基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

基于TTr1SVD的张量奇异值分解及其在人脸识别上的应用

张量是一种数据组织形式,它的实质是高维数组。很多数据都可以被组织成张量的形式。可以考虑将人脸图像组织成张量的形式。人脸识别过程中最重要的一个环节是特征提取, 后续的匹配识别过程是建立在它的基础上。TTr1SVD是一种新型的张量分解算法,可以认为该算法是矩阵SVD在张量领域的扩展。实际数据库里的图片的图像模态往往是最大的,结合TTr1SVD算法,得到张量的高阶奇异值分解,改变图片的组织形式,可以加速人脸特征的提取。本文基于TTr1SVD的高阶奇异值分解算法,实现人脸特征的提取和识别,并且保持了较好的准确性。实验结果表明,该算法比传统的使用Tensor Toolbox的高阶奇异值分解算法更加灵活高效。     

一种改进的基于奇异值扰动的单样本人脸识别方法

针对单训练样本情况下人脸识别性能不佳的问题,本文提出了一种改进的基于奇异值扰动的人脸识别方法。首先通过奇异值扰动方法扩展人脸样本,然后运用小波变换压缩扩展样本,选择小波变换分解后的低频分量作为子图像,再采用核主成分分析提取人脸的高阶特征,最后根据最近邻分类器分类。在ORL和Yale数据库上的仿真实验证明了本文方法的识别性能优于对比方法。     

基于局部奇异值分解和D-S理论的人脸识别方法

;提出了基于局部奇异值分解和D-S证据理论的人脸识别方法.首先分割出人脸图像的5个特殊区域并分别进行奇异值分解,提取一些较大的奇异值构成每一区域的特征向量;在识别阶段,计算待识别人脸图像每一区域对所有训练样本人脸图像相应区域的隶属度,最后由D-S理论的组合规则做出判断.基于ORL人脸数据库的实验结果证明了本文方法的有效性和可行性.     

迭代张量高阶奇异值分解的图像恢复方法

为了有效地对图像缺失数据进行恢复, 提出一种迭代张量高阶奇异值分解（HOSVD）图像缺失数据恢复方法。该方法首先利用拉格朗日乘子方法将张量核范数目标函数进行子问题分解操作, 简化了求解过程, 然后迭代地采用张量高阶奇异值分解阈值方法进行子问题求解, 最终得到恢复后的图像缺失数据。将矩阵奇异值阈值算法进行扩展而得的HOSVD阈值方法充分利用了图像内部和图像与图像之间的多重约束关系, 大大提高了恢复精度。模拟实验和真实图像实验结果显示该方法具有良好的缺失数据的恢复性能。     

基于奇异熵和随机森林的人脸识别

提出了一种基于奇异熵与随机森林的人脸识别方法。该方法以奇异熵来描述人脸特征。首先在整个人脸图上进行奇异值分解,应用整体奇异熵提取人脸全局特征。然后将人脸图像分成均匀子块,在各子块中进行奇异值分解,应用局部奇异熵提取人脸局部特征。之后将整体奇异熵和局部奇异熵融合形成最终分类特征。最后通过随机森林分类器对其进行分类。在Yale人脸库上的实验表明,该方法对表情、光照具有鲁棒性,且有较高的识别率和较短的识别时间。     

基于HOSVD分类的非特定人脸表情识别算法

由于人脸外观、光照、姿势变化等对人脸表情特征提取的影响,非特定人脸表情识别率普遍较低.针对上述问题,提出一种基于高阶奇异值分解(HOSVD)分类的非特定人脸表情识别算法.算法融合局部方向模式(LDP)全脸特征和中心化二值模式(CBP)局部特征,以增强人脸表情特征的鉴别力,引人HOSVD建立表情子空间进行分类识别,从而减少人脸外观对表情特征的影响,同时利用HOSVD求解区域能量用于精确匹配.在JAFFE数据库上的非特定人脸表情实验结果表明,HOSVD分类算法相比传统最近邻算法更能区分表情图像的特征,识别率提高了 18％,此外,LDP融合CBP特征相比LDP特征和CBP特征更能准确描述人脸表情,识别率分别提高了 17％和12.2％.由此可见,上述方法对解决非特定人表情识别问题具有更好的识别效果.     

SVD用于人脸识别存在的问题及解决方法

通过对人脸图像奇异值的分析，证实了图像奇异值是图像在特定基空间分解得到的，这个基空间是由图像本身决定的。进一步研究发现。导致基于奇异值向量人脸识别算法识别率低的根本原因是：不同人脸图像对应的奇异值向量所在的基空间不一致、奇异值向量与人脸图像之问并不存在一一对应关系、奇异值向量具有不可分割性。最后提出了类估计基空间识别算法。在ORL、ORL-NWPU1以及ORL—NWPU2数据库进行仿真，实验结果证实了分析和所提算法的正确性。     

融合奇异值分解和最大间距准则的人脸识别方法

提出了一种融合奇异值分解（SVD）和最大间距准则鉴别分析（MMC）的人脸识别方法。对人脸图像进行奇异值分解,选取较大的一组奇异值构成特征向量,对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵。融合决策阶段,在以上两类特征集中,分别计算待识别样本到所有训练样本的欧氏距离并对得到的两类结果进行加权融合,最后根据最近距离分类器分类。基于ORL人脸数据库上的实验结果表明算法的有效性。     

基于整体与局部奇异值分解的人脸识别方法

提出了一种基于整体与局部奇异值分解相结合的人脸识别算法。文章叙述了人脸图像的预处理、奇异值分解以及支持向量机的原理及实现过程。运用整体与局部奇异值分解,分别获得图像的整体与局部特征,然后采用支持向量机进行分类识别,实验验证了该方法的有效性。