基于彩色人脸图像的信息融合与识别方法

图像的彩色信息进行图像识别并有效地降低因利用颜色信息所带来的计算量大幅增加问题,提出了一种基于彩色图像的监督近邻保留嵌套的人脸识别方法,通过对图像的彩色信息进行信息融合并利用监督近邻保留嵌套算法来提高人脸识别的效率。首先,采用Gabor变换分别对彩色图像的每个彩色分量图提取Gabor特征;然后采用典型相关分析对所提取的Gabor特征进行特征融合,并采用监督近邻保留嵌套算法对高维彩色图像特征进行降维;最后,采用最近邻分类器对图像进行分类。实验基于XM2VTS和FRAV2D彩色人脸数据库,采用主成分分析、线性判别分析以及监督近邻保留嵌套对基于灰度图像的Gabor特征和基于彩色信息融合的Gabor特征进行降维,其结果说明多信通彩色图像融合技术与监督近邻保留嵌套结合的方法可以显著提高识别系统性能。     

基于局部中频Gabor滤波器组的人脸识别

针对传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,提出一种利用局部Gabor滤波器组进行人脸图像中频特征提取的方法.选择中频带的Gabor滤波器构造局部中频Gabor滤波器组;提取局部Gabor中频特征;采用线性判别分析法(linear discriminate analysis,LDA)进一步提取Fisher特征,得到图像的Gabor+ Fisher特征,利用最近邻法进行人脸图像识别.基于ORL和AR人脸库的实验结果表明,基于此局部Gabor滤波器组的人脸识别方法较传统的Gabor特征提取方法降低了40％的特征维数,加快了特征提取速度,提高了人脸识别率.     

动态视频人脸考勤方法研究与实现

研究并实现了利用Gabor滤波器和Fisher线性鉴别分析(FLDA)方法的动态人脸识别考勤系统.系统实现的基本思想是运用Gabor变换提取人脸的局部特征和经过Gabor处理后使得人脸对光照变化不敏感;进一步利用FLDA来降维和隐含地提取最有利于分类的最佳鉴别特征;最后将视频采集的考勤图像与训练库中的图像通过比对,得出识别结果.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

基于能量的自适应局部Gabor特征提取的人脸识别

为了解决传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,从不同方向、不同尺度以及全局角度按照能量大小构建了3种不同的局部Gabor滤波器组用来提取人脸特征。首先,分析数据库中部分图像Gabor变换后的图像能量,从不同角度选出能量较大的图像构建对应的局部Gabor滤波器组; 其次,根据所选滤波器组提取局部Gabor特征; 然后,采用线性判别分析(LDA)法进一步提取Fisher特征; 最后,利用最近邻法识别人脸图像。基于ORL人脸库和YALE人脸库的实验结果表明提出的人脸识别方法降低了人脸图像的特征维数,缩短了特征提取的时间,有效地提高了人脸识别率。     

结合Gabor特征和自适应加权Fisher准则的人脸识别

在基于Fisher准则的字典学习算法中,初始字典的选取和目标函数的构建,严重影响字典学习的效果。为了减少初始字典的影响,提高算法的表达和判别能力。提出了一种结合Gabor特征和自适应加权Fisher准则的人脸识别算法。该算法首先采用Gabor滤波器提取人脸特征,将提取到的Gabor人脸特征作为人脸训练集;通过添加遗忘函数和根据样本间的距离对训练样本自适应加权,改进Fisher准则字典学习算法;利用测试样本编码系数的误差进行识别。在人脸库上的实验表明,算法不仅能很好地提取图像的特征信息,而且可以有效地提高人脸识别率。     

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。     

ASM与彩色Labor特征相结合的人脸关键特征点提取

提出一种ASM(active shape Model)与彩色Gabor特征相结合的提取人脸关键特征点的方法。该方法首先通过瞳孔的精确定位来辅助完成人脸形状模型的初始化;然后采取全局特征与局部特征相结合的方法来共同实现对特征点的定位;最后选取人脸图像中的关键特征点的特征信息,结合彩色Gabor特征进行提取,进而快速准确地得到人脸关键特征点。实验表明,与传统的ASM算法比较,加入了彩色信息的改进算法对特征点定位有显著的提高。     

