基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性,提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取,再利用SVM策略对特征向量进行分类识别,实验的仿真结果验证了本算法的有效性。     

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.     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

基于Gabor小波与RBF神经网络的人脸识别新方法

在人脸识别中,高维、小样本是一个问题.对此,提出了一种基于Gabor小波与径向基函数(RBF)神经网络的人脸识别方法.首先对人脸进行Gabor滤波,选取有效的Gabor组合.进行小波分解,获取低频图像,构造特征矢量,采用主分量分析降低特征维数.接着,提出了一种聚类方法用于确定RBF神经网络的结构和初值,采用混合学习法训练RBF神经网络.用ORL人脸库进行试验,结果表明本文提出的方法具有优秀的学习效率和识别效果.     

基于EHMM结合DWT与DCT的人脸识别

人脸识别系统可分为人脸检测,图像特征提取,人脸训练和人脸识别等部分,其中图像特征提取与人脸训练为主要组成部分,决定着系统的识别速度与准确性。人脸训练可为给定某人建立嵌入式隐马尔可夫模型来作为进行人脸图像识别的分类标准。人脸图像特征提取则运用离散小波分析来减少图像数据量,然后计算DCT变换系数矩阵,从而取得模型训练和识别中所需的图像特征。     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。     

Gabor小波变换与图像分块的人脸识别算法研究

以二维Gabor小波变换提取人脸图像特征作为全局特征,对图像进行不等分块,人脸图像区域所在块加大权重,并提取每个子块的特征作为局部特征,对全局特征结合局部特征采用DCT进行降维处理,用支持向量机分类模型进行人脸识别。实验表明:与较同等分块的识别算法相比,该算法可提高人脸识别率。     

基于二维Gabor小波的人脸识别算法

该文提出了一种基于二维Gabor小波的人脸识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,然后在图像上放置一组网格结点,每个结点用该结点处的多尺度Gabor幅度特征描述,采用主元分析法对每个结点进行去相关、降维,最后形成特征结。把每个特征结作为观测向量,对隐马尔可夫模型进行训练,并把优化的模型参数用于人脸识别。实验结果表明,该方法识别率高,复杂度较低。     

一种基于Gabor描述的概率子空间人脸识别方法

该文提出了一种Gabor小波域的概率子空间人脸识别方法,简称GPSA方法。考虑到Gabor小波在人脸识别中的优势,首先给出了一种改进的人脸图像Gabor特征描述方法,在此基础上建立基于Gabor特征的概率子空间模型,人脸识别按照概率匹配方式进行,从而有机集成了Gabor特征描述和基于类内、类间变化的概率子空间分析两者所提供的鉴别信息,增强了人脸识别系统的鲁棒性。在包括190人的人脸数据库上的实验结果表明,所提出方法的识别性能较现有的概率子空间分析方法有了较明显的改善。     

Gabor小波和LPP相结合的人脸识别方法研究

提出将Gabor小波变换和LPP算法相结合进行人脸识别.算法首先利用了Gabor滤波器良好的空间位置与方向的选择特性,获取图像全局信息的特征描述;然后利用LPP算法对其降维,很好地保留了图像的局部信息.通过ORL和YALE人脸库上的实验,表明该算法能够有效地提取与表情、姿态变化等有关的特征,并能有效地屏蔽光照变化及个人特征差异的影响,最高识别率可达到99.11％.     

Textural feature based face recognition for single training images

A novel face recognition algorithm using single training face image is proposed. The algorithm is based on textural features extracted using the 2D log Gabor wavelet. These features are encoded into a binary pattern to form a face template which is used for matching. Experimental results show that on the colour FERET database the accuracy of the proposed algorithm is higher than the local feature analysis (LFA) and correlation filter (CF) based face recognition algorithms even when the number of training images is reduced to one. In comparison with recent single training image based face recognition algorithms, the proposed 2D log Gabor wavelet based algorithm shows an improvement of more than 3% in accuracy.     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

基于Gabor小波特征的磨粒图像识别新方法

文章给出了一种基于Gabor小波纹理特征的磨粒图像识别新方法,主要是利用Gabor小波设计了一种多通道小波滤波器,对磨粒图像直接进行小波变换,用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像特征。把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别。最后,对磨粒图像进行了一系列的仿真实验,结果表明,识别正确率在91%以上,并且识别速度很快。     

