基于全局与局部特征融合的人脸识别方法

针对现有预处理算法存在的缺陷及单一人脸特征在识别中的局限性,本文在基于双眼独立动态阈值的人脸预处理方法的基础上,研究全局特征PCA、2DPCA与局部特征LBP、Gabor,分析对比这几种特征的识别效果及适用情况;根据对这几种特征的研究分析,采用特征融合的方式对PCA和LBP特征进行融合;实验结果验证了在ORL库和ESSEX库上采用决策级融合的识别率优于特征级融合及单一特征的识别率。      

基于ULBP特征子空间的2DLDA人脸识别方法

将图像层次化分割并提取各个图像子块的均匀模式的局部二值模式(ULBP)直方图特征,在考虑到全局及局部特征的同时,将处理空间从灰度空间投影到ULBP特征子空间,有效消除行向量之间的相关性,从而使应用行二维线性鉴别分析处理得到的鉴别投影矩阵性能更优.在ORL、YALE及FERET人脸库上与基于二维线性鉴别分析的方法及基于多级局部二值模式的方法对比,结果显示文中方法维数更低,识别率更高,从而验证文中方法的有效性.     

融合全局与局部特征的贝叶斯人脸识别方法

针对人脸识别特征提取阶段中的数据降维方法往往难以兼顾保持全局与局部特征信息的问题，以及匹配识别阶段贝叶斯分类器中小样本问题，提出了一种融合全局与局部特征的贝叶斯人脸识别方法。该方法通过核主元分析提取出人脸数据的全局非线性特征，并在此基础上通过正交化局部敏感判别分析挖掘出人脸数据的局部流形结构信息，以达到提取出具有高判别力低维本质人脸特征的目的；采用一种最大信息量协方差选择的方法，来对协方差矩阵进行估算，以解决贝叶斯分类器设计中的小样本问题。在ORL、AR、 YALE、FLW人脸库上设计实验来进行验证。结果表明，提出的特征提取算法以及对贝叶斯分类器的改进取得了比较好的效果，通过对这两个阶段的优化，可以显著提升人脸识别的效果。     

多特征局部与全局融合的人脸识别方法

提出一种在分数层上对全局和局部特征进行融合的人脸识别方法。全局特征由不同局部描述算子对整幅人脸图像进行运算产生,局部特征按空间位置的不同划分由直接抽取全局特征的子集构成。根据实际应用中对人脸识别系统速度和精度的不同要求,给出2种融合策略组合全局和局部特征。在FRGC v2.0大规模人脸库上的实验结果表明,该方法在增加少量运算的条件下能使系统性能明显提升。     

一种基于LBP特征与流形知识的人脸识别方法

人脸识别是计算机视觉领域的研究热点,应用背景广泛。近年来,流形被认为是视觉感知的基础,流形学习算法被用来发现图像的内在特征。如何利用流形学习后的低维内蕴变量成为相关研究的核心问题。但是利用传统的流形学习算法降维得到的人脸低维特征在可分性上存在一定的不足。此外,流形学习算法对光照和姿态变化敏感。针对这两个问题,提出了一种基于局部二值模式（LBP）和流形知识的人脸识别方法。该方法首先利用LBP算子对人脸图像进行局部特征描述,然后使用流形学习算法获得高维特征数据的低维内蕴变量,并用泰勒展开式近似该流形,获取流形知识,最后利用流形知识估计流形距离来实现人脸识别。实验证明,该方法增强了人脸识别对光照变化的鲁棒性,从而提高了识别性能。     

基于分块LBP融合特征和SVM的人脸识别算法

针对传统局部二值模式(LBP)特征提取方法在光线和人脸表情变化的情况下表现不佳、单一方法提取出的特征不能多角度表现出整张人脸的特征信息的问题,提出一种基于分块LBP融合特征和支持向量机(SVM)的人脸识别方法。先将人脸图像划分为不同的块,对每一块提取LBP特征;然后将不同分块的像素均值特征与LBP特征进行融合,用融合后的特征向量来表征人脸;最后引入SVM作为分类器对上述特征进行分类。在YALE、ORL标准人脸库以及自建人脸库上进行实验验证,实验结果表明:该方法识别准确率分别能达到95. 15%,99. 75%,96. 25%,对比实验显示,该方法优于C4. 5决策树、随机森林等传统方法。     

基于Gabor-2DLDA方法的人脸识别研究

结合Gabor小波、二维线性鉴别分析（2DLDA）的特点,提出一种人脸识别方法。算法首先对人脸图像进行Gabor小波变换,然后进行2DLDA处理,最后使用最近邻法则进行分类。使用这种方法在ORL、Yale人脸库上进行测试,结果表明,Gabor-2DLDA方法比其它传统方法具有更优的性能,而且在提高识别率的同时算法的复杂程度并没有明显增加。     

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。     

基于局部和全局特征的人脸识别方法

提出了一种将局部特征识别与全局特征识别相结合的人脸识别方法.该算法首先提取人脸的局部特征进行识别,然后提取未识别图像的全局特征进行识别.基于ORL人脸数据库的实验证明了该算法的识别性能要优于单一特征识别方法.     

