基于CSSD的非线性相关滤波在光照变化人脸识别中的应用

针对现有的滤波算法由于光照变化而影响人脸识别性能的问题,提出了特定类子空间依赖的非线性相关滤波算法。首先,利用非线性最佳映射图像相关滤波器与非线性最佳重建图像相关滤波器之间相位的特定类子空间运算实现算法;然后,通过最小化相关平面能量、同时最大化相关波峰进一步优化;最后,利用关联分类器完成人脸识别。在扩展Yale B和PIE人脸库上的实验结果表明,本文算法在加性高斯噪声条件下仍然对光照变化不敏感,相比其他几种较好的滤波算法,本文算法取得了更高的识别率,并提高了算法执行效率。     

基于自商图像和随机投影的人脸识别方法

针对传统基于自商图像的方法忽略对特征进行选择的问题,提出了一种结合自商图像和随机投影的人脸识别方法。采用自商图像法对人脸图像进行预处理,削弱光照影响;然后通过线性判别分析构造初始样本空间,利用多次随机投影将样本投影到不同的子空间,从而提取更具完备性和判别性的光照不变特征。最后用最近邻分类器对样本进行分类。在Yale B和AR人脸库上的实验表明:所提算法可以提取对光照鲁棒且具有鉴别性的人脸特征,从而提高光照变化条件下人脸识别的准确率。     

基于光照分类的可变光照下人脸识别方法

针对人脸识别中的光照变化问题,借鉴“分而治之”的思想,提出通过光照分类来提高不同光照情况下人脸的识别率。根据人脸图像灰度随光照变化的分布特点,将图像划分为三类：无偏光类、左偏光类和右偏光类,分别在不同的光照子集中对人脸图像进行处理与识别,并在YALEB人脸库上完成实验验证。结果表明,该方法不需要进行光照归一化处理,有效减弱了光照不均匀对人脸识别的影响,在提高识别率的同时降低了运算量,识别率可从未分类前的86.7%提高到99.6%,对于可变光照下的人脸识别有一定的应用前景。     

基于球面谐波基图像的任意光照下的人脸识别

提出了一种基于球面谐波基图像的光照补偿算法,用以在任意光照条件下进行人脸识别.算法分两步进行：光照估计和光照补偿.基于人脸形状大致相同和每个人脸的反射率基本相等的假设,首先估计了输入人脸图像光照的9个低频谐波系数.根据光照估计的结果,提出了两种光照补偿方法：纹理图像和差图像.纹理图像为输入图像与其光照辐照图之商,与输入图像的光照条件无关.差图像为输入图像与平均人脸在相同光照下的图像之差,通过减去平均人脸在相同光照下的图像,减弱了光照的影响.在CMU-PIE人脸库和Yale B人脸库上的实验表明,通过光照补偿,不同光照下人脸图像识别率有了很大提高.     

融合2DPCA和贝叶斯的人脸识别算法

提出了融合2DPcA和贝叶斯的人脸识别方法.首先用2DPcA方法进行识别,选择得分前10名的图像作为候选图像,然后对候选图像和测试图像进行小波分解,对得到的高频与低频子图并行进行贝叶斯人脸识别,通过加权排序得到最后结果.通过在FERET人脸库上的实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率.     

基于总变分模型的光照不变人脸识别算法

提出了一种基于L1总变分模型的对数商图像光照不变人脸识别算法。用L1总变分模型作为低通滤波算子对图像平滑滤波,得到图像光照分量的估计,然后在对数域中定义原图像与其光照分量的商为光照归一化图像,并用该图像作为光照不变量进行人脸识别。基于L1总变分模型的平滑滤波具有较好的边缘保持作用,能有效地消除光晕现象,并且参数设置简单。在YaleB和CMU PIE 人脸图像库上的试验结果表明,该算法能有效地提高人脸识别系统在不同光照条件下的识别率。     

一种人脸识别中的光照补偿方法

为了消除光照变化对人脸识别率的影响,提出了一种新的基于双边滤波器的Retinex方法,该方法用双边滤波器来估计光照,并应用Retinex理论来获得光照无关的人脸反射图像.仿真实验表明了这种方法能有效消除人脸中的光照影响.     

