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...     

基于核的最近邻特征重心分类器及人脸识别应用

本文提出核最近特征线和特征面分类器,可直接对高维人脸图像进行识别.为解决计算量大和可能失效的问题,提出(核)最近特征重心和(核)最近邻特征两种解决方法,前者降低了计算特征线和面距离的复杂度,后者减少了特征线和面的数目,两种方法均避免了可能失效的问题.将二者结合得到的(核)最近邻特征重心分类器,在获得相近识别率的条件下,使计算复杂度降到了最小.所得方法无需预先抽取人脸图像特征,因此避免了在较多样本数时,特征抽取存在计算量大的问题.基于ORL人脸数据库的实验验证了本文方法的有效性.     

一种新颖的基于LDA的人脸识别方法

提出一种基于离散余弦变换(DCT)与．LDA相结合的人脸识别方法，首先利用DCT将图像进行降维，然后在低维空间中利用LDA进行特征提取。利用ORL人脸数据库和我们上海交通大学图像处理与模式识别研究所的人脸数据库进行测试，实验结果分别得到了97．5％和92．6％的正确识别率，表明它可以和其他方法相比较。     

基于离散小波变换和主成分分析的人脸识别

提出了一种基于离散小波变换、主成分分析和余弦相似度分类器的人脸识别方法。首先对图像进行二维离散小波变换,得到近似分量以及水平、垂直和对角细节分量,然后对每幅图像进行二维主成分特征提取。最后,使用余弦分类器对4种特征进行分类并融合得出最终结果。实验表明,此方法准确率要优于单一的二维主成分分析,且余弦相似度分类器拥有比欧几里得距离更好的分类效果。     

基于加权小波分析和神经网络的人脸识别

基于加权小波分析和神经网络提出一种新的准正面人脸识别算法.二维的小波分解具有对表情变化不敏感的特点,可很好地压缩和表征人脸图像的特征,再加上变换后高频的人脸特征,能很好地表达人脸特征;径向基网络作为分类器有很好的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,与传统算法相比有很高的识别速度和识别率.     

基于LDA算法的人脸识别方法的比较研究

线性判别分析（LDA）是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别会遇到维数问题和“小样本”问题。人们经过研究，通过多种途径解决了这两个问题并实现了基于LDA的人脸识别。文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持，这些方法包括Eigenfaces、Fisherfaces、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。     

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。     

通用学习框架结合2DPCA的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

基于DCT和线性判别分析的人脸识别

 提出基于离散余弦变换和线性判别分析的人脸识别方法.DCT变换本身并不进行数据压缩,它只是将图像源数据映射到另一个域,如何在新的数据域中选择最有效的DCT系数作为识别特征成为关键问题.本文从选择有效特征角度出发,引入特征选择算法,根据可分性判据确定将哪些DCT系数作为特征,然后对选出的DCT系数进行线性判别分析提取识别特征.在ORL人脸库上的实验结果证明了提出方法的有效性.     

Face Recognition Combining Eigen Features with a Parzen Classifier

A face recognition scheme is proposed, wherein a face image is preprocessed by pixel averaging and energy normalizing to reduce data dimension and brightness variation effect, followed by the Fourier transform to estimate the spectrum of the preprocessed image. The principal component analysis is conducted on the spectra of a face image to obtain eigen features. Combining eigen features with a Parzen classifier, experiments are taken on the ORL face database.     

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.     

基于仿生模式识别与传统模式识别的 人脸识别效果比较研究

本文实现了一种基于仿生模式识别的人脸识别系统,并将其识别效果同最近邻分类器与不同核函数的SVM进行了分析比较.以ORL人脸库为识别对象,针对有"拒识"的情况下,通过改变不同识别算法的可调参数,在保证参与训练人的正确识别率在大致相同水平的条件下,分析了参与训练人的错误识别率(错识别为参与训练的其他人)与未参与训练人的错误接受率(错识别为参与训练的某人)的优劣.比较结果表明,基于仿生模式识别的方法明显优于其它模式识别方法.     

