基于PCA+LDA的热红外成像人脸识别

研究热红外成像人脸识别技术,提出一种基于主成分分析(PCA)和线性鉴别分析(LDA)的热红外成像人脸识别方法.针对热红外人脸图像的特点,首先对图像进行预处理得到一组标准热红外人脸图像,利用PCA算法对图像向量进行降维并提取其全局特征,对降维后的热红外人脸全局特征采用LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器.最后,进行基于PCA+LDA的热红外人脸图像识别研究,实验结果表明该方法可获得较高的识别率.     

基于复合核函数KPCA的红外人脸识别

研究人脸优化识别问题,提出一种复合核函数KPCA的红外人脸特征提取法.利用最优或者接近最优的复合核函数主元分析KPCA方法对训练样本核映射到高维空间进行特征提取预处理,并结合最近邻法分类器分类进行红外人脸识别.该方法不仅有效的提取了训练样本的非线性信息,而且有效的改进了识别效果.多次实验结果表明了,基于复合核函数KPCA的红外人脸识别率优于传统的核主元分析法(KPCA)和主元分析法(PCA).结果表明,改进方法可减少识别时间,并保证了识别率一直稳定在比较高的水平.     

眼镜遮挡下的正面人脸识别

针对眼镜遮档对人脸识别影响较大这一问题,提出一种从正面人脸图像中提取并摘除眼镜的方法。首先利用主成分分析和独立成分分析法对输入的戴眼镜人脸进行重建,对比重建人脸和输入人脸,从而提取眼镜遮档区域;然后经过迭代误差补偿合成相应的无眼镜人脸;最后考虑到合成图像的特殊性,使用改进的特征加权方法实现人脸识别。实验结果表明,利用提出的人脸重建和特征加权方法进行戴眼镜人脸识别,正确率可以达到91%,优于传统方法。     

一种基于核主成分特征组合的人脸识别方法

提出了一种基于核主成分特征组合的人脸识别方法。首先利用主成分分析,获得原始输入图像的二阶特征脸图像;然后运用核主成分分析分别抽取原始图像和二阶特征脸图像的核主成分特征,最后将它们组合成一个组合特征向量,进行人脸识别。在ORL人脸库上的实验表明,两种图像的核主成分特征分别有着良好的特点,取得了较好的识别效果,优于核主成分分析和二阶特征脸的结果。     

基于三维建模的眼镜遮挡下人脸识别

眼镜作为人脸特征的不稳定性是眼镜遮挡人脸识别的主要问题。为避免现有方法消除不稳定眼镜特征时带来的人脸特征丢失,将眼镜视为人脸固有部分,提出一种基于三维建模生成人脸虚拟样本补偿眼镜不稳定性的方法。三维建模方便眼镜模型参数的调节。通过调节眼镜参数,具体分析眼镜不同部分对人脸识别的影响,同时,针对影响严重的镜片模糊和反光,均做相应处理。CAL-PEAL的实验表明本文方法对识别性能的大幅度改善,并验证镜片处理的有效性。     

红外图像人脸识别方法研究进展

介绍了红外图像人脸识别应用前景和困难所在,阐述了红外图像人脸识别的特征,报告了红外图像人脸识别近年来的研究进展,综述了红外图像人脸识别的方法和技术,介绍了基于红外频谱的人脸和伪装检测方法、基于热红外成像的人脸识别方法、基于支撑向量机的红外图像人脸识别方法,基于线性辨别分析的红外图像人脸识别新方法,并进行了简单的分析和比较.最后探讨了红外图像人脸识别领域的发展与研究方向.     

基于辐射能量的红外人脸识别

人脸识别至今还是计算机视觉中的一个难题,用红外人脸图像来进行识别是近几年才发展的一个新领域,虽然其独立于光源,不易受外部光线的影响,但研究发现,人脸温谱图因受到一系列内在(生理、心理等)和外在(环境、成像等)条件的影响而使识别率下降。针对这一问题,根据Stefan-Boltzmann定律,提出把易受环境温度影响的面部温度数据转换为较为鲁棒的辐射能量数据来进行识别,以提高红外图像人脸识别的性能。理论分析显示,当人体处于一个稳定的状态时,辐射能量图对周围环境温度的敏感度较低。实验结果表明,基于辐射能量图的识别率高于基于温谱图的识别率。     

