基于图像似然度的人脸检测

本文提出了一种基于图像似然度的检测人脸方法,该方法能在复杂的背景下较好的检测出人脸。该方法分为训练阶段和检测阶段。在训练阶段。从人脸图像集中选取大量人脸图像的信息矩阵的奇异值向量作为矩阵中的一列而构成的人脸图像集特征矩阵。然后,用大量的人脸图像的特征向量与人脸图像集特征矩阵比较找出最小相似度,作为阈值;在检测阶段。求待测区域的特征向量与人脸特征矩阵的相似度,与阈值比较以决定是否是人脸。     

基于DCT和MMC的人脸识别方法

提出了一种基于离散余弦变换(DCT)和最大间距准则(MMC)鉴别分析的人脸识别方法.先对人脸图像进行离散余弦变换,选取变换矩阵左上角的一部分变换系数构成特征向量,然后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,基于欧氏距离测度分别计算待识别样本到所有训练样本的距离并对得到的两类结果采用加权方法进行融合,得到最终的分类结果.基于ORL人脸数据库的实验结果表明了该算法的有效性.     

一种谱分解降维的模糊有监督局部保持投影策略

提出一种谱分解降维的模糊有监督局部保持投影策略。首先针对监督局部保持投影SLPP存在过学习和不能较好地保持图像空间的差异信息等问题,通过最小化局部离散度和最大化差异离散度准则提取投影方向,找到一种线性鉴别分析的等价形式。其次,通过采用模糊k近邻(FKNN)方法得到相应的样本分布隶属度信息,同时考虑到离群样本对整个分类结果的不利影响,提出一种模糊化方法,根据样本的隶属度对样本分布矩阵重定义所做的贡献,将每个样本的隶属度融入到SLPP特征抽取的过程中,从而得到完整有效的模糊样本特征向量集,有效解决了小样本问题的特征抽取问题。第三,提出一种谱分解的矩阵分析方法,在SLPP投影准则下,对散布矩阵实现降维。在ORL和NUST603人脸库上的实验结果验证了该方法的有效性。     

基于图象集似然度的人脸识别

根据人的认识规律,提出了基于图象集的似然度人脸识别方法。该方法把图象集中的各幅图象的信息矩阵的奇异值向量作为矩阵中的一列而构成的图象集特征矩阵。然后,把测试样本的图象集特征矩阵与图象集库中的训练样本图象集的特征矩阵相比较找出它们的相似程序－－图象集的似然度,从而进行人睑图象识别。     

基于类间散布矩阵的二维主分量分析

主分量分析是一种线性特征抽取方法,被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵,并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA,以类间散布矩阵的本征向量作为投影方向,取得了比利用总体散布矩阵更好的识别效果,并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。     

基于HOG特征的加权稀疏表示人脸识别算法

在人脸识别中,为了进一步提高人脸图像对光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相融合,以降低复杂度,提高识别性能。首先,统计每一幅图像的方向梯度直方图(HOG)特征,并对每一幅图像进行归一化处理,削弱人脸图像中的光照影响;其次,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的距离作为稀疏系数的权值;在此基础上,对传统稀疏表示分类器进行改进,样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,最后利用样本的重构残差和对样本进行识别分类。ORL人脸库和GT人脸数据库上的实验证明该方法对光照等外界物理因素有着很好的鲁棒性。     

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.     

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。     

基于矩阵行矢量鉴别矢量集的人脸识别

提出了一种基于矩阵行矢量鉴别矢量集的人脸识别方法。考虑到人脸图像的行矢量是人脸图像的子模式,可以分别基于这些行矢量求取鉴别矢量集,并用人脸图像在该鉴别矢量集上的投影作为描述人脸的特征。实验结果表明,提出的方法要优于文献[4]的方法。     

多尺度变换域内混合投影熵的人脸特征描述

提出一种新的人脸特征描述方法。使用Contourlet变换提取人脸图像低频子带,并对子带图像适当分块从而减少图像局部扭曲对识别的影响,利用混合投影函数和图像熵提取特征从而构建混合投影特征矩阵。在ORL、Yale、CMU PIE人脸数据库的实验表明该方法具有一定的优势。     

具有统计不相关性的广义图像投影鉴别分析

提出了一种新的图像投影鉴别分析方法。首先，与Liu投影鉴别分析方法相比，具有能够消除投影特征分量之间相关性的优点。其次，该方法从整体上考虑投影集的可分性。即样本在图像最佳鉴别矢量上的投影集从整体上具有最佳的可分性。另外，所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大地提高了特征抽取的速度。最后，在0RL标准人脸库上的试验结果表明，所提出的图像投影鉴剐分析方法较Liu的方法在识别性能上有了较大幅度的提高，在普通的分类器下达到95％识别率。该识别率明显优于颇有影响的Fisher-faces方法，其特征抽取的速度提高了近19。68倍。     

全局和局部特征相融合的人脸识别算法

为了进一步提高特征提取效率和人脸识别正确率,提出一种融合全局和局部特征的人脸识别算法。引入局部散度矩阵和全局散度矩阵,两者分别表征样本的全局特征和局部特征;基于同类样本尽可能的紧密而异类样本尽可能远离的事实,构造最优化问题,采用支持向量机建立人脸分类器,并通过仿真实验测试算法的性能。仿真结果表明,该算法不仅提高了人脸识别正确率,而且提高了人脸识别效率。     

