应用特征串行融合的人脸识别算法

针对光照和姿态变化对人脸识别性能的影响,文章提出一种融合局部特征和全局特征的人脸识别算法。该算法首先对图像作Gabor变换,提取局部特征,再对图像作奇异值分解,提取全局特征,然后将全局特征和局部特征串行融合作为图像的特征,最后运用最近邻分类方法得出识别结果。在ORL标准人脸库上的实验结果表明,该算法能够有效消除光照和姿态变化对人脸识别效果的影响。     

基于SIFT算法的多表情人脸识别

目前人脸识别系统在识别表情变化的人脸图像时识别准确率会降低,多表情人脸识别在人脸识别领域仍是一个热门的研究方向。本文采用SIFT算法对多表情人脸进行识别,在多表情人脸库上进行了两类仿真实验:实验一中对比了同一个人的不同表情的识别效果,实验二中对比了两个不同的人的相同表情的识别效果,实验结果表明SIFT算法能够克服不同人脸间的整体相似性并能有效提取出人脸的局部细节特征。对Jaffe表情库进行仿真实验,取得了当阈值T=0.35时对多表情人脸图像的正确识别率95.69%,实验结果表明,将SIFT算法应用于多表情人脸识别有巨大的潜在科研价值。     

基于PCA与SVM的头部姿态识别及应用

针对头部姿态识别在复杂背景和变化光照情况下准确率低的问题,提出了一种有效识别图像序列中头部姿态的方法.首先运用Adaboost算法提取出图像序列中不同姿态的人脸图像,通过主成分分析方法(PCA)提取人脸姿态特征;然后使用支持向量机构(SVM)造多分类器对提取的特征分类从而实现头部姿态识别;最后设计了五种不同的头部姿态在变化光照下与智能轮椅进行人机交互实验.实验结果表明该方法实时性高,抗光照变化性能强,识别率高达92.2％.     

基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法

针对含光照、表情、姿态、遮挡等误差或被噪声污染的人脸图像的识别问题,本文提出一种基于Gabor低秩恢复稀疏表示分类的人脸图像识别方法。该方法首先用低秩矩阵恢复算法求得训练样本图像对应的误差图像;然后,对每一个训练样本图像及其对应的误差图像进行Gabor变换,得到相应的Gabor特征向量,并将这些Gabor特征向量组成一个Gabor特征字典;进而,计算测试样本图像Gabor特征向量在该Gabor特征字典下的稀疏表示系数,并用该稀疏表示系数和Gabor特征字典,对测试样本图像的Gabor特征向量进行类关联重构,同时计算相应的类关联重构误差。最后,根据测试样本图像Gabor特征向量的类关联重构误差,实现对测试样本图像的分类识别。在CMU PIE、Extend-ed Yale B和AR数据库上的实验结果表明,本文提出的人脸图像识别方法具有较高的识别率和较强的抗干扰能力。     

基于深度学习的人脸图像扭正算法

人脸识别作为目前最方便的生物特征识别技术,被应用到了很多重要的领域。但是,由于光照以及姿态等因素的影响,使得人脸识别的精度降低,造成人脸识别技术在实际应用中的局限性。针对姿态以及光照因素对人脸的影响,提出一种基于深度学习的人脸扭正算法。该算法将对齐后的人脸图像首先用深度卷积网络自动地提取人脸特征,然后根据提取到的特征得到非正面人脸与正面人脸的映射关系,最后将非正面姿态的人脸扭成正面姿态且处于中性光照下的人脸图像,算法引入了欧式距离与余弦距离两个损失函数来对网络进行优化,进一提高了网络的精度。实验结果表明,该算方法可以有效地实现正面人脸的重构,减少姿态与光照对人脸特征的影响,使人脸识别精度提得到提高。     

K近邻和最小二乘支持向量机相融合的人脸识别

为了获得更加理想的人脸识别结果,提高人脸识别正确率,提出一种K近邻和最小二乘支持向量机相融合的人脸识别方法(KNN-LSSVM)。首先采集人脸图像,提取人脸图像特征,并采用KNN删除特征向量中的重复特征,得到人脸图像的特征向量;然后将特征向量输入到最小二乘支持向量机训练,建立相应的人脸分类器;最后采用ORL人脸数据库和Yale人脸库进行仿真实验。仿真结果表明,KNN-LSSVM提高了人脸识别的正确率和识别效率,且具有较强的鲁棒性。     

基于稀疏表示与特征融合的人脸识别方法

针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题,提出一种基于稀疏表示与特征融合的人脸识别算法。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,提取干净人脸图像的LBP,HOG,Gabor三种特征向量;然后对部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL,Extended Yale B和AR数据库上进行实验,结果表明,该算法优于利用单一特征识别的方法,并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。     

