基于连续隐马尔可夫模型的人脸识别方法

提出了一种基于连续隐马尔可夫模型的人脸图像识别方法,主要内容包括以下方面:①由于奇异值向量具有稳定性.转置不变性等特点,对归一化的人脸图像,采用奇异值分解抽取人脸图像特征作为观察值序列;②在人脸识别中应用连续隐马尔可夫模型,采用双高斯概率密度函数训练,建立HMM模型,再利用建好的HMM模型进行识别.实验结果显示,所提出的方法减少了数据计算量,运行速度快,并提高了识别率,完全满足人脸识别系统实时性要求.     

基于S-LISSOM模型的人脸识别方法

提出了一种利用视皮层认知模型识别人脸的方法。该方法建立一种简化的感受野切片连接自组织映射简化模型(S LISSOM),模拟人脸图像在大脑视皮层的映射特征,作为隐马尔可夫模型(HMM)的观测向量进行人脸识别。实验结果同其他特征的人脸识别方法进行了比较,该方法更加有效的提取的人脸特征,提高了人脸识别率。     

一种基于奇异值分解和隐马尔可夫模型的人脸识别方法

提出了一种新的基于隐马尔可夫模型的人脸识别方法，这种方法采用奇异值分解抽取人脸图像特征作为观察序列，减少了数据的存储量和计算量，并提高了识别率，实验结果同其它两种基于隐马尔可夫模型的方法进行了比较。     

一种基于LBP-EHMM的人脸识别算法

针对实时人脸识别易受光照变化影响的问题,提出了一种将局部二值模式(Local Binary Patterns,LBP)与嵌入式隐马尔可夫模型(Embedded Hidden Markov Model,EHMM)相结合的人脸识别方法。该方法首先对输入的人脸图像进行LBP预处理,接着对其进行特征向量提取,最后把提取的特征观察向量送入EHMM进行训练或识别。在多个人脸数据库上进行了实验,结果表明该文算法对光照具有较好的鲁棒性,提高了识别率。     

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。     

基于多分类器组合的多角度彩色人脸图像检测

提出了基于神经网络和隐马尔可夫模型组合的彩色人脸图像检测方法 .根据归一化后的彩色图像的色度彩色分量直方图将图像粗分割成若干幅二值图像 ;在亮度图像上 ,以上述二值图像为掩模进行多分辨率的旋转不变性人脸检测 .在人脸检测时 ,本文分两步 :第一步先用神经网络来确定人脸的旋转角度 ,然后对旋正后的图像运用识别人脸奇异值特征的隐马尔可夫模型进行验证 .实验结果表明 ,本文算法是有效的     

基于EHMM的人脸识别算法

人脸识别是对从视频图像中检测到的人脸区域进行身份的认证．是将待识别人脸与数据库中的人脸进行匹配的过程。将EHMM应用于人脸识别,提取人脸的DCT系数特征作为观察向量,用EHMM算法进行人脸模型训练和识别,并使用OpenCV对人脸识别算法进行功能仿真验证和相关探究,达到较好的人脸识别效果。实验结果表明,正常光照下,该算法的识别率在95％以上。     

基于嵌入式HMM的脸部表情识别

提出了一种基于嵌入式EHMM的表情识别方法。通过分析人脸表情的变化情况,利用DCT提取脸部表情特征构成特征向量,构建嵌入式HMM来识别静态图像中的人脸表情,并在单层嵌入式HMM的基础上提出了更利于区分易混淆表情的双层嵌入式HMM结构。实验表明该方法能有效地识别6种基本表情。     

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。     

基于隐马尔可夫模型的自动人脸识别方法

基于DCT系数的伪二维隐马尔可夫人脸模型(P2D HMM)由于更好的利用了人脸图像 的二维统计特性,所以与基于KLT系数的一维隐马尔可夫人脸模型相比,识别效果更好,但是结构复 杂、运算量大。一维隐马尔可夫模型(1D HMM)表现二维人脸存在不足,但训练识别比较简单。综合 考虑二者的优缺点,结合支持向量机(SVM)对静态数据识别效率明显的长处,建立了SVM和HMM 的混合人脸识别模型。采用独立分量分析(ICA)的方法提取人脸区域的特征,作为SVM的输入。在 ORL人脸库中,测试基于SVM/HMM的人脸识别方法,实验结果表明该方法在获得与P2D HMM相应 的识别率的前提下,结构简单,运算量小。     

Face recognition using the embedded HMM with second-order block-specific observations

The paper is concerned with face recognition using the embedded hidden Markov model (EHMM) with second-order block-specific observations. The proposed method partitions a face image into a 2-D lattice type, composed of many blocks. Each block is represented by the second-order block-specific observation that consists of a combination of first- and second-order feature vectors. The first-order (or second-order) feature vector is obtained by projecting the original (or residual) block image onto the first (or second) basis vector that is obtained block-specifically by applying the PCA to a set of original (or residual) block images. A sequence of feature vectors obtained from the top-to-bottom and the left-to-right scanned blocks are used as an observation sequence to train EHMM. The EHMM models the face image in a hierarchical manner as follows. Several super states are used to model the vertical facial features such as the forehead, eyes, nose, mouth, and chin, and several states in the super state are used to model the localized features in a vertical face feature. Recognition is performed by identifying the person of the model that provides the highest value of observation probability. Experimental results show that the proposed recognition method outperforms many existing methods, such as the second-order eigenface method, the EHMM with DCT observations, and the second-order eigenface method using a confidence factor in terms of average of the normalized modified retrieval rank and false identification rate.     