基于局部邻域多流形度量的人脸识别

针对人脸识别中特征的提取,提出了一种基于局部邻域多流形度量的人脸识别方法。针对人脸识别的小样本问题,用特征脸对人脸图像预处理。对预处理后的人脸数据集中每个流形内的数据点采用欧氏距离来选择各数据点的近邻点,由此得到局部权重矩阵,并计算重构数据点与原始数据点之间的误差距离;同时,采用图像集建模流形,用affine hull表示流形对应的数据集信息,计算多流形间的距离度量矩阵。通过最大化流形间距离以及最小化数据点与重构数据点误差距离来寻找投影降维矩阵。在人脸数据集上的大量比较实验,验证了该方法的准确性和有效性。     

基于改进的多流形算法的人脸图像集识别

一个图像集由大量变化不一的图像组成,而且这些图像都表示同一个人.现实中的图像集数据是非线性的,造成这些现象的因素有人脸的角度不同、光线的明暗等,因此图像集中的每幅图像都是变化的,如果近似的将一个图像集建模为线性子空间,而忽略了集合中数据结构的变化,很显然是不合理的,这也必然会影响到最后的识别率.受流形理论知识的启发,可以将图像集建模为一个流形,这与传统的将图像集建模为子空间的方法有着本质区别.本文在基于流形的人脸图像集识别方法的基础上进行改进,提出新的计算样子空间距离方法,最后采用所有最短子空间距离的平均值作为流形之间的距离,称为改进的多流形方法(Improved multi-manifold method,IMM).IMM方法在CMU PIE数据库上进行实验,结果表明该方法相比其他方法具有更高识别率.     

一种融合PCA 和KFDA 的人脸识别方法

提出一种融合PCA和KFDA的人脸识别方法，即在进行非线性映射之前，首先利用经典的主分量分析(C—PCA)进行降维，然后执行KFDA．为进一步降低整个算法的计算时问，又提出一种I—PCA KFDA方法，它直接基于图像矩阵的主分量分析(I—PCA)．ORL标准人脸库的试验结果表明，与现有的核Fisher鉴别分析方法相比，两种方法可将特征抽取的速度分别提高3倍和7倍，其识别精度没有丝毫的降低．     

基于独立负样本集和SVM的人脸确认算法

在许多人脸确认应用领域,例如人脸计算机安全登录系统中,没有用于SVM训练的人脸数据库可以提供,在现有基于SVM的人脸确认算法的基础上,根据实际应用的需求,提出了一种新的基于独立负样本集和SVM的人脸确认算法,该方法对注册的用户图像通过眼睛抖动的方法生成足够多的正样本,利用FLD技术进行特征提取,并利用基于Rank的一对多的识别方法去除同类项,解决了训练样本与负样本类别冲突问题.正负样本送SVM进行训练可以得到相应的SVM模型,对于待确认的人脸图像就可以采用SVM进行验证了.对SCUT人脸数据库的测试表明：足够数量的负样本能够保证较低的FAR,且支持向量的数量不会随着负样本集的数量增长而增长.应用这个算法,实现了一个计算机安全登录系统.     

图像特征抽取的奇异值分解方法

传统的PCA方法和LDA方法扯处理图像识别问题时,一般先将图像矩阵转化为图像向量,然后以该图像向量作为原始特征进行特征抽取。近来一些研究人员提出利用图像矩阡瓿接构造敞布矩阵,并存此基础上进行特征抽取的方法。该文在该思想的基础上,提出了IMSVD方法。该方法没有采用PCA或LDA方法,而是利用奇肄值分解方法进行特征抽取。对ORL人脸阁像的识别试验结果表明,IMSVD订法具有良好的特征抽取性能。     

黎曼流形上的保局投影在图像集匹配中的应用

目的提出了黎曼流形上局部结构特征保持的图像集匹配方法。方法该方法使用协方差矩阵建模图像集合,利用对称正定的非奇异协方差矩阵构成黎曼流形上的子空间,将图像集的匹配转化为流形上的点的匹配问题。通过基于协方差矩阵度量学习的核函数将黎曼流形上的协方差矩阵映射到欧几里德空间。不同于其他方法黎曼流形上的鉴别分析方法,考虑到样本分布的局部几何结构,引入了黎曼流形上局部保持的图像集鉴别分析方法,保持样本分布的局部邻域结构的同时提升样本的可分性。结果在基于图像集合的对象识别任务上测试了本文算法,在ETH80和YouTube Celebrities数据库分别进行了对象识别和人脸识别实验,分别达到91.5%和65.31%的识别率。结论实验结果表明,该方法取得了优于其他图像集匹配算法的效果。     

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。     

NMF与LDA相结合的彩色人脸识别

为了提高彩色人脸识别的性能,提出了一种非负矩阵分解与线性判别分析相结合的彩色人脸识别算法。首先采用非负矩阵分解算法对彩色人脸图像不同颜色通道的信息进行编码,计算彩色人脸图像空间的基图像;然后根据非负矩阵分解计算得到的图像分解系数,融入人脸对象的类别信息,采用线性判别分析算法计算最优的鉴别子空间;最后以彩色人脸图像的投影系数为特征,采用最近邻分类算法进行人脸识别。在CVL和CMUPIE人脸数据库上的实验结果验证了提出的彩色人脸识别算法的正确性和有效性。