基于分区选择和Gabor小波的遮挡人脸识别

局部遮挡人脸识别是人脸识别应用中的一个难点问题.由于遮挡部分对人脸识别没有贡献,因此在进行分类时应排除这些部分.为了解决这一问题,提出一种将分区选择和Gabor小波相结合的遮挡人脸识别方法.首先,将图像分为互不相连的子块,根据图像均方根误差来确定人脸图像中的遮挡区域;其次,利用5尺度8方向的Gabor滤波器对未遮挡分区图像提取特征;然后,用余弦相似度作为纹理分类器对提取的特征进行识别分类;最后,将测试图像中未遮挡分区的识别结果进行决策融合,得到最终分类结果、统计识别正确率等评级指标.在包含不同遮挡的数据集中测试算法性能,识别准确率均达到95%以上.     

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于Gabor小波和LDA的人脸识别算法研究

为了克服光照、表情变化等因素对人脸识别的影响,提出了一种基于Gabor小波和LDA的人脸识别方法,该方法充分利用了Gabor小波的空间局部性和万向选择性,先提取原始人脸图像的Gabor特征,然后对其作LDA变换得到最佳分类特征.依据ORL和YALE人脸库进行实验,实验结果表明,该识别方法对各种变化具有一定稳健性,最高识...     

基于Gabor和PCA的面部图像识别方法

文中利用Gabor变换和PCA降维的优点,提出了Gabor+PCA的面部图像识别方法.该方法先提取图像的Gabor特征,然后将Gabor特征与原图像特征结合构成新的融合特征并用PCA降维,最后用KNN分类器分类.所提Gabor+PCA方法不仅能挖掘出图像的细节信息,而且拓宽了特征空间的维数.另外,Gabor+PCA方法...     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NFA方法以及本方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NFA方法。     

Gabor feature based classification using the enhanced fisher lineardiscriminant model for face recognition

This paper introduces a novel Gabor-Fisher (1936) classifier (GFC) for face recognition. The GFC method, which is robust to changes in illumination and facial expression, applies the enhanced Fisher linear discriminant model (EFM) to an augmented Gabor feature vector derived from the Gabor wavelet representation of face images. The novelty of this paper comes from (1) the derivation of an augmented Gabor feature vector, whose dimensionality is further reduced using the EFM by considering both data compression and recognition (generalization) performance; (2) the development of a Gabor-Fisher classifier for multi-class problems; and (3) extensive performance evaluation studies. In particular, we performed comparative studies of different similarity measures applied to various classifiers. We also performed comparative experimental studies of various face recognition schemes, including our novel GFC method, the Gabor wavelet method, the eigenfaces method, the Fisherfaces method, the EFM method, the combination of Gabor and the eigenfaces method, and the combination of Gabor and the Fisherfaces method. The feasibility of the new GFC method has been successfully tested on face recognition using 600 FERET frontal face images corresponding to 200 subjects, which were acquired under variable illumination and facial expressions. The novel GFC method achieves 100% accuracy on face recognition using only 62 features.     

小样本条件下基于全局和局部特征融合的人脸识别

针对线性判别分析的小样本空间问题,提出了一种基于类向量的融合全局和局部特征的人脸识别算法.首先,提取人脸的全局特征;然后将人脸分割成6个关键部分,并用一种新的基于Gabor小波的方法提取特征;其次,将全局和局部特征融合,得出样本的特征向量;再次,得出每类样本的类向量并据此得出一种新的投影准则;最后,将类向量和试验样本分别进行投影,根据其欧氏距离的大小得出试验人脸的最终类.试验表明本文算法不仅能有效解决小样本空间问题,而且计算速度快,识别率高,应用前景良好.     

词汇树融合SIFT的热成像和视觉图像人脸识别

针对热成像和视觉图像人脸识别问题,提出了一种基于词汇树融合尺度不变特征变换方法。首先,对视觉和热成像图像分别单独进行提取,利用Viola-Jones层叠检测器从自然图像中检测出人脸;然后,利用SIFT描述符从尺度空间提取稳定特征;最后,使用词汇树进行分类,利用评分融合和决策融合算法提高系统的精确性和安全性。在拍摄的41个人的脸部图像上的实验表明了该方法的有效性,识别率可接近100%,相比其他几种较为新颖的人脸识别方法,该方法取得了更高的识别精度,并且在一定程度上降低了计算耗时。     

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。     

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

三维人脸特征提取方法综述

有效提取人脸特征是人脸识别技术的关键组成部分。传统的二维图像容易受到光照、姿态及表情的影响,而三维数据被认为具有光照姿态不变性。文中从局部特征和整体特征两个角度,对三维人脸特征提取进行综述,对部分方法进行比较,并分析了方法的有效性,总结了三维人脸特征提取方法的优势和困难。     

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.