基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术.文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真.该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸.     

基于特征脸的人脸识别系统的研究

人脸识别技术是通过分析人脸图像,并从人脸图像中提取有效的识别信息,用来辨认身份的一门技术。文章阐述了基于特征脸的人脸识别的基本算法,并对该方法进行改进,最后对其进行了仿真。该方法主要通过求出人脸图象与数据库中的特征脸空间距离来进行人脸的识别和分类,做到了快速准确地识别人脸。     

基于状态估计的张量分解人脸识别方法

张量脸算法是分析和表达多因素影响的人脸图像结构的一种有效的数学模型,然而张量分解对状态空间的非线性处理仍存在不足之处。对此提出了一种新的多姿态人脸图像识别方法,在原有的张量脸算法基础上结合状态估计的方法。将训练样本图库中不同状态的人脸通过PCA分解得到多种状态(角度、光照、表情)分别对应的特征空间,对于测试样本先投影到每个特征空间,利用最近邻分类器进行状态估计,对利用张量脸算法得到的张量脸进行识别。实验结果表明,该特征提取方法的识别率优于原有的张量脸算法。     

特征脸及其改进方法在人脸识别中的比较研究

人脸识别是生物特征识别技术中一个非常活跃的课题,目前已取得了很多研究成果。特征脸法是一种常用的人脸特征提取和识别方法。对传统的特征脸方法进行改进,可以提高人脸正确识别率、缩短识别时间。本文对特征脸及其改进方法做了理论和实验比较,分析了各自的优缺点。     

人脸自动检测与识别技术的研究及应用

本文提出了一种基于可疑人脸区域发现算法和结合投影图的人脸识别算法，算法在标准的人脸库上进行了实验，实验结果表明该算法能在人脸库中正确检测到绝大多数人脸的位置，并且在识别过程中体现了比标准特征脸方法更高的识别率和更小的计算量。以此算法为基础，研制和开发了一种计算机自动考勤系统。     

基于结构和统计信息融合的人脸检测

人脸检测为人脸识别的第一步,是该项技术实用化必须解决的问题。本文提出了一种综合人脸结构和灰度统计特性的新的人脸检测算法。首先,在原始灰度图像上计算了各像素点的梯度方向对称性高的点为特征点,通过梯度幅值分割滤去了大部分孤立的非人脸部件的特征点,再运用一组规则对各个特征块进行组合得到候选人脸区域;然后运用隐马尔马可夫模型对这些侯选人脸的奇异值特征进行识别达到人脸检测的目的。实验表明,本文算法的有效性。     

基于经验模式分解和匹配追踪的人脸检测

提出了一种新的正面人脸检测算法。该方法利用经验模式分解和匹配追踪算法来提取人脸特征,训练Bayes分类器来进行分类判决。在FERET人脸库中与特征脸(Eigenfaces)方法进行了比较,实验结果表明,该算法的计算效率和检测精度均优于特征脸方法。     

基于MCD稳健估计的PCA人脸识别算法

针对人脸识别中,识别效果易受人脸修饰、部分遮挡、噪声干扰等不确定因素影响的问题,提出一种MCDPCA人脸识别算法以改进识别效果。基于主成分分析（PCA）进行特征脸提取,结合最小协方差行列式方法（MCD）进行异常点检测和抗噪。针对人脸图像使用MCD算法,求出稳健的协方差矩阵估计,基于此协方差估计矩阵使用PCA技术提取重要的人脸特征用于识别。实验结果表明,在有遮挡和噪声干扰的情况下,相比传统PCA方法,该方法明显提高了人脸图像识别率。     

半边人脸识别方法

针对光线变化对人脸的正确识别的影响,提出一种半边人脸识别方法。该方法把训练集的人脸图片分为左右两个部分,经过亮度补偿后分别训练左右脸的特征提取器,提取训练集中左右半边脸的特征。计算待识别图片左右半边脸的熵,选取熵较大的半边脸及对应的特征提取器,经过亮度补偿后提取该半边脸的特征,并根据提取的特征进行归类。实验结果表明,对光线有变化的人脸,该方法比用全脸识别具有更好的识别率和识别速度。     

隐马尔可夫后处理模型在视频人脸识别中的应用

现有的多数人脸识别系统都专注于如何提高人脸识别算法的性能,但缺乏一种对数据源(人脸样本)进行分析和评估的机制。针对此问题,提出了一种建立在数据源分析基础上对典型人脸识别算法进行后处理的方法。为了揭示现有典型识别算法的识别性能在无约束环境下的鲁棒性,通过建立Lambertian反射模型和3D人脸模型,对特征脸算法的识别性能随数据源的变化(人脸姿态和光照改变)而变化的情况进行了分析评估。针对“数据源灾难”问题,提出了一种基于隐马尔可夫模型（HMM）的后处理解决方法,该方法通过利用视频序列图像的连续性和对训练人脸库的统计分析来提高判别分析方法对无约束环境的鲁棒性。实验结果表明,该方法可以有效地提高识别算法对“数据源灾难”的鲁棒性,提高识别率。     

