基于Gabor小波和监督等距映射的人脸识别

提出了一种基于Gabor小波变换和监督等距映射(supervised isometric feature mapping,S-ISOMAP)的人脸识别方法.针对流形学习算法不能消除图像特征向量中高阶相关信息的缺点,引入Gabor对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征(Gabor magnitude feature,GMF),然后使用具有提取鉴别子流形的S-ISOMAP算法对GMF特征进行维数约简,最后使用最近邻分类器进行分类.该方法综合运用了Gabor特征对人脸图像的优异的表征能力、S-ISOMAP的非线性维数约简能力,使得该方法对光照和表情变化等具有良好的鲁棒性.在YaleB和PIE人脸库上的实验表明了该方法的有效性.     

局部遮挡条件下的人脸表情识别

针对局部遮挡条件下的人脸表情识别,提出一种新的基于Gabor滤波和灰度共生矩阵的表情识别算法。首先设计一种分块提取Gabor特征统计量的方法,生成一个低维Gabor特征向量;然后,考虑到分块的Gabor特征缺失了像素之间的关联性,将反映像素间位置分布特性的灰度共生矩阵引入到表情识别领域,以此来弥补Gabor特征分块处理产生的不足;最后,将提取的低维Gabor特征向量和灰度共生矩阵纹理特征进行线性叠加,高斯归一化后生成一组用于特征表达的低维特征向量。在日本女性人脸表情库和荷兰内梅亨大学人脸数据库上的实验证明该算法对人脸不同区域、不同程度遮挡的表情识别具有鲁棒性强、特征向量维数低、分类耗时短、识别速率高的特点。     

基于局部特征分析的人脸识别方法

在传统的弹性图匹配基础上，提出一种基于局部特征分析的人脸识别算法。该方法利用人脸的先验结构和人脸图像的灰度分布知识，首先粗略地找出人脸图像的特征点，然后利用人脸弹性图对特征点的位置进行调整。最后在各个特征点处计算Gabor变化的系数，人脸相应被表示为特征点处的Gabor系数集合，对提取的特征向量用几种不同的度量距离来进行分类，并给出测试结果。实验表明，该方法优于传统的Eigenface方法，特别适用于训练图像样本较少的情况。相对于传统的弹性图匹配方法，该方法由于人脸特征点预先被估算出，而不是在整个图像上搜索，所以大大减少了计算量。     

基于局部中频Gabor滤波器组的人脸识别

针对传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,提出一种利用局部Gabor滤波器组进行人脸图像中频特征提取的方法.选择中频带的Gabor滤波器构造局部中频Gabor滤波器组;提取局部Gabor中频特征;采用线性判别分析法(linear discriminate analysis,LDA)进一步提取Fisher特征,得到图像的Gabor+ Fisher特征,利用最近邻法进行人脸图像识别.基于ORL和AR人脸库的实验结果表明,基于此局部Gabor滤波器组的人脸识别方法较传统的Gabor特征提取方法降低了40％的特征维数,加快了特征提取速度,提高了人脸识别率.     

改进型Gabor自商图算法及其在人脸识别中的应用

光照变化是影响人脸识别系统性能的关键问题之一,针对该问题提出了一种改进的基于Gabor特征的自商图算法。对人脸图像采用改进的加权Gabor滤波器进行平滑的Gabor特征提取,使用自商图像的方法求取图像的光照不变特征;对得到的自商图像用直方图截断等方法进行归一化;在Extended Yale B与CMU PIE人脸库上通过基于皮尔逊相关系数的最近邻方法进行实验。实验结果表明,与传统算法相比,该算法可以大幅度提高人脸识别率。     

基于Gabor小波的人脸特征提取

对基于Gabor小波变换的人脸特征提取方法进行了研究。对于预处理后的图像通过Gabor小波滤波器对人脸特征进行提取,获得特征向量来作为神经网络的输入值,最后应用人工神经网络实现人脸检测来检测算法有效性。实验结果表明,这种方法具有较高的识别率。     

基于能量的自适应局部Gabor特征提取的人脸识别

为了解决传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,从不同方向、不同尺度以及全局角度按照能量大小构建了3种不同的局部Gabor滤波器组用来提取人脸特征。首先,分析数据库中部分图像Gabor变换后的图像能量,从不同角度选出能量较大的图像构建对应的局部Gabor滤波器组; 其次,根据所选滤波器组提取局部Gabor特征; 然后,采用线性判别分析(LDA)法进一步提取Fisher特征; 最后,利用最近邻法识别人脸图像。基于ORL人脸库和YALE人脸库的实验结果表明提出的人脸识别方法降低了人脸图像的特征维数,缩短了特征提取的时间,有效地提高了人脸识别率。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果 。     