基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。     

融合整体与局部特征的人脸识别算法

针对光照、表情、遮挡物等因素的影响,本文提出了一种融合整体和局部特征的人脸识别算法。首先,通过KPCA提取人脸的全局特征;然后,采用简单的图像划分方法将人脸划分成均匀小块,并用KPCA方法分别提取各块特征;最后,基于D-S证据理论的原理对整体与局部特征进行决策级融合得出最终识别结果。实验表明,该算法适应性强,识别率高。     

基于局部融合特征与分层增量树的快速人脸识别算法

传统的人脸识别模型采用离线方式进行训练,同时由于人脸特征维数较高导致算法的实时性不足。文中分别从人脸特征与分类器两方面来构建快速的人脸识别算法。首先使用 SDM(Supervised Descent Method)算法进行人脸特征点定位,提取每个人脸特征点邻域内的局部(Multi Block-Center Symmetric Local Binary Patterns,MB-CSLBP)特征,并将所有的人脸特征点邻域特征以串联的方式构成局部融合特征,即所提出的局部融合MB-CSLBP特征LFP-MB-CSLBP(Local Fusion Feature of MB-CSLBP)。将以上特征送入分层增量树HI-tree(Hierarchical Incremental tree)中进行人脸识别模型的在线训练。分层增量树是使用分层聚类算法来实现增量式学习的,因此其能够以在线的方式对识别模型进行训练,具有较高的实时性与准确性。最后在3种不同的人脸库以及摄像头采集的人脸视频上对算法的识别率与实时性进行测试。实验结果表明,相比于当前其他算法,所提算法具有较高的人脸识别率与实时性。     

融合局部gabor相位特征和全局本征脸的人脸识别算法

提出一种融合局部gabor相位特征和全局本征脸特征进行人脸识别的方法.该方法采用多个分类器的集成,首先利用gabor滤波良好的空间位置与方向选择特性,用gabor滤波器对图像进行滤波,采用局部XOR算子提取滤波图像的局部gabor相位特征,通过Fisher判别式对每个频率和方向下的相位特征进行降维,融合各个频率和方向下的分类概率,得出局部特征分类信息;然后利用本征判别式方法,得出人脸图像的全局分类信息;最后融合局部和全局分类信息进行识别.通过在三个人脸库中的实验结果显示,本文提出的方法具有很好的识别性能.     

基于局部特征分析的人脸识别方法

在传统的弹性图匹配基础上，提出一种基于局部特征分析的人脸识别算法。该方法利用人脸的先验结构和人脸图像的灰度分布知识，首先粗略地找出人脸图像的特征点，然后利用人脸弹性图对特征点的位置进行调整。最后在各个特征点处计算Gabor变化的系数，人脸相应被表示为特征点处的Gabor系数集合，对提取的特征向量用几种不同的度量距离来进行分类，并给出测试结果。实验表明，该方法优于传统的Eigenface方法，特别适用于训练图像样本较少的情况。相对于传统的弹性图匹配方法，该方法由于人脸特征点预先被估算出，而不是在整个图像上搜索，所以大大减少了计算量。     

基于全局和局部特征集成的人脸识别

提出利用一种串、并行结合的方式将全局和局部面部特征进行集成:首先利用全局特征进行粗略的匹配,然后再将全局和局部特征集成起来进行精细的确认.在该方法中,全局和局部特征分别采用傅里叶变换和Gabor小波变换进行提取.两个大规模的人脸库(FERET and FRGC v2.0)上的实验结果表明,此方法不仅可以显著提高系统的精度,而且可以提升系统的速度.     

结合整体与局部信息的人脸识别方法

提出了一种综合利用整体和局部信息进行人脸识别的新方法。在对整幅人脸图像进行PCA分析的基础上辅以了局部区域的PCA LDA分析。在ORL的400幅人脸库上对此方法进行了验证,结果证明此方法是有效可行的,最优的识别率达到了97％,比仅利用完整图像的人脸识别方法有了不同程度的提高。