基于稀疏表征的单样本人脸识别

提出2种基于稀疏表征SRC的单样本人脸识别方法。通过Shift或PCA重构的方法产生冗余样本,将生成的新样本作为训练样本,运用SRC进行识别分类。在ORL人脸库上的实验证明,在单样本情况下,2种方法分别比原SRC方法提高了5.56%和1.67%。与Shifted images +PCA、Shifted images +LDA、PCA重构人脸图像+LDA、PCA、LDA等方法做比较,实验表明,2个方法均具有良好的识别性能。     

基于压缩感知的单样本人脸识别

提出一种基于压缩感知的单样本人脸识别方法,通过局部邻域嵌入非线性降维和稀疏系数的方法产生冗余样本,则新样本包含了多种姿态和多种表情。将所有的新样本作为训练样本,运用改进后的稀疏表征分类算法进行人脸图像的识别。在单样本情况下,基于ORL人脸库和FERET人脸库的实验证明,该方法比原稀疏表征方法在识别率上分别提高了15.53%和7.67%。与RSRC、SSRC、DMMA、I-DMMA等方法相比,该方法同样具有良好的识别性能。     

基于局部加权表示的线性回归分类器及人脸识别

线性回归分类器(Linear Regression Classifier,LRC)是一种有效的图像分类算法,然而LRC未关注数据的局部结构信息,忽略了类内样本之间的差异性,因此当人脸图像存在表情、光照、角度、遮挡等变化时分类性能不佳.针对此问题,文中提出了一种基于局部加权表示的线性回归分类器(Local WeightedRepresentation based Linear Regression Classifier,LWR-LRC).LWR-LRC首先以测试样本与所有样本的相似性为度量,构建每类样本的加权代表样本;然后将测试样本分解为加权代表样本的线性组合;最后将测试样本分类到重构系数最大的类别.LWR-LRC考虑了样本的局部结构,构建了每类样本的最优代表样本,使用代表样本进行计算,在提高鲁棒性同时,大幅缩短了计算时间.在AR,CMU PIE,FERET和GT数据集上的实验的结果表明,LWR-LRC与NNC,SRC,LRC,CRC,MRC,LMRC等算法相比,在性能上有很强的优越性.     

基于Fisher准则改进线性判别回归分类的人脸识别

为了提高线性回归分类LRC(Linear Regression Classification)算法的鲁棒性,提出一种基于Fisher准则改进的线性判别回归分类算法。首先根据Fisher准则最大化类间重建误差与类内重建误差的比值,为LRC找到最优投影矩阵;然后利用最优投影矩阵将训练图像及测试图像投影到各个类的特征子空间;最后,计算出测试图像与各个训练图像之间的欧氏距离,并利用K-近邻分类器完成人脸的识别。在FERET和AR人脸数据库上的实验验证了本文算法的有效性。实验结果表明,相比其他回归分类算法,该算法取得了更好的识别效果。     

基于核扩展混合块字典的单样本人脸识别研究

稀疏表示分类(sparse representation-based classification,SRC)在样本数量充足下的人脸识别中具有较好的识别效果.然而由于基本字典缺乏判别性同时过度依赖于字典中每类样本的原子数目,稀疏表示分类在真实情况下的单样本(每类样本只有一张训练样本)人脸识别任务中缺乏鲁棒性.针对以上问题...     

使用稀疏加权平均脸及对称脸解决单样本问题

在人脸识别中,传统有效的鉴别分析方法需要更多样本评估类内散度信息。由于人脸的单样本问题,导致某些经典的方法如 Fisherface 和 Eigenface 等失效,解决的方法通常是生成各种虚拟样本来扩充训练集以实施这些算法。针对这个问题,根据人脸的对称相似理论,人脸样本的相关变化信息可以从它的对称脸上提取,提出组合原始训练样本及它的虚拟平均脸、对称脸作为训练样本集,应用稀疏理论进行加权积分融合,分两步进行识别的方法,并在 ORL 和 FERET 人脸数据库做了对比实验。实验结果表明,该方法比现有一些突出效果人脸识别方法更好,并具有一定的鲁棒性。     

单样本人脸识别中的虚拟样本扩展方法研究

在单训练样本人脸识别问题中,每个人都只有一幅人脸样本图像,因为没有充分具有代表性数量的训练样本,一些常用方法识别率明显下降,有的甚至不能使用.针对这一问题的解决方法是引进缩放、旋转、剪切、翻转和镜像等几何变换增加虚拟样本数量以提高传统识别方法的识别率.对增加后的样本使用传统的二维主成分分析方法做了验证,识别率得到了明显提高.     

