLGS在ORL(Olivetti Research Laboratory)、AR(active record)和HD(high definition)热红外人脸数据库上有更好的识别率和性能。     

自适应压缩感知的语音压缩重构算法研究

根据传统语音信号的处理过程和语音信号的特征,提出了利用自适应冗余字典KSVD算法、自适应观测矩阵和SAMP重构算法的压缩重构方法,通过仿真分析,并与普通压缩感知对比平均帧重构信噪比、相对误差,验证了压缩感知自适应算法的优越性。     

基于局部和全局特征的人脸识别方法

提出了一种将局部特征识别与全局特征识别相结合的人脸识别方法.该算法首先提取人脸的局部特征进行识别,然后提取未识别图像的全局特征进行识别.基于ORL人脸数据库的实验证明了该算法的识别性能要优于单一特征识别方法.     

基于子空间分析的人脸识别算法

本文以人脸识别为目标,重点分析基于子空间分析的人脸特征提取技术.首先介绍人脸识别系统的构成,其次分析人脸识别的关键技术,如人脸检测、特征提取和图像预处理等,重点分析人脸识别的各种算法,根据小波在对图像数据矩阵的处理的高效性,以及LDA训练样本维数少的缺陷,PCA不能利用数据的高阶统计特性,本文将这三种算法进行融合,并用MATLAB进行仿真实验,实验证明该方法的有效性.     

代价敏感的局部判别嵌入人脸识别算法

局部判别嵌入算法寻求最高的正确识别率时假设所有的错误分类具有相同的错分代价,然而这个假设在现实的人脸识别系统中往往是不成立的,因为不同的错误分类将会导致不同的错分代价.为此,提出一种代价敏感的局部判别嵌入算法.首先通过构造代价矩阵将代价敏感理念融入到特征提取阶段,以提高算法判别不同错误分类的能力;然后最大化异类近邻样本点之间的错分代价,同时最小化同类近邻样本点之间的距离;最后利用迭代算法求得最佳的正交投影向量,以更好地维持数据的度量架构.在Yale,ORL,AR和Extended Yale B人脸数据库上的实验结果表明,文中算法是有效的.