基于Gabor滤波特征和支持向量机的人脸检测

人脸检测是人脸识别与图像及视频检索的一项重要任务。论文提出了一种基于Gabor滤波特征和支持向量机的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器。最后应用SVM分类检测人脸。实验结果证明该方法行是十分有效的。     

基于皮肤纹理特征的高分辨率人脸图像识别

提出一种基于皮肤纹理特征的高分辨人脸图像识别算法。通过人脸轮廓提取人脸的皮肤纹理特征点,利用Gabor滤波器提取人脸关键区域的皮肤纹理特征,根据纹理区域相关性进行特征匹配。在FRGC v2.0数据库上的实验结果表明,当认假率为0.1%时,该算法的认证率可达97.8%,且使用高分辨率人脸图像可提高人脸识别的性能。     

基于四元数Gabor滤波的彩色纹理特征提取

现有的彩色图像纹理特征提取方法是将彩色图像转换为灰度图像或者对彩色图像进行分通道处理,这样的处理方法会丢失原图像的颜色信息和各通道间的相关性,导致特征图像的纹理特征和原图像的纹理特征差异较大。基于上述问题,提出了一种四元数Gabor彩色纹理特征提取方法。首先,根据Gabor滤波和四元数欧拉公式,推导出四元数Gabor滤波,并将彩色图像用四元数矩阵表达;其次提出四元数Gabor滤波卷积算法处理彩色图像,得到多尺度多方向的彩色纹理特征图像;最后对得到的彩色纹理特征图像进行Tamura统计特征的提取。实验结果表明,该方法可以很大程度地保留原图像的粗糙度、对比度和方向度等纹理特征,同时可以提取到原图像的颜色信息。在转化为灰度图像后,该方法在保留粗糙度、对比度和方向度等纹理特征方面优于传统Gabor方法和LBP方法。     

融合Gabor小波和贝叶斯的人脸识别算法

由于Gabor小波和贝叶斯方法都可以通过不同的机制来减少类内差异,提出了融合Gabor和贝叶斯的人脸识别方法。该方法首先通过人脸图像特征点与Gabor滤波器的卷积来提取特征,借鉴“作差法”形成“类内差”和“类间差”空间,并用2DPCA对差异空间进行降维,最后用贝叶斯方法进行分类。通过在AR和FERET人脸库上的实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率,对具有表情及光照变化的人脸具有较高的识别率。     

四元数小波和AdaBoost在人脸识别中的应用

提出一种基于四元数小波变换（QWT）幅值相位表示及AdaBoost的人脸识别方法。四元数小波变换具有近似的移不变特性,可以同时支持1个幅值和3个相位,其中两个相位编码局部图像移动,而第三个相位蕴含纹理信息。方法对人脸图像进行预处理,进行四元数小波变换并计算四元数幅值和相位特征,将这些幅值和相位组合并应用AdaBoost分类器进行分类,以实现人脸图像的最终识别。对Yale、ORL和FERET三个人脸数据库应用此方法的实验结果表明,该方法在识别率上优于AdaBoost和Gabor+AdaBoost。特别是在FERET数据上精度提高更为明显,而且在计算复杂度上QWT特征提取明显低于Gabor特征提取。     

Multi-resolution feature fusion for face recognition

For face recognition, image features are first extracted and then matched to those features in a gallery set. The amount of information and the effectiveness of the features used will determine the recognition performance. In this paper, we propose a novel face recognition approach using information about face images at higher and lower resolutions so as to enhance the information content of the features that are extracted and combined at different resolutions. As the features from different resolutions should closely correlate with each other, we employ the cascaded generalized canonical correlation analysis (GCCA) to fuse the information to form a single feature vector for face recognition. To improve the performance and efficiency, we also employ “Gabor-feature hallucination”, which predicts the high-resolution (HR) Gabor features from the Gabor features of a face image directly by local linear regression. We also extend the algorithm to low-resolution (LR) face recognition, in which the medium-resolution (MR) and HR Gabor features of a LR input image are estimated directly. The LR Gabor features and the predicted MR and HR Gabor features are then fused using GCCA for LR face recognition. Our algorithm can avoid having to perform the interpolation/super-resolution of face images and having to extract HR Gabor features. Experimental results show that the proposed methods have a superior recognition rate and are more efficient than traditional methods.     