基于自编码器和稀疏表示的单样本人脸识别

单样本人脸识别因其在现实生活中的广泛应用而成为人脸识别领域的热门话题。单张训练样本条件下训练样本的缺少和复杂的类内人脸表情、光照、遮挡变化给单样本人脸识别研究带来困难。传统的基于稀疏表示的人脸识别方法需要大量的训练样本构成过完备的字典,因而在单样本条件下识别效果明显下滑。针对这一问题,提出一种基于有监督自编码器的带变化人脸样本生成方法,在保留身份信息的同时自动生成带变化的人脸图像用于单样本条件下的字典扩充,一定程度上缓解了单样本条件下的欠采样问题,弥补了训练集和测试集间的人脸变化信息差异,使得传统的稀疏表示方法能够适用于单样本人脸识别问题。在公共数据库上的实验结果不仅证明了该方法的有效性,而且对测试集中不同的人脸变化也展现出了较强的鲁棒性。     

一种鲁棒稀疏表示的单样本人脸识别算法

稀疏表示在人脸识别问题上取得了非常优秀的识别结果,但在单样本条件下,算法性能下降严重。为提高单样本条件下稀疏表示的应用能力,提出一种鲁棒稀疏表示单样本人脸识别算法(RSR)。通过使用每张人脸图像创建一组位置图像,扩充每个对象训练样本,并利用L2,1范数约束,保证RSR选择正确对象的位置图像。在AR和Extended Yale B人脸数据库上进行评测,实验结果表明RSR能够有效处理存在遮挡或光照变化的人脸图像,获得了较好的单样本人脸识别准确率,具有很强的鲁棒性。     

基于谱域特征提取与线性回归分类的智能人脸识别算法

针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题,提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的,首先使用Viola-Jones算法从原始图像中提取初始人脸部分,并将其转换为120×120像素大小的灰度图像;然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架,进一步在预处理的图像上执行2D-DFT,并表示为1D P-FFT。特征值是1D P-FFT幅值中的最大值,提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在AR和GT数据库上进行了各种实验,分别取得了97.51％和98.02％的准确率,与最近报道的一些人脸识别技术相比,提出的方法识别准确率更高。     

一种自适应加权SpPCA单样本人脸识别算法

子模式主成分分析(SpPCA)算法忽略了人脸不同分块应该具有不同的重要性.为了解决此问题,提出一种自适应加权SpPCA单样本人脸识别算法,对人脸图像的不同分块自适应地计算其权重.算法对人脸进行分块,按照SpPCA算法将各个分块投影到特征脸的基坐标上,并以每个模块LBP编码的纹理图像信息熵来表征该模块的权值;将模块的权重赋予该模块的特征脸投影,并得到最终分类结果.实验在Yale B和扩展Yale B人脸数据集上进行测试.实验表明,该算法得到了较好的识别结果,有效地弥补了SpPCA算法的不足.     

基于HOG和DMMA的单样本人脸识别

为了提取复杂环境下人脸图像的有效特征,提出了一种结合DMMA(discriminative multi-manifold analysis)和方向梯度直方图(HOG)特征提取算法,利用了一种新的自适应方法计算子图像块的相似度。在DMMA算法中,将一幅样本图像分为不重叠的子图像块后,对每一个小块使用HOG算子进行处理,处理后形成一个统计流形,然后进行特征提取,利用基于重建的流形—流形间的距离最近邻方法进行分类识别。在AR人脸库和FERET人脸库上的实验结果表明,该算法对人脸图像的光照和几何变化比传统的DMMA算法识别性能更好。     

Face recognition with one training image per person

At present there are many methods that could deal well with frontal view face recognition. However, most of them cannot work well when there is only one training image per person. In this paper, an extension of the eigenface technique, i.e. projection-combined principal component analysis, (PC)²A, is proposed. (PC)²A combines the original face image with its horizontal and vertical projections and then performs principal component analysis on the enriched version of the image. It requires less computational cost than the standard eigenface technique and experimental results show that on a gray-level frontal view face database where each person has only one training image, (PC)²A achieves 3–5% higher accuracy than the standard eigenface technique through using 10–15% fewer eigenfaces.     