数据挖掘技术在人脸识别中的应用

人脸识别是一个涵盖多个领域的课题,提出了一种将数据挖掘技术运用于人脸识别的方法,主要是利用数据挖掘中的属性相关分析对标定人脸特征的多个属性进行相关性分析,得到了这些属性的区分度强弱顺序,便于在人脸识别过程中有选择的采用。同时,运用数据挖掘中的K最临近分类方法对所得出的强弱顺序进行测试,结果表明了这种区分方法的正确性、可行性。     

基于优化的LDA算法人脸识别研究

提取低维人脸特征是人脸识别系统中极其关键的一步。线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。本文提出了一种优化的LDA算法,该方法克服了传统的LDA算法用于人脸识别时存在的问题：通过重新定义样本类间离散度矩阵使传统的Fisher准则能够最优化,克服了边缘类对选择最佳投影方向的影响;同时,利用因数分解的方法避免了对矩阵求逆,解决了小样本问题。依据经验选取适当的e值,得到最佳的识别效果。实验结果表明,人脸识别效果优于传统LDA方法。     

基于HRRP偶数阶中心矩特征的卫星目标识别

针对高分辨距离像(HRRP)的姿态敏感性和平移变化敏感性,提出用HRRP偶数阶中心矩特征进行目标识别.该方法用小波去噪方法提高HRRP的信噪比,在此基础上提取具有平移不变性的中心矩作为特征向量,为了降低特征矢量的维数,可以只把具有较强稳定性的偶数阶中心矩作为特征向量,以适用于组合特征的最近邻模糊分类算法对中心矩特征进行处理.实测卫星数据的验证结果显示,该方法在减少存储量和计算量的同时取得了非常好的识别效果.     

Relevance‐Weighted (2D)2LDA Image Projection Technique for Face Recognition

In this paper, a novel image projection technique for face recognition application is proposed which is based on linear discriminant analysis (LDA) combined with the relevance‐weighted (RW) method. The projection is performed through 2‐directional and 2‐dimensional LDA, or (2D)²LDA, which simultaneously works in row and column directions to solve the small sample size problem. Moreover, a weighted discriminant hyperplane is used in the between‐class scatter matrix, and an RW method is used in the within‐class scatter matrix to weigh the information to resolve confusable data in these classes. This technique is called the relevance‐weighted (2D)²LDA, or RW(2D)²LDA, which is used for a more accurate discriminant decision than that produced by the conventional LDA or 2DLDA. The proposed technique has been successfully tested on four face databases. Experimental results indicate that the proposed RW(2D)²LDA algorithm is more computationally efficient than the conventional algorithms because it has fewer features and faster times. It can also improve performance and has a maximum recognition rate of over 97%.     

A New Neuro-Fuzzy Classifier with Application to On-Line Face Detection and Recognition

In this paper, we propose a neuro-fuzzy classifier (NEFCAR) that utilizes positive and negative rules with different rule importances to create the decision boundaries between different classes. The locally unsupervised and globally supervised training technique is adopted. The decision-based and approximation-based strategies are combined to provide a suitable amount of training for each training pattern. The reinforced and anti-reinforced learning rules are given with different weighting so that the training can be efficient and can reach convergence quickly. Moreover, NEFCAR can easily provide the confidence measure of each classification decision. Therefore, the rejection algorithm can be implemented in a straightforward manner. Noise tolerant training is conducted to improve the generalization performance and the confidence measure is adopted to avoid overtraining. The proposed classifier is applied to two applications. The first one is the Fisher iris data classification, and the second one is an on-line face detection and recognition application. Good classification results are obtained in both applications. In the on-line face detection and recognition system, two NEFCAR's are utilized: a two-class and a multi-class NEFCAR's are adopted to detect the face and recognize the face, respectively. The color of skin and the motion information are taken into consideration heuristically to improve the effectiveness of the face location algorithm.     

一种用于人脸识别的矢量三角形局部特征模式

现有特征描述方法存在对像素点信息表达不充分的问题.本文提出了一种基于矢量三角形模式的局部特征描述方法,该方法以矢量三角形为基本模式,通过多尺度模式的结合,不局限于提取对称相邻像素点的信息,能更全面地挖掘不同位置像素点之间的信息,并能根据实际应用进行灵活地表达.将这种局部特征描述方法应用于人脸识别中,实验结果表明,基于矢量三角形模式的特征描述及识别方法取得了比LBP等经典算法更精准的效果,证明了该方法的有效性.