基于局部特征融合的人脸识别研究

针对传统的全局统计特征实现的人脸识别方法在实际应用中存在的诸多不足,本论文从局部特征角度入手探讨了人脸识别方法。首先简要分析了基于信息融合的人脸识别研究现状,在此基础上分析了基于信息融合的Gabor特征描述子基本原理,构建了基于Gabor描述子的多维局部特征融合算子,并给出了算法的具体实现方法。     

一种新颖的基于Gabor-LDA的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,提出了一种基于Gabor小波和最佳鉴别分析LDA的人脸识别方法。该方法充分利用了LDA得到的鉴别向量,用鉴别向量组成线性变换矩阵,直接从原始的强度图像上提取LDA特征。然后,用鉴别向量选择一些鉴别像素,仅在鉴别像素的位置上提取Gabor特征并对Gabor特征作LDA变换得到另一种LDA特征。它们分别可视为全局特征和局部特征。最后的分类器融合这两类特征。在FERET人脸库上的试验表明了该方法的有效性。     

基于局部特征融合的人脸识别

提出了基于局部特征融合的人脸识别算法.首先把人脸图像分割为多个子图像,利用传统主成分分析的方法,对不同位置的子图像集分别建立不同的子空间并且抽取相应的局部特征.针对各局部特征,分别求出待识别图像对训练样本的隶属度.最后,基于模糊综合的原理对各局部特征进行数据融合,给出最终识别结果.实验结果表明,该算法能很好地融合人脸的局部信息,有效提高识别率.     

基于两空间线性鉴别分析的小样本人脸识别

指出了线性鉴别分析及其几种改进方法在处理小样本人脸识别问题时存在的不足,提出了一种基于两空间线性鉴别分析的小样本人脸识别方法.首先将样本投影到总体散布矩阵的非零空间中进行分析;进而将类内散布矩阵分成零空间和非零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类.实验结果表明,在进行小样本的人脸识别时,该方法的识别效果优于其他线性方法.     

基于局部Gabor相位特征融合的人脸识别

本文提出了一种提取人脸图像的局部Gabor相位特征,结合Fisher线性判别式,通过特征融合进行人脸识别的方法.该方法首先利用Gabor滤波良好的空间位置与方向选择特性,采用四个频率六个方向的Gabor滤波器对图像进行滤波,然后根据Daugman方法采用局部XOR算子提取滤波图像的局部Gabor相位特征,组成特征图像,最后通过Fisher判别式对每个频率和方向下的特征图像进行降维,融合降维后的特征,采用最近邻分类器进行识别.该方法通过在两个数据库中的实验,证明了较主成分分析法,Fisher线性判别式方法以及Gabor幅值特征融合识别方法更好的识别性能.     

基于张量线性鉴别分析的人脸识别算法

人脸识别现已成为当前模式识别和人工智能领域的一个研究热点。在线性鉴别分析(LDA)方法的基础上,结合张量知识,提出一种基于张量子空间的LDA人脸识别算法。该算法的核心思想是:首先构造关于遮挡物、角度和表情的三阶人脸张量,根据LDA的Fisher准则,利用迭代方法得出张量的最佳投影矩阵,再构造分类器,判定张量所属的类。该算法有较高的识别率,能够应用于多姿态的人脸识别。     

基于图像特征融合与决策融合的多模式人脸识别方法

利用可见光图像和红外热图像进行图像融合是多模式人脸识别领域的一个新的研究方向．分别从特征级和决策级两个层次上研究了可见光图像和红外热图像的融合问题．在特征级上,引入遗传算法进行特征的优选,实现了两种图像的特征融合;在决策级上,提出利用Dempster-Shafer证据理论来实现决策的融合,并给出了具体的融合方案．分别采集了50人的红外热图像和可见光图像,每种各10张,共1000张图片进行了实验研究．实验结果表明,无论是对两种图像进行特征级融合还是决策级的融合,融合以后最终得到的识别准确率都大大提高,对于LDA和D_LDA方法达到了100％的准确率因此,可以认为基于遗传算法的特征融合方法和基于Dempster-Shafer证据理论的决策融合方法是实现多模式人脸识别的可行方法．     

基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

基于特征融合进行活动识别的DCNN 5法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络（ CNN）不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用ImageNet16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络（ DCNN ）中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0％提高到87.4％。     

基于小波变换和SVM的人脸识别

提出了基于小波变换和支持向量机(Support Vector Machine,SVM)的人脸识别算法。该算法通过小波变换的多分辨率分析形成人脸图像的低频小波子图,然后利用主分量分析构造特征脸子空间,最后由SVM进行分类。在ORL人脸数据库上的实验结果表明该方法具有良好的性能。     

