基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.     

融合多通道信息的二维人脸识别

为充分提取人脸图像信息,进一步提高人脸识别效率,提出了一种融合图像多通道信息的二维人脸识别方法.该方法利用Haar小波变换将人脸图像变换到频率域,并获得图像4个频率域的信息;对每个频率域的图像,通过局部二值模式(LBP)进行统计编码,并提出基于HaarLBP直方图序列的人脸图像表征方法;提出2种直方图序列的匹配算法,并通过分析各个频域图像信息对识别的贡献率,进一步融合4通道图像信息进行人脸识别.在ORL和Yale人脸库上的实验结果证明,提出的识别方法对于人脸姿态、表情和光照变化有一定的鲁棒性.     

结合小波分析和LBP算子的人脸描述与识别

为提高人脸识别的准确性和实用性,提出了一种结合小波分析和LBP算子的人脸描述与识别算法.先利用小波分析对原始人脸图像进行降维,再分块求取小波系数的2类LBP直方图,最后将所有区域的2类LBP直方图连接起来得到整幅图像的小波直方图序列特征(HSWLBP),并将其作为人脸的鉴别特征用于分类识别.所提出的算法在ORL人脸数据库上取得高达0.99的人脸识别率.实验分析表明,HSWLBP具有较强的特征表示能力和可鉴别性,且对光照、人脸表情和位置的变化具有较高的鲁棒性.     

基于小波子空间集成的人脸识别

基于小波变换的人脸识别方法通常选用低频子图进行人脸识别,这样会丢失其他子段图像中的识别信息。针对这一问题,提出了两种小波子空间集成人脸识别方法并与其他相关方法进行了实验比较。第1种方法集成每1层小波低频子空间图像进行人脸识别;第2种方法首先对人脸图像做L层小波分解,然后对每1层的3个高频子空间图像求平均,连同每层的1个低频子空间图像得到L个小波子空间图像,最后集成这L个小波子空间图像进行人脸识别。本文提出的方法充分利用了不同频率小波子段图像的识别信息,能够提高人脸识别的精度。在ORL、YALE和JAFFE 3个人脸数据库上的实验结果显示,本文提出的方法特别是方法2在识别精度方面都优于其他方法。     

一种基于DCT系数和Fourier描述子的人脸识别方法

研究了一种基于人脸细节信息和外形轮廓信息相结合的人脸识别方法.用DCT(离散余弦变换)系数集表示人脸细节信息,傅立叶描述子集表示人脸轮廓信息,用基于相似性的匹配方式将待测人脸的两种信息分别与数据库中的人脸进行匹配,并根据光照条件将两个匹配结果进行合理的融合作为最终的匹配结果.由于人脸外形比较稳定,并且傅立叶描述子对旋转不敏感,最重要的是,在匹配过程中创造性地利用了实时光照信息进行融合,因此,这种方法不仅稳定,还可以较好地弥补传统二维人脸识别系统极易受到光照、姿态等因素影响的这个缺点.     

基于小波变换和主分量分析的人脸识别

提出了基于小波变换和主分量分析的人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为KNN分类器的输入,由KNN分类器对提取的特征进行识别.在ORL人脸数据库上的实验结果表明该方法具有良好的性能.     

基于变换域特征提取和模拟退火法特征选择的人脸识别

为了提高人脸识别系统的性能,提出DWT双边子带频域特征提取和模拟退火优化算法的特征选择。首先,运用DWT、DFT和DCT组合变换,用于人脸图像表情、姿态、平移和光照不变特征的有效特征提取。人脸图像DWT变换后,选择近似系数分量和水平系数分量[CA CH]为小波特征,经DFT变换后,利用四椭圆模板取出DFT低频高幅值系数,经DCT压缩得到人脸图像的特征系数。其次,利用模拟退火优化算法进行特征选择,在特征系数空间搜索特征子集进行人脸识别。实验仿真说明了该方法的有效性。     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

基于Daubechies小波的人脸识别算法

为寻求正确率更高的人脸识别技术,提出一种基于Daubechies小波变换和支持向量机(DW-FPSVM)的人脸识别算法.首先对人脸图像进行一次二维Daubechies小波分解提取特征,接着利用快速PCA对特征降维去噪处理,最后选取合适的核参数建立分类模型对其识别,并对常见的ORL人脸库、Yale人脸库进行实验仿真.结果表明:人脸识别准确率随支持向量机核参数γ的增大而减小,且基于DW-FPSVM能够有效的提高人脸识别算法的准确性和稳固性;相较于其他小波的相关结果发现,Daubechies小波更具应用优势.     