基于Gabor变换的高鲁棒汉字识别新方法

本文提出了针对字符图像的基于Gabor变换的汉字识别新方法.在对Gabor变换深入分析的基础上,本文针对汉字图像的统计信息,提出了一种有效的Gabor滤波器组参数优化方法;同时,对Gabor滤波器组的输出进行非线性变换,使其适应不同亮度和低质量灰度字符图像的识别.本文还改进了分块特征的抽取算法,提高了对字符细节的分辨能力.实验表明,这种特征抽取方法大大加强了识别系统抵御图像噪声、干扰、亮度变化、笔画模糊、笔画断裂以及字符形变的能力,在应用于各种低质量的二值或者灰度的印刷和脱机手写字符图像识别时,能获得较其他算法更良好的识别性能.     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

改进投影梯度非负矩阵分解的单训练样本特征提取研究

人脸识别是当前人工智能和模式识别的研究热点。非负矩阵分解(NMF)能够反映样本的局部的内在的联系,可用于单样本特征提取,但时间复杂度较高。投影梯度(Projected Gradient,PG)优化方法大幅降低了NMF约束优化迭代问题的时间复杂度,但是单训练样本存在对本类信息量描述不足的缺点。为此,该文提出了一种基于改进的投影梯度非负矩阵分解 (Improved Projected Gradient Non-negative Matrix Factorization,IPGNMF) 的单训练样本特征提取方法。在进行PGNMF算子之前,先将训练样本作Gabor分解,分解后的Gabor子图像在各个方向上可以更加丰富的描述样本特征,最后将各个Gabor子图像的PGNMF特征进行融合,作为最终的识别特征。在对人脸库ORL,YEL与FERET的识别实验中,与经典的特征提取方法比较,证明了可以有效地解决单训练样本人脸识别的问题。     

Invariance properties of gabor filter-based features--overview and applications.

For almost three decades the use of features based on Gabor filters has been promoted for their useful properties in image processing. The most important properties are related to invariance to illumination, rotation, scale, and translation. These properties are based on the fact that they are all parameters of Gabor filters themselves. This is especially useful in feature extraction, where Gabor filters have succeeded in many applications, from texture analysis to iris and face recognition. This study provides an overview of Gabor filters in image processing, a short literature survey of the most significant results, and establishes invariance properties and restrictions to the use of Gabor filters in feature extraction. Results are demonstrated by application examples.     

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.     

基于Gabor调制的深度多层子空间人脸识别算法

人脸识别的关键在于特征提取,过去主要从完美的低维特征子空间来刻画高维图像,但是近年来深度学习模型为特征提取提供新方向。本文提出在Gabor特征描述子调制下的深度子空间模型,在深度子空间这一新型深度学习框架基础上,使用Gabor滤波器组处理图像,并构建深度特征提取多层网络,得到Gabor调制下的深层抽象特征。首先将传统的8个方向5个尺度的40个Gabor滤波器在尺度上进行压缩得到8个基本Gabor滤波器组;然后将经过Gabor滤波的描述特征分别送入深度化改造的子空间模型,得到图像的深层特征表示;其次将这些特征进行哈希编码,直方图分块,作为描述特征。本文在FERET、ORL、CMU_PIE等数据库上讨论加入Gabor滤波器调制后的深度多层子空间特征提取模型在人脸识别问题上性能的提升,实验结果表明,该算法可以取得较好的识别率,并对光照、表情、姿态等有很好的鲁棒性,能够弥补浅层网络易受训练图像影响的缺点。      

Automatic facial expression recognition: feature extraction and selection

In this paper, we investigate feature extraction and feature selection methods as well as classification methods for automatic facial expression recognition (FER) system. The FER system is fully automatic and consists of the following modules: face detection, facial detection, feature extraction, selection of optimal features, and classification. Face detection is based on AdaBoost algorithm and is followed by the extraction of frame with the maximum intensity of emotion using the inter-frame mutual information criterion. The selected frames are then processed to generate characteristic features using different methods including: Gabor filters, log Gabor filter, local binary pattern (LBP) operator, higher-order local autocorrelation (HLAC) and a recent proposed method called HLAC-like features (HLACLF). The most informative features are selected based on both wrapper and filter feature selection methods. Experiments on several facial expression databases show comparisons of different methods.