Quaternion Based Maximum Margin Criterion Method for Color Face Recognition

Color is one of the basic features of images, which can provide very useful information and play an important role in face recognition. By using the quaternion matrix representation, the R, G, B information of each pixel is not destroyed and it can be taken as a organic body. Therefore, this paper proposes a quaternion based maximum margin criterion (QMMC) algorithm. Firstly, the quaternion number is used to denote the pixel of the color image, and a quaternion vector is taken to represent the color image. Secondly, the maximum margin criterion algorithm is used to project the quaternion vector in the high-dimension space into a low-dimension space. Finally, the nearest neighbor classification are taken for classification recognition. Numerous experiments show that the proposed QMMC can achieve better recognition performance.     

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.     

四元数矩阵正交特征向量系的求解方法及其在彩色人脸识别中的应用

针对四元数矩阵正交特征矢量系求解困难的缺点, 本文提出一种获取四元数矩阵正交特征矢量集等效、便捷的方法, 其基本思路为: 首先, 构造四元数矩阵定义于复数域的导出阵, 并利用该导出阵特征矢量空间的一种特殊的等价空间间接获取相应特征值所对应的特征矢量. 然后, 将复数矢量转换为四元数矢量, 按如此方式获取的对应所有特征值的非零特征矢量则构成原始四元数矩阵的正交特征矢量系. 同时, 本文将定义于实数域的主成分分析方法 (Principal component algorithm, PCA) 向四元数体作合理的推广, 给出详细的数学推导过程, 证明该方法的合理性及其在统计模式识别领域得以应用的可能性. 最后, 作者将彩色图像像素的R、G、B三分量作为四元数的三个虚数部分, 首次在人脸识别中引入基于四元数的彩色人脸识别方法. 较传统的基于灰度图像的识别方法, 本文方法不仅利用了人脸图像灰度值的空间分布信息, 而且充分利用不同人脸之间的色彩差异, 从而得到更多的鉴别信息.在四川大学人工智能研究所的彩色人脸库上进行的实验表明, 所提出的基于四元数的识别方法不仅大幅度提高了识别率, 而且具有较高的鲁棒性.     

Recognizing Human Emotional State From Audiovisual Signals

Machine recognition of human emotional state is an important component for efficient human-computer interaction. The majority of existing works address this problem by utilizing audio signals alone, or visual information only. In this paper, we explore a systematic approach for recognition of human emotional state from audiovisual signals. The audio characteristics of emotional speech are represented by the extracted prosodic, Mel-frequency Cepstral Coefficient (MFCC), and formant frequency features. A face detection scheme based on HSV color model is used to detect the face from the background. The visual information is represented by Gabor wavelet features. We perform feature selection by using a stepwise method based on Mahalanobis distance. The selected audiovisual features are used to classify the data into their corresponding emotions. Based on a comparative study of different classification algorithms and specific characteristics of individual emotion, a novel multiclassifier scheme is proposed to boost the recognition performance. The feasibility of the proposed system is tested over a database that incorporates human subjects from different languages and cultural backgrounds. Experimental results demonstrate the effectiveness of the proposed system. The multiclassifier scheme achieves the best overall recognition rate of 82.14%.     

Adaptive Matrices and Filters for Color Texture Classification

In this paper we introduce an integrative approach towards color texture classification and recognition using a supervised learning framework. Our approach is based on Generalized Learning Vector Quantization (GLVQ), extended by an adaptive distance measure, which is defined in the Fourier domain, and adaptive filter kernels based on Gabor filters. We evaluate the proposed technique on two sets of color texture images and compare results with those other methods achieve. The features and filter kernels learned by GLVQ improve classification accuracy and they are able to generalize much better for data previously unknown to the system.