频域光照归一化的人脸识别

为了降低人脸识别对环境条件的要求,克服光照对人脸识别的影响,通过分析人脸图像的幅频特性和相频特性,提出了频域光照归一化的人脸识别,对任何光照条件下采集的图像经过归一化后,光照与训练库中完全相同,同时保留了人脸的可区分性。人脸之间差异的信息量一般较少,运用最小非零特征向量作为人脸特征。实验仿真表明,与传统方法相比,频域光照归一化人脸识别方法对光照变化具有鲁棒性。     

NSCT域内基于自适应PCNN的红外与可见光图像融合方法

提出一种在图像的非下采样Contourlet变换(NSCT)域内基于脉冲耦合神经网络(PCNN)的融合方法。首先采用NSCT对严格配准的待融合图像进行多分辨率多方向分解, 得到低频子带和高频方向子带;然后使用各子带系数的空间频率作为PCNN对应神经元的自适应连接强度系数,使用改进的拉普拉斯能量和作为PCNN每个神经元的外部激励,经过PCNN点火过程获得各子带对应的点火映射图,并通过判决选择算子确定融合图像的各子带系数;最后采用NSCT逆变换对低频子带系数和高频方向子带系数进行重构,得到融合图像。使用红外与可见光图像进行仿真实验的结果表明,本文方法优于基于小波变换、NSCT及传统NSCT与PCNN结合的图像融合方法。       

基于小波包的遥感图像融合新算法

提出了一种基于正交小波包的局域方差遥感图像融合新算法．该算法利用正交小波包变换,把图像分解成不同尺度的低频和高频部分,采用小波包局域窗口和子区域窗口统计,把小波包系数分类成边缘和非边缘系数．在融合处理中,把低频图像的小波包系数平均值作为融合后的低频系数,高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差,来确定融合后高频小波包系数．实验结果表明,这种方法能够在保留图像微小细节方面获得满意的结果,有效且优于其他图像融合算法．     

基于Log-Gabor和ULBP改进算法的人脸识别

为进一步提升人脸识别系统的识别率,加强其对光照、表情、姿态变化的鲁棒性,针对人脸识别中的特征提取问题,提出一种基于Log-Gabor与均匀局部二值模式（Uniform Local Binary Pattern,ULBP）改进算法的人脸识别方法。该算法采用多尺度、多方向Log-Gabor滤波器对图像进行滤波来提取Log-Gabor特征,再通过旋转不变均匀模式的LBP进行运算编码,并利用局部空间直方图来描述人脸,最后通过加权的卡方距离对直方图匹配完成人脸识别。在Yale、GT人脸数据库上的测试结果表明,该方法具有更好识别性能,且对环境鲁棒性较好。     

基于小波子图和决策融合的人脸识别算法

提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高     

基于推广形式的K-L变换的人脸识别方法

提出了一种图像预处理方法,将不同光照条件下的图像甚至是负像处理成亮度、对比度与参考图像基本相同的图像,且调整后的图像与原图像保持较高的相关性,从而有效降低了光照对人脸识别结果的影响.根据随机矩阵的主行列分析法给出了推广形式的K-L变换,提出了进行人脸识别的一种方法.同基于K-L变换的人脸识别方法相比,大幅度缩减了协方差矩阵的维数,从而大大降低了计算特征值的运算量,提高了运算速度.理论分析和实际识别证明了该方法的有效性.     

联合Contourlet和Bandelet的变换在图像压缩中的应用

针对小波变换方向选择性差的局限,提出了一种基于Contourlet的Bandelet变换．该变换首先通过小波变换把图像分解成不同频率的子带,接着用方向滤波器组把高频子带分解为多个方向子带,之后对每个方向子带进行Bandelet变换．这种多方向多尺度临界采样的变换能更稀疏地表示图像边缘和纹理等几何特征,有利于图像压缩．将JPEG2000的比特位平面和上下文编码方法应用到量化后的变换系数上实现了图像压缩．实验结果表明,对于纹理和边缘丰富的图像,提出的压缩算法优于JPEG2000．     

基于非下采样contourlet变换的彩色图像增强算法

本文提出一种结合DCT变换和非下采样contourlet变换的彩色图像增强算法。算法根据非下采样contourlet变换后不同子带的特点对低频子带和高频子带采用不同的增强方法进行处理;为了修复增强过程中产生的颜色偏移,对增强后的图像进行了颜色修复;最后通过简单锐化即可达到很好的效果。由实验结果可知,算法提高了图像整体对比度的同时保留了完整的边缘细节信息和色彩保真度,从视觉效果和性能指标上来看都优于curvelet变换的方法和DCT变换的方法。     

结构相似性灰关联在强噪声图像增强中的应用

为提高强噪声环境下的图像质量,提出一种图像增强新算法．该算法首先对含噪图像进行多尺度小波分解,得到不同尺度、不同方向下的频域信息,然后利用图像中噪声与边缘在不同频带上的分布规律和衰减特性,通过灰色理论中的灰色关联度来区分噪声与边缘,从而在噪声抑制和边缘增强两个方面提高图像的质量．实验结果初步显示,与传统的空域滤波方法和相对较新的小波自适应阈值去噪、Contourlet域自适应阈值去噪等方法相比较,新算法所得图像的视觉效果得到了改善,峰值信噪比最优,可用于强噪声环境下的图像增强预处理．