一种基于GDLPP的人脸识别算法

针对人脸识别中的特征提取问题,本文提出了一种结合Gabor小波特征和判别保局投影的人脸识别算法-GDLPP.该算法首先对人脸图像进行多分辨率的Gabor小波变换,提取样本的高阶统计信息;然后更改保局投影(LPP)的目标函数,增加样本类间散布约束,从而提取更具判别性的特征.本文采用最小近邻分类器估算识别率.在USPS数据库、Yale人脸库以及AR人脸库的测试结果表明,在姿态、光照、表情、训练样本数目变化的情况下,GDLPP都具有较好的识别率.     

采用图像融合技术的多模式人脸识别

利用图像融合技术实现了基于可见光图像和红外热图像相结合的多模式人脸识别,研究了两种图像在像素级和特征级的融合方法.在像素级,提出了基于小波分解的图像融合方法,实现了两种图像的有效融合.在特征级,采用分别提取两种识别方法中具有较好分类效果的前50%的特征进行特征级的融合.实验表明,经像素级和特征级融合后,识别准确率都较单一图像有很大程度的提高,并且特征级的融合效果明显优于像素级的融合.因此,基于图像融合技术的多模式人脸识别,有效的增加了图像的信息量,是提高人脸识别准确率的有效途径之一.     

Face Recognition Based on Gabor Feature Extraction Followed by FastICA and LDA

Over the past few decades, face recognition has become the most effective biometric technique in recognizing people’s identity, as it is widely used in many areas of our daily lives. However, it is a challenging technique since facial images vary in rotations, expressions, and illuminations. To minimize the impact of these challenges, exploiting information from various feature extraction methods is recommended since one of the most critical tasks in face recognition system is the extraction of facial features. Therefore, this paper presents a new approach to face recognition based on the fusion of Gabor-based feature extraction, Fast Independent Component Analysis (FastICA), and Linear Discriminant Analysis (LDA). In the presented method, first, face images are transformed to grayscale and resized to have a uniform size. After that, facial features are extracted from the aligned face image using Gabor, FastICA, and LDA methods. Finally, the nearest distance classifier is utilized to recognize the identity of the individuals. Here, the performance of six distance classifiers, namely Euclidean, Cosine, Bray-Curtis, Mahalanobis, Correlation, and Manhattan, are investigated. Experimental results revealed that the presented method attains a higher rank-one recognition rate compared to the recent approaches in the literature on four benchmarked face datasets: ORL, GT, FEI, and Yale. Moreover, it showed that the proposed method not only helps in better extracting the features but also in improving the overall efficiency of the facial recognition system.     

一种多频带线性鉴别分析方法

线性鉴别分析(LDA)是模式识别领域广泛使用的一种特征抽取方法,而在图像识别中,由于小样本问题,经常采用的是PCA LDA方法来代替单纯的LDA.提出了一种多频带线性鉴别分析方法(MBLDA),使LDA在完整的样本空间上进行,而且解决了小样本问题.MBLDA不仅避免了PCA过程带来的信息损失,而且提取的鉴别特征维数小,还提高了识别性能.该方法在识别精度上大幅度地超越了PCA和LDA或PCA LDA,通过对ORL,NUST603人脸库的实验验证了该算法的有效性.     

二维类内差异信息保持的人脸识别

为了使增强的Fisher鉴别准则(EFDC)避免因PCA降维带来的鉴别信息丢失问题,本文将其进行二维推广,提出基于二维类内差异信息保持(2D-IDP)的人脸识别方法,该方法建立了一个鲁棒性更强的鉴别准则,使得投影后不同类的样本点尽量远离的同时,类内紧致性和差异信息都得到有效保持,避免了过学习现象的产生.同时对EFDC近邻图中的参数t作了重新定义,使其能根据不同的输入样本自适应的变化,避免了t选择不当导致的识别性能下降的问题.在YALE和AR人脸库上的实验表明了本文方法的有效性.     

基于曲波域与核主成分分析的人脸识别

针对小波变换不能充分描述人脸曲线特征的缺点,本文提出一种基于曲波域与核主成分分析(KPCA)的人脸识别算法.采用多尺度、多方向的曲波(Curvelet)变换提取图像特征,不仅具有更高的逼近精度和更好的稀疏表达能力,而且其变换系数能有效表示沿曲线的奇异性.进一步使用核主成分分析(KPCA)将曲波特征系数投影到更具表达力的...