红外人脸识别技术

研发一个稳定可靠的人脸识别系统至今还是计算机视觉中的一个难题,用红外图像来进行人脸识别是近几年才发展的一个新领域。本文对红外人脸识别技术,特别是特征提取的研究,进行了综述,并对未来红外人脸识别的方向进行了展望。     

一种基于遮挡区域补偿的眼镜去除方法

为了提高戴眼镜人脸图像的识别率, 提出了一种从人脸图像中检测并去除眼镜的方法。首先对输入的戴眼镜人脸图像与系统预留的无眼镜人脸图像进行基于人眼位置的标定, 检测出眼镜遮挡区域, 再用无眼镜人脸图像中对应的遮挡区域对戴眼镜人脸图像进行补偿, 从而合成了对应输入图像的不戴眼镜的人脸图像。实验结果表明, 该方法能有效地合成无眼镜人脸图像, 将合成后的人脸图像再应用于人脸识别系统, 识别率显著提高。     

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程.针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法.提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数.设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别.实验结果证明,该算法获得了很好的识别效果,效率也得到了提高.     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。     

改进的基于Gabor-LDA的人脸识别方法

鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域取得成功应用,提出了一种改进的Gabor-LDA算法.首先对人脸图像进行多方向、多尺度Gabor小渡滤波,然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维,采用自适应加权原理重建类内散布矩阵和类间散布矩阵,从而改进了最佳鉴别分析(LDA)判别函数,有效地解决了训练样本类均值与类中心的偏离问题.对Yale人脸库的数值试验表明,该算法比传统算法有更好的性能.     

基于图像分块的LDA人脸识别

设计了一种基于图像分块的LDA(linear discriminant analysis)人脸识别方法,该方法从模式的原始数字图像出发,先对图像矩阵进行分块,然后对分块子图像进行LDA特征提取,从而得到能代替原始模式的低维新模式,最后再用最小距离分类器进行分类.该方法克服了传统LDA方法的缺点,其优点是能有效地提取图像的局部特征.实验表明:该方法在识别性能上优于Fisheffaces方法.     

基于小波域PCA与LDA相结合的红外人脸识别方法*

提出了一种新的小波域主元分析与线性辨别分析相结合的红外人脸识别方法。首先通过DWT将红外人脸图像通过二级小波分解成七个子带,舍去两次分解中的对角子带,对剩下的五个子带进行有效的组合;然后用PCA方法对组合后的向量进行特征提取,再把PCA提取的特征向量进行线性辨别分析;最后用欧氏距离和三近邻分类器得到分类结果。同传统的PCA和PCA LDA的方法相比,该方法更能利用人脸图像的有用判别信息,并得到更好的识别效果。     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

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．     

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.     

基于核的图像欧氏距离人脸识别

引进了两幅图像之间的一种新的距离度量方法——图像欧氏距离,该距离是利用核函数对传统的欧氏距离进行改进而得到的。在此基础上,设计了一种新的分类识别方法——基于核的图像欧氏距离人脸识别方法,并应用于人脸识别中。为验证该算法的可行性,对人脸图像进行DCT变换得到预处理样本,并在ORL和Yale人脸库上进行多角度的比较实验。分析实验结果表明,该方法优于其它距离分类器算法。     

基于图像风格迁移的人脸识别域适应方法

监控场景下的带标签人脸数据难以获取,尽管可以利用已有的公开数据集或合成数据,但这些数据与真实的监控人脸数据在图像风格上存在较大的域间差异。针对该问题,不同于基于特征或公共子空间的域适应方法,提出一种基于图像风格迁移的解决方法。具体地,基于CycleGAN网络改进得到Face-CycleGAN,在保持身份属性的前提下,对现有带标签数据进行风格迁移,使其在背景、光照、皮肤材质等方面与监控场景更接近,并进一步通过联合滤波对迁移图像进行后处理。最后,利用迁移得到的数据优化人脸识别算法,减小域间差异带来的负面影响。提出的方法在公开数据集EK-LFH和自建数据集3DProj-Sur上进行了实验评估,分别取得了21.93%和4.77%的识别率提升,证明了该方法在解决域适应问题上是有效的。