改进Retinex和稀疏表示的光照人脸识别

为了提高光照变化条件下的人脸识别率,针对当前人脸识别方法存在的缺陷,提出了一种改进Retinex算法和稀疏表示相融合的光照人脸识别方法。首先对Retinex算法的不足进行改进,并应用于人脸图像预处理中,消除光照对人脸识别的干扰,然后采用稀疏表示提取人脸特征向量,并采用投票方式实现人脸识别,最后通过3个标准人脸数据库对方法的性能进行测试。结果表明,该方法不仅提高了人脸识别率,而且缩短了人脸识别时间,对光照具有较好的鲁棒性。     

基于BP神经网络的2DPCA人脸识别算法

提出了基于BP神经网络的2DPCA人脸识别算法.通过图像预处理改善图像质量,降低图像维数,然后用2DPCA进行特征提取,作为BP神经网络的输入,用改进的BP神经网络作为分类器,并通过仿真证明了算法的可行性和有效性.     

基于有效光照估计的复杂光照人脸识别

基于光照估计的光照不变量提取是提高复杂光照人脸识别性能的一种有效方法。以往算法仅考虑光照缓慢变化特性从人脸图像中估计光照,无法获取准确的光照和光照不变量。综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表明所提算法具有高效性。     

一种基于小波的人脸图像光照归一化算法

光照变化严重影响了人脸图像的外貌,这阻碍了人脸识别的过程。为了识别可变光照下的人脸图像,提出了一种基于小波的光照归一化算法,将一幅图像分解为低频成分和高频成分,对不同的频带成分进行不同的操作——对低频成分进行直方图均衡化,同时着重强调细节（高频成分）,将它乘以一个标量从而增强图像边缘;对修改后的系数进行逆小波变换就得到归一化后的图像。最后,直接使用PCA方法对单训练样本条件下的人脸进行识别,在AR和FERRET人脸库上的实验结果表明,提出的方法可以显著提高人脸识别系统的识别率。     

光照变化条件下的人脸识别技术研究

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸光照图像时易产生“光晕”难题,提出了一种基于Mean-Shift滤波的Retinex算法,并应用于人脸识别中的光照预处理。对人脸图像进行非线性增强;利用Mean-Shift滤波代替高斯滤波对光照估计,解决传统Retinex算法中存在的“光晕”难题。采用Yale B人脸库对算法性能进行测试,结果表明,该算法能够很好地抑制“光晕”现象的发生,具有光照鲁棒性,提高了人脸的识别率。     

一种基于同态滤波器与Radon变换的光照不变人脸识别方法

为了减轻光照变化对人脸识别精度的影响,提出了一种结合同态滤波器与Radon变换的人脸识别方法。首先用高斯同态滤波器对人脸图像进行处理,然后进行Radon变换,将变换得到的Radon特征用2DPCA/2DLDA进行降维。在Yale和PIE人脸数据库上的实验结果表明,提出的方法在光照变化较大时,其识别精度远高于2DPCA和2DLDA,是一种高精度的人脸识别算法。     

基于GA的2DPCA在人脸识别中的应用

采用基于遗传算法(GA)的二维主成分分析法(2DPCA)进行人脸识别.2DPCA直接以二维图像矩阵为研究对象,以其协方差矩阵的特征向量为投影轴进行特征提取.为了达到识别时的信息最优,将遗传算法融入2DPCA,对协方差矩阵的特征向量进行优化选择得到最优投影轴,并在此基础上提取特征.最后在MIT人脸数据库上进行实验,表明识别率和速度均高于单纯使用2DPCA的方法.     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

一种基于EMD的人脸图像光照问题处理方法

鉴于经验模态分解（EMD）算法的无参数特性和基于数据驱动的自适应分析,从EMD算法筛选过程中插值点和差值算法选取的角度出发,提出了一种标准EMD的改进算法。用改进的EMD算法分解需要识别的人脸图像,得到从整体上有效消除了光照变化影响的原人脸图像的重构图像,并将重构图像用于识别。通过在Yale B人脸库上的实验结果表明,将提出的光照处理方法应用到人脸识别中可以取得较好的效果。     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。     

Multi-subregion based correlation filter bank for robust face recognition

In this paper, we propose an effective feature extraction algorithm, called Multi-Subregion based Correlation Filter Bank (MS-CFB), for robust face recognition. MS-CFB combines the benefits of global-based and local-based feature extraction algorithms, where multiple correlation filters corresponding to different face subregions are jointly designed to optimize the overall correlation outputs. Furthermore, we reduce the computational complexity of MS-CFB by designing the correlation filter bank in the spatial domain and improve its generalization capability by capitalizing on the unconstrained form during the filter bank design process. MS-CFB not only takes the differences among face subregions into account, but also effectively exploits the discriminative information in face subregions. Experimental results on various public face databases demonstrate that the proposed algorithm provides a better feature representation for classification and achieves higher recognition rates compared with several state-of-the-art algorithms.