基于Gabor小波和二维主元分析的人脸识别

论文提出了一种基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法。该方法首先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后,用2DPCA对所得的人脸图像特征进行降维,并采用最近邻法进行分类;最后,利用AT&T人脸库,对基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法和基于Gabor小波和PCA的人脸识别方法进行了仿真比较实验。仿真实验表明,基于Gabor小波和2DPCA的人脸识别方法具有较好的识别性能。     

组合局部多通道Gabor滤波器和ICA的人脸描述与识别

针对人脸识别是当前人工智能和模式识别的研究热点,提出了一种组合局部Gabor滤波器组和ICA技术(简称LMGICA)的人脸描述方法,首先对归一化的人脸图像进行采样分块,然后对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor 幅值域图谱(local Gabor magnitude map,LGMM),接着由滤波图像直接构建高维特征矢量;再将这些高维特征矢量通过主成分分析进行降维;最后采用ICA技术分析和提取降维后的特征矢量中的独立成分用于识别分类。通过与经典Ga     

基于Gabor滤波特征和支持向量机的人脸检测

人脸检测是人脸识别与图像及视频检索的一项重要任务。论文提出了一种基于Gabor滤波特征和支持向量机的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器。最后应用SVM分类检测人脸。实验结果证明该方法行是十分有效的。     

改进的基于Gabor-LDA的人脸识别方法

鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域取得成功应用,提出了一种改进的Gabor-LDA算法.首先对人脸图像进行多方向、多尺度Gabor小渡滤波,然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维,采用自适应加权原理重建类内散布矩阵和类间散布矩阵,从而改进了最佳鉴别分析(LDA)判别函数,有效地解决了训练样本类均值与类中心的偏离问题.对Yale人脸库的数值试验表明,该算法比传统算法有更好的性能.     

基于Gabor小波和流形的人脸识别研究

本文研究基于Gabor小波变换和流形学习的人脸识别方法,首先引入Gabor小波对人脸图像提取不同方向、不同尺度的多个Gabor幅值特征（Gabor magnitude feature）,然后使用能够提取子流形的NPE算法对GMF特征进行维数约简,最后使用线性判别分析进一步提取鉴别性特征。此算法利用了Gabor特征对人脸图像的优异表征能力、流形方法和传统的判别方法。在标准人脸库上的实验结果表明,与其他降维方法相比,新算法能够获得较好的识别效果。     

视频中适应光照可变情况下的人脸识别方法

提出一种结合使用自适应直方图均衡(AHE)、Gabor滤波器及局部三值模式(LTP)描述器进行视频中上下左右和正面光照条件下识别人脸的方法。首先,使用AHE对来自YaleB与CMU-PIE数据库的人脸图片进行降噪处理。然后用Gabor滤波器进行卷积,提取出相应的Gabor特征图,针对每一个Gabor特征图利用LTP描述器提取出局部邻域关系模式。最后由这些模式的区域直方图形成的序列来描述人脸。YaleB人脸库以及CMUPIE人脸库验证该方法的有效性。     

基于匹配Gabor滤波器的规则纹理缺陷检测方法

许多工业产品表面纹理都可以被认为是由基本纹理单元在空间按照一定的规则进行排列组合的结果,但由于各种原因,这些有规则纹理图象经常出现的一些缺陷,因而检测这些有规则纹理图象的缺陷是机器视觉检测的重要内容,为了对这种缺陷进行有效地检测,在对这类纹理图象进行功率谱分析的基础上,根据人眼的视觉原理,设计了两类匹配Gabor滤波器,即正常纹理匹配Gabor滤波器和缺陷纹理匹配Gabor滤波器,前者能够突出正常纹理,抑制缺陷纹理,而后者恰恰相反,在将这两类滤波器用于规则纹理图象缺陷的自动检测时,均获得了良好的检测精度和速度。     

基于多级Gabor变换序列特征的人脸识别

鉴于Gabor特征对光照、表情等变化具有鲁棒性,在寻找局部细节特征和全局轮廓特征的描述方面,提出一种基于多级局部多通道Gabor变换序列特征的人脸描述与识别方法。对人脸图像进行多级分块和对局部子块进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(LGMM),将各级子图像的图谱LGMM进行连接后形成多级Gabor幅值域图谱,使用径向基网络对特征进行识别。对人脸库ORL和YEL的识别实验进行对比,结果验证了该方法的有效性。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。