Unified probabilistic models for face recognition from a single example image per person

This paper presents a new technique of unified probabilistic models for face recognition from only one single example image per person. The unified models, trained on an obtained training set with multiple samples per person, are used to recognize facial images from another disjoint database with a single sample per person. Variations between facial images are modeled as two unified probabilistic models: within-class variations and between-class variations. Gaussian Mixture Models are used to approximate the distributions of the two variations and exploit a classifier combination method to improve the performance. Extensive experimental results on the ORL face database and the authors‘ database (the ICT-JDL database) including totally 1,750 facial images of 350 individuals demonstrate that the proposed technique, compared with traditional eigenface method and some well-known traditional algorithms, is a significantly more effective and robust approach for face recognition.     

Making FLDA applicable to face recognition with one sample per person

In face recognition, the Fisherface approach based on Fisher linear discriminant analysis (FLDA) has obtained some success. However, FLDA fails when each person just has one training face sample available because of nonexistence of the intra-class scatter. In this paper, we propose to partition each face image into a set of sub-images with the same dimensionality, therefore obtaining multiple training samples for each class, and then apply FLDA to the set of newly produced samples. Experimental results on the FERET face database show that the proposed approach is feasible and better in recognition performance than E(PC)²A.     

自适应加权LBP的单样本人脸识别方法

在面对单训练样本的人脸识别问题时,传统人脸识别方法识别率会下降很多,有的方法甚至不能使用。针对单样本人脸识别问题,提出了一种自适应加权LBP方法。方法既提取了纹理信息又包含了分块拓扑信息,更重要的是可以把这些特征用合适的权重融合起来。划分图像并用LBP提取纹理信息;利用方差来完成对特征的自适应加权融合;用最近邻分类器识别结果。在ORL人脸数据库上的实验结果表明,该方法可以有效地提高识别率。     

基于位平面图像与2DMSLDA的单样本人脸识别

在进行单训练样本人脸识别时,基于每人多个训练样本的传统人脸识别算法效果通常不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对以上问题进行了分析研究,提出了一种新的样本扩充方法,即：采用位平面图像分解法,将每幅样本图像分解为8幅,进而通过各种合成策略构造多幅样本图像。使用一种更加稳定的二维最大散度差线性鉴别分析方法（2DMSLDA）对上面获得的新样本图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。     

基于泛滑动窗与2DLDA的单样本人脸识别

对于单训练样本人脸识别,基于每人多个训练样本的传统人脸识别算法效果均不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。提出一种新的样本扩充方法,即泛滑动窗法。采用“大窗口、小步长”的机制进行窗口图像采集和样本扩充,不仅增加了训练样本,而且充分保持和强化了原始样本模式固有的类内和类间信息。然后,使用二维线性鉴别分析方法（2DLDA）对上面获得的窗口图像进行特征抽取。在ORL国际标准人脸库上进行的实验证实了所提算法的可行性和有效性。     

基于泛滑动窗与加权2DLDA的单样本人脸识别

对于单训练样本人脸识别,基于每人多个训练样本的传统人脸识别算法效果均不太理想。尤其是基于Fisher线性鉴别准则的一些方法,由于类内散布矩阵为零矩阵,根本无法进行识别。针对这一问题进行了分析研究,提出了一种新的样本扩充方法,即泛滑动窗法。采用“大窗口,小步长”的机制进行窗口图像采集和样本扩充,不仅增加了训练样本,而且充分保持和强化了原始样本模式固有的类内和类间信息。然后,使用加权二维线性鉴别分析方法（Weighted 2DLDA）对上面获得的窗口图像进行特征抽取。在ORL国际标准人脸库上进行的实验表明了所提算法的可行性和有效性。