Do singular values contain adequate information for face recognition?

Singular values (SVs) have been used for face recognition by many researchers. In this paper, we show that the SVs contain little useful information for face recognition and most important information is encoded in the two orthogonal matrices of the SVD. Experimental results are given to support this observation. To overcome this problem, a new method for face recognition based on the above finding is proposed. The face image is projected on to the orthogonal basis of SVD and then the vectors of coefficients are used as the face image features. By using probability density of this image feature obtained by a simplified EM algorithm, the Bayesian classifier is adopted to recognize the unknown faces. The proposed algorithm obtains acceptable experimental results on the ORL face database.     

基于小波和奇异值分解的人脸识别方法

该文提出了一种基于小波和奇异值分解的人脸识别方法。首先对人脸图象进行小波分解,由于小波变换具有良好的多尺度特征表达能力,能将图象的大部分能量集中到低频子图中,使图象得到有效压缩。然后,对得到的每幅低频子图进行基于奇异值分解的特征提取,并将奇异值特征向量进行压缩,把压缩后的特征向量作为每幅人脸图象的特征,进而求出每一类人脸图象的特征向量中心。最后,将每一类的特征向量中心输入到分类器中进行识别。最终得到了令人满意的识别结果。     

SVD与LDA相结合的人脸特征提取方法

提出一种新的SVD与LDA相结合的人脸特征提取方法.首先选用练训样本的均值图像作为标准图像,把训练样本投影到标准图像经奇异值分解产生的基空间中,其次提取投影系数矩阵左上角信息作为初步特征,最后再采用LDA分析方法降维提取最终的特征.该方法解决了奇异值分解用于人脸识别基空间不一致的固有缺陷,同时又增加的特征的类别信息,也避免了LDA的小样本问题.在ORL与CAS-PEAL人脸库的实验结果表明了该方法的有效性,同时对光照有一定的鲁棒性.     

基于Gabor小波和SVD的热红外人脸识别研究

由于热红外人脸图像具有防伪装、防欺诈以及独立于环境光照的特点,所以近年来热红外人脸识别问题备受关注。提出一种基于Gabor小波和SVD的热红外人脸识别新方法。对归一化后的热红外人脸图像进行多方向多尺度Gabor变换,得到多个Gabor特征矩阵;对每个矩阵进行奇异值分解,并把每个矩阵最大的奇异值组合起来作为最终的热红外人脸特征向量;使用径向基神经网络进行分类识别。在自建热红外人脸数据库上的实验结果表明,相比于传统的识别方法,该方法具有较好的识别效果。     

置信度判别嵌入式隐马尔可夫模型人脸识别

为了提高人脸识别率,提出了一种优化置信度的判别嵌入式隐马尔可夫（EHMM）人脸识别方法。提出的方法基于假设检验,通过最小化检验错误率得到优化置信度判别式训练准则。在优化置信度判别式训练准则的前提下,通过参数估计求解判别式转换矩阵,提取出具有判别性、低维度的图像特征,确保观察样本能正确地分配到其对应的模型状态,以提高所训练出的EHMM模型的正确识别率。理论分析证明了优化置信度判别式训练准则的有效性,详细的实验及与现有方法的比较结果表明,提出的识别方法具有更好的识别性能。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究，提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响，从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率，提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响，使得识别率有较大提高，基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

Facial expression recognition using ASM-based post-processing technique

Facial expression recognition is a challenging field in numerous researches, and impacts important applications in many areas such as human-computer interaction and data-driven animation, etc. Therefore, this paper proposes a facial expression recognition system using active shape model (ASM) landmark information and appearance-based classification algorithm, i.e., embedded hidden Markov model (EHMM). First, we use ASM landmark information for facial image normalization and weight factors of probability resulted from EHMM. The weight factor is calculated through investigating Kullback-Leibler (KL) divergence of best feature with high discrimination power. Next, we introduce the appearance-based recognition algorithm for classification of emotion states. Here, appearance-based recognition means the EHMM algorithm using two-dimensional discrete cosine transform (2D-DCT) feature vector. The performance evaluation of proposed method was performed with the CK facial expression database and the JAFFE database. As a result, the method using ASM information showed performance improvements of 6.5 and 2.5% compared to previous method using ASM-based face alignment for CK database and JAFFE database, respectively.