通用学习框架在单样本人脸识别中的应用研究

针对单样本人脸识别问题,提出一种基于通用学习框架的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用了2DPCA方法进行特征抽取,将所有样本投影到特征子空间,再根据最大隶属度原则完成人脸识别,明显提高了识别率。该方法的有效性分别在ORL及FERET人脸数据库上得到了验证。     

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。     

基于NMF图像重构的人脸识别

由传统的人脸识别方法产生的人脸特征子空间通常是由人脸库中所有训练样本产生的一个通用子空间,该空间更多地包含了所有人脸样本的共性特征,而忽略了个性特征。该文提出一种基于NMF图像重构的方法,以单个人的训练样本集获取其人脸特征子空间,将识别图像向每一个特征子空间中进行映射及重构,并以重构图像的误差作为判据实现人脸识别。在ORL标准人脸库进行的计算机仿真证实了该方法的有效性。     

通用学习框架改进核PCA的单样本人脸识别

针对传统的人脸识别算法在每个人只有单个训练样本时识别性能严重下降的问题,提出了通用学习框架改进核主成分分析的单样本人脸识别算法。首先,选取一个合适的通用训练样本集,将各个单训练样本与通用训练样本集中某人的多训练样本按比例叠加;然后,利用经典的KPCA算法进行特征提取,将所有叠加后的训练样本和测试样本投影到特征子空间;最后,使用最近邻分类器完成最终的人脸识别。在Yale及FERET两大通用人脸数据库上的实验结果表明,相比其他几种较为先进的人脸识别算法,该算法取得了更好的单样本识别效果。     

基于图像分块和特征选择的单训练样本人脸识别

为了提高人脸识别的正确率,针对单样本人脸识别训练样本存在的缺陷,提出一种基于图像分块和特征选择的单样本人脸识别算法。首先将人脸图像划分成子块,并分别提取各子块的特征,连接成人脸图像特征向量,然后采用多流形判断分析算法选择对人脸识别结果贡献较大的特征。最后计算采用支持向量机对人脸进行识别,并采用Yale B和PIE人脸库对本文人脸算法的有效性和优越性进行仿真测试。仿真结果表明,相对于当前典型人脸识别算法,该算法提高了人脸识别正确率,获得了更加理想的人脸识别效果。     

基于虚拟信息的单样本分块人脸识别方法

在单样本人脸识别中,由于训练样本的数量受限,充分利用样本的信息就显得十分重要.针对这种情况,通过增加样本虚拟信息,提出了基于虚拟信息的单样本分块人脸识别方法,充分利用了样本的整体信息和局部信息.实验表明,在对人脸图像进行识别时取得了较好的效果,在一定程度上提高了对姿态变化及不精确人脸规范化的适应能力.     

基于两级DCT和正交投影的单样本人脸识别

针对单样本人脸识别率低的问题,提出基于人脸单样本图像生成相应的多姿态虚拟人脸样本图像的方法,并利用DCT和正交投影相结合的方法进行更快速的识别。实验表明,应用线性物体类理论和改进的特征脸方法相结合生成多姿态人脸图像,并在此基础上进行人脸识别比使用单样本和一次DCT进行识别,识别率得到很大的提高。     

基于子模式的Gabor特征融合的单样本人脸识别

针对传统人脸识别方法在单训练样本条件下效果不佳的缺点,提出基于子模式的Gabor特征融合方法并用于单样本人脸识别。首先采用Gabor变换抽取人脸局部信息,为有效利用面部器官的空间位置信息,将Gabor人脸图像分块构成子模式,采用最小距离分类器对各子模式分类。最后对各子模式分类结果做决策级融合得出分类结果。根据子模式构成原则和决策级融合策略不同,提出两种子模式Gabor特征融合方法。利用ORL人脸库和CAS-PEAL-R1人脸库进行实验和比较分析,实验结果表明文中方法有效提高单样本人脸识别的正确率,改善单样本人脸识别系统的性能。     

基于Gabor小波自适应判别的单样本人脸识别

提出一种基于Gabor小波和LDA的人脸识别算法,借助通用训练集估计类内散布矩阵,使才传统LDA算法在单样本问题中可行。最后,在FERET人脸数据库上对所提方法进行了实验,结果表明该方法在单样本问题上取得了较好的结果。     

标架丛上的局部特征联络学习算法

人脸识别问题中,经常会面临样本少的情况,在身份证识别、电子护照识别等系统中,甚至只有一个训练样本,很多传统人脸识别方法在处理单样本时将失效。从流形学习角度出发提出了一种有效解决单样本人脸识别的方法。以自组织映射神经网络为基础,将人脸局部特征(眼、鼻、嘴等)视为一个流形,训练出多流形结构。利用联络关联不同的流形,同时学习出局部特征流形间与流形内的方向变化信息,再进行有监督的训练。整个方法结合了神经网络学习和流形学习,将单样本人脸识别问题转换成多流形匹配问题。在著名人脸库ORL、UMIST、FERET、AR上的实验显示该算法在处理单样本问题时优于已有算法,在处理姿态、表情等变化问题时也表现出很好的效果。