共查询到10条相似文献,搜索用时 15 毫秒
1.
复杂应用场景中,光照变化、遮挡和噪声等干扰使得将像素特征作为相似性度量的识别算法的图像类内差大于类间差,降低了人脸识别性能。针对这一问题,提出了一种低秩约束的极限学习机鲁棒性人脸识别算法,提升了复杂场景下的识别性能。首先,利用人脸图像分布的子空间线性假设,将待识别图像聚类到相对应的样本子空间;其次,将像素域分解为低秩特征子空间和稀疏误差子空间,依据图像子空间的低秩性对噪声鲁棒的原理,提取人脸图像的低秩结构特征训练极限学习机的前向网络;最后,实现对噪声干扰鲁棒的极限学习机人脸识别算法。实验结果表明,相比前沿的人脸识别算法,所提方法不仅识别精度高、算法时间复杂度低,且具有较好的实用性。 相似文献
2.
可变光照和有遮挡人脸识别是人脸识别问题中的一个难点。受到鲁棒主成分分析法(RPCA)和稀疏表示分类法(SRC)的启发,提出一种基于低秩表示(LRR)中稀疏误差图像的可变光照有遮挡人脸识别算法。在训练阶段,利用LRR计算每类人脸低秩数据矩阵,在此基础上求解每类人脸图像低秩映射矩阵,通过各类低秩映射矩阵将未知人脸图像投影得到每类下的低秩数据矩阵和稀疏误差矩阵,为了有效提取稀疏误差图像中的鉴别信息,分别对稀疏误差图像进行边缘检测和平滑度分析,设计了基于两者加权和的类别判据。在Extended Yale B和AR两个数据库上进行了详细的实验分析,实验结果与其它算法相比较有明显提高,证实了所提算法的有效性和鲁棒性。 相似文献
3.
4.
5.
传统的基于PCA(Principal component analysis)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的所有训练样本产生的,此子空间包含的更多的是所有人脸样本的共性特征,而忽略了人脸的一些个性特征.本文提出了一种基于PCA图像重构的人脸识别方法,该方法以单个人的类内协方差矩阵为特征脸产生矩阵,获取个人的人脸特征子空间,然后将待识别图像对每个特征子空间进行映射提取人脸图像主成分,并以此主成分进行图像重构,采用最小重构误差作为判据实现人脸的识别,最后基于ORL及Yale人脸数据库,实验验证了该方法的有效性. 相似文献
6.
7.
任意光照下人脸图像的低维光照空间表示 总被引:3,自引:0,他引:3
本文提出一种不同光照条件下人脸图像的低维光照空间表示方法.这种低维光照空间表示不仅能够由输入图像估计其光照参数,而且能够由给定的光照条件生成虚拟的人脸图像.利用主成分分析和最近邻聚类方法得到9个基本点光源的位置,这9个基本点光源可以近似人脸识别应用中几乎所有的光照条件.在这9个基本光源照射下的9幅人脸基图像构成了低维人脸光照空间,它可以表示不同光照条件下的人脸图像,结合光照比图像方法,可以生成不同光照下的虚拟人脸图像.本文提出的低维光照空间的最大优点是利用某个人脸的图像建立的光照空间,可以用于不同的人脸.图像重构和不同光照下的人脸识别实验说明了本文算法的有效性. 相似文献
8.
目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。 相似文献
9.
子空间技术是一种有效的人脸美感本征描述方法.为了克服单一子空间在人脸图像美感描述方面的不足,提出了一种基于主成分分析(PCA)与广义矩阵低秩逼近(Generalized low rank approximation matrix,GLRAM)双子空间的自动人脸美感分析方法.通过组合PCA和GLRAM子空间获取人脸美感特性的全局及局部本征描述,并利用高斯场模型(Gaussian field model,GF)构造组合子空间的内在几何结构关系.实验选用了一个光照、背景、表情、年龄和种族等变化比较显著的数据库,结果表明,提出的基于双子空间算法优于基于单一子空间的人脸美感分析方法. 相似文献
10.
鲁棒主成分分析(RPCA)是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据。但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据。研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的。根据这一原理,提出一种称为卷积鲁棒主成分分析(CRPCA)的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复。CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法(ADMM)来进行求解。通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析(GRPCA)以及核鲁棒主成分分析(KRPCA)在处理数据非低秩问题上优越性。 相似文献