基于LPQ和Fisherfaces的模糊人脸识别

针对现有人脸识别系统对模糊人脸图像的识别无法达到理想的效果,提出一种基于局部相位量化(Local Phase Quantization,LPQ)和Fisherfaces进行模糊人脸识别方法。首先采用LPQ算子提取分块模糊人脸灰度图像的LPQ直方图序列(LPQHS),然后对采样后的特征运用Fisherfaces方法进行特征子空间选择,最后通过最近邻分类准则进行人脸识别。该算法增强了提取模糊人脸纹理信息的有效性,使训练数据量大幅度降低,并且图像特征向量的维数与原始图像大小无关。在Yale和AR形成的模糊人脸数据库上的实验表明,该方法具有较高的识别率。     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

Gabor小波和SLLE在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种基于Gabor小波和SLLE的人脸识别算法．该算法首先采用Gabor小波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,然后采用监督的局部线性嵌入算法对Gabor特征进行维数约简,最后使用最近邻分类器进行分类判决．在ORL、YALE人脸库上进行实验,结果表明,该算法平均识别率比其他算法提高3．5％～37．8％,有效提高了人脸识别算法的性能．     

结合对比度信息与LBP的分块人脸识别

基于局部二值模式(local binary pattern,LBP)的特征提取方法忽略了图像灰度值变化的强度。针对这一问题,提出了一种结合对比度信息和LBP进行人脸识别的方法。首先采用LBP算子、VAR方差(variance,VAR)算子分别提取分块人脸灰度图像的LBP直方图序列(local binary pattern histogram sequence,LBPHS)和VAR直方图序列(variance histogram sequence,VARHS),然后将LBPHS和VARHS串联成LBP／VARHS,最后根据最近邻原则进行人脸识别。该算法能够提取有效的人脸纹理信息,而且能够大幅度地降低训练数据量,并且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验表明,该方法应用于人脸识别中,具有较高的识别率。     

一种改进的2DPCA方法在人脸识别中的应用

为了提高二维主成份分析(2DPCA)方法在人脸识别中的识别率,提出了一种改进的2DPCA和分块图像相结合的人脸识别方法。该方法根据类内图像与该类平均图像的距离,引入加权函数,重新定义2DPCA的总体散布矩阵,并应用到分块图像中,对训练样本子图像采用改进的2DPCA方法进行特征提取,实现模式分类。在ORL标准人脸库上的实验结果表明,它可以有效地提高识别率。     

基于拉普拉斯金字塔降维的人脸识别算法

针对传统的基于PCA(Principal Component Analysis)和BP(Back Propagation)神经网络的人脸识别算法运算维数高、容易出现震荡而导致识别率低等问题,提出了一种基于拉普拉斯金字塔降维的人脸识别算法,该算法首先通过对人脸图像进行拉普拉斯金字塔降维处理,在降维的同时保持了人脸图像的细节,然后用PCA进行特征提取,最后通过BP神经网络分类器进行人脸识别.利用ORL人脸图像数据库进行仿真实验,结果表明,该算法识别率较高.     

基于压缩感知和图像分块的遮挡人脸识别

针对基于压缩感知的SRC算法对遮挡人脸识别效果不够理想的问题, 提出一种先将图像分块再进行识别的方法。将遮挡分散在尽可能少的分块中以降低遮挡对人脸识别的不利影响, 从而提高识别率。在AR人脸数据库上的实验结果表明, 使用该方法的遮挡人脸识别率可超过80%, 显著高于基本SRC算法40%~50%的识别率。       

基于图像分块和RBF神经网络的人脸识别方法

目的 提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法,解决人脸识别中的高维、小样本问题.方法 采用人脸图像的分块处理、奇异值分解压缩算法,降低特征维数,有效地解决了存储和传输中的数据压缩问题,运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果 通过实验和数据分析表明,该方法在人脸骨骼特征明显时具有较高的识别率,与基于整体人脸图像的识别效果相比,识别率提高了3%.结论 笔者提出的识别方法具有良好的学习效率和识别精度品质指标.     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题 .文中提出了一种主元分析和神经网络相结合的方法进行人脸识别 .我们先对图像进行归一化处理 ,采用主元分析法对图像的主特征分量进行提取 ,然后以一个径向基函数神经网络作为分类器 ,进行人脸识别 .实验结果表明 ,这种方法在采用多样本训练后 ,具有较高的识别率 .     