基于改进的自适应主元提取算法的人脸识别

论文提出了一种基于改进的自适应主元提取算法的人脸识别方法。采用改进的自适应主元提取算法将人脸图像由高维观测空间投影到低维特征空间,通过改进前馈网络权值更新方程,降低算法的复杂度和计算量。基于三维人脸形变模型,采用区域填充和曲面消隐算法根据一幅人脸图像生成多个虚拟样本,克服人脸识别中的小样本问题。在ORL和UMIST数据库上的实验结果表明,该文提出的算法在识别性能上明显高于传统的Eigenface和Fisherface方法。     

基于PCA+AdaBoost算法的人脸识别技术

人脸识别技术是图像处理方面的重要技术,然而识别率不高却一直妨碍人脸识别技术的广泛应用。主成分分析（PCA）是人脸识别技术的一个重要算法,将PCA与AdaBoost算法相结合改进了原来的算法,并称新算法为PCA+AdaBoost算法。实验证明PCA+AdaBoost算法的识别率明显高于PCA算法,相对于Fisherface算法的识别率也有明显的提高。     

基于矩阵对称性的Fisherface人脸识别方法

为了改善Fisherface方法中判别特征子空间正交性并提高识别率,提出了矩阵对称性的Fisherface算法。该方法利用PCA进行降维来消除小样本问题,对传统的Fisher准则进行修改使矩阵具有对称性,用构造的对称矩阵进行分类识别。在ORL标准人脸库上进行的实验表明,矩阵对称性方法的识别率明显地高于传统的方法,而且识别结果比较稳定受训练集影响较小,具有很好的实用性。     

基于部件的级联线性判别分析人脸识别

文章提出一种基于人脸部件表示的级联线性判别分析人脸识别方法。该方法将人脸图像划分为具有交叠区域的多个部件,对每个部件应用线性判别分析以寻找该部件的判别方向,然后对所有部件应用线性判别分析以寻找总体最优判别方向。以从该级联线性判别分析提取的特征作为人脸描述。在FERET人脸库上的人脸识别和人脸确认的实验结果表明,该方法优于传统的基于全局图像的Fisherface方法。     

对单训练样本的人脸识别问题的研究

现在许多人脸识别算法都是在假定每个人提供了多幅训练样本的情况下展开的，时每人只有一幅训练图像的识别问题研究得很少，而实际中往往每人只提供了一幅图像。本文对这一问题进行了研究，给出了一些生成虚拟训练样本的方法；提出了基于粪间散度最大的二维主分量分析方法，在ORL库上用单训练样本取得了75．28％的识别结果。     

Feature extraction using fuzzy inverse FDA

This paper proposes a new method of feature extraction and recognition, namely, the fuzzy inverse Fisher discriminant analysis (FIFDA) based on the inverse Fisher discriminant criterion and fuzzy set theory. In the proposed method, a membership degree matrix is calculated using FKNN, then the membership degree is incorporated into the definition of the between-class scatter matrix and within-class scatter matrix to get the fuzzy between-class scatter matrix and fuzzy within-class scatter matrix. Experimental results on the ORL, FERET face databases and pulse signal database show that the new method outperforms Fisherface, fuzzy Fisherface and inverse Fisher discriminant analysis.     

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。     

Face recognition in 2D and 2.5D using ridgelets and photometric stereo

A new technique for face recognition – Ridgefaces – is presented. The method combines the well-known Fisherface method with the ridgelet transform and high-speed Photometric Stereo (PS). The paper first derives ridgelet projections for 2D/2.5D face images before the Fisherface approach is used to reduce the dimensionality and increase the spread of the resulting feature vectors. The ridgelet transform is attractive because it is efficient at extracting highly discriminating low-frequency directional features. Best recognition is obtained when Ridgefaces is performed on surface normals acquired from PS, although good results are also found using standard 2D images and PS-derived albedo maps.     

基于局部线性嵌入极限学习机的人脸识别新方法

针对人脸图片数量多、容易受噪声干扰,致使人脸识别的识别速度慢、准确率低的问题,提出一种基于局部线性嵌入极限学习机的人脸识别方法——LLE-ELM算法。利用局部线性嵌入(LLE)算法对人脸数据提取特征,最大限度保留原数据的特征结构,减少数据量,降低计算复杂;采用极限学习机(ELM)算法对提取特征后的数据进行分类;实现人脸识别,输出识别准确率和时长。通过在ORL数据库、Yale数据库、AR人脸库和CASIA-WEBFACE人脸库上的数值实验表明:与PCA、SVM、CNN算法对比,该算法具有较高的识别准确率和较快的识别速度。     

基于非负张量分解的人脸识别算法研究

人脸识别是生物特征识别中一个活跃的研究领域。非负张量分解作为非负矩阵分解的多线性推广,已被成功应用到人脸识别等领域。提出了基于非负张量分解的人脸识别算法。该方法无需将人脸矩阵向量化,从而保持了人脸矩阵的内部结构,即人脸图像的整体结构,使人脸特征提取更精确。 实验结果表明, 与经典的人脸识别算法如PCA和NMF相比,该算法提供了一种更好的脸部表示模式,提高了人脸识别的正确率。