基于改进的核判别分析的人脸识别算法研究

由于目前面临光照、表情、姿态等影响,人脸识别是计算机视觉领域中的一个难题.由于人脸图像蕴含着丰富的纹理信息,充分利用纹理特征也是提高人脸识别算法的有效方法.利用图像处理中信号处理和学习两种方法的优势,提出了基于Gabor小波和KDCV相结合的图像特征提取算法.首先利用小波分析提取人脸图像的纹理特征,然后用改进的核判别分析方法对提取的纹理特征进行降维,用降维后的数据作为人脸识别的特征.通过仿真实验表明,改进的核判别分析算法可有效提高人脸识别正确率,提高算法的实际应用性.     

基于肤色增强和分块PCA的人脸表情识别方法

人脸的表情识别在智能人机交互应用中具有重要意义. 本文提出了一种基于肤色增强和分块PCA的人脸检测及表情识别方法. 首先,使用同态滤波增强肤色图像的亮度范围及对比度,利用YCbCr色彩空间分量分离肤色背景区域,再通过轮廓分析确定人脸目标,最后对分割出的人脸进行均衡化处理,并引入分块主成分分析(PCA)算法进行表情识别. 结果表明,该方法在光线较弱以及背景较复杂的情况下均能有效地进行人脸检测与表情识别,相对于传统的LBP方法可提高识别率约为2.3%.     

基于局部本征谱的人脸识别

设计了一种基于局部本征谱的人脸识别方案。预处理阶段,首先将一幅脸像按不同方位划分为大小相同的数个子块,针对各子块进行能量归一化和傅里叶变换,以消除部分光照影响并估算子块的频谱。在此基础上,对训练脸像中编号相同的子块进行主元分析,提取脸像的局部本征谱,采用最近邻判决准则进行分类识别。对ORL人脸数据库的实验结果表明本设计方案是有效的。     

基于皮肤模板和改进HMM的自动人脸识别系统

介绍一种基于隐马尔可夫模型(hidden Markov module,HMM)的人脸识别系统,该系统对人脸采用普通网络摄像头实时检测,通过皮肤模型进行背景去除,并用改进后的HMM算法进行识别. 实验结果表明,改进后的HMM算法能提高原HMM算法的准确率,采用皮肤模板对检测到的人脸进行精确定位后,进一步提高了识别算法的准确度.     

一种特定条件下的人脸识别系统

人脸识别是模式识别领域中的一个困难而又具有实际应用价值和广阔应用前景的研究课题,文中用投影法分割人脸图像,采用自适应多主元提取算法提取人脸的主要分量特征,设计了一个组合分类器进行人脸的识别,实验结果表明本文所采用的识别算法在特定的部门或场合,对少数人员（目标）身份的准确识别非常有效。     

基于主元分析法的特征脸法在人脸识别中的应用

简要叙述了人脸识别的方法，详细讨论了主元分析法．并且用这种算法实现了人脸的识别。通过实验得出了主元分析法的识别率，提出了改进的方法。     

LDA及支持向量机的人脸识别算法研究

在主成分分析的基础上采用线性差别分析法对人脸图像进行特征提取,构造人脸的特征脸空间,在特征脸空间运用线性差别分析法进行人脸识别。在支持向量机方法理论基础上,利用LibSVM分类器对处理后的人脸图像进行分类,考虑到核函数参数对分类结果的影响,通过参数寻优及算法的改进将多类问题的分类简单化,并大大提高识别效率,在ORL人脸库的识别结果表明,本方法在特征参数个数的选取、识别效果等方面都有其独到的优越性,具有很好的可行性和实际意义。     

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。