基于Gabor变换和变精度粗糙集的人脸识别

针对主成分分析（PCA）方法在特征提取和降维方面的不足,提出一种基于变精度粗糙集的人脸Gabor特征筛选方法。首先提取人脸图像Gabor特征向量,经2DPCA方法处理后用粗糙集对其进行最佳特征选择。然后训练最近邻分类器进行分类识别。在ORL人脸库上验证了该方法的有效性。实验结果显示,该方法的分类能力优于PCA和Gabor_PCA等方法。     

基于Gabor小波和二维主元分析的人脸识别

论文提出了一种基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法。该方法首先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后,用2DPCA对所得的人脸图像特征进行降维,并采用最近邻法进行分类;最后,利用AT&T人脸库,对基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法和基于Gabor小波和PCA的人脸识别方法进行了仿真比较实验。仿真实验表明,基于Gabor小波和2DPCA的人脸识别方法具有较好的识别性能。     

基于纠错输出编码的人脸表情识别

多分类问题一直是模式识别领域的一个热点,提出了一种基于纠错输出编码和支持向量机的多分类器算法。根据通信编码理论设计纠错输出编码矩阵;按照该编码矩阵设计若干个互不相关的子支持向量机,根据编码原理将它们融合为一个多分类器。为了验证本分类器的有效性,采用Gabor小波提取人脸表情特征,应用二元主成分（2DPCA）分析法对提取的特征进行降维处理,应用该分类器进行了人脸表情的识别。实验结果表明,提出的方法能有效提高人脸表情的识别率,并具有极好的鲁棒性。     

基于Gab6r小波和2DPCA-2DLDA的人脸识别研究

结合Gabor小波、二维主成分分析和二维线性判别分析的特点,提出一种人脸特征提取方法。算法首先对人脸图像进行Gabor小波变换,然后进行2DPCA特征提取,提取特征脸,最后进行2DLDA处理．用支持向量机作为分类器。使用这种方法在ORL、Yale人脸库进行测试结果表明,计算复杂度得到减少的同时识别率也得到提高。     

基于分块2DPCA的人脸识别方法

为进一步提高分块二维主成分分析(2DPCA)算法在人脸识别的识别率,提出一种人脸识别算法.将训练样本人脸矩阵按光照等相似条件进行分块并进行类内平均归一化;采用2DPCA算法构造特征空间,将分块矩阵在特征空间中进行投影得到训练样本识别特征,利用支持向量机(SVM)在分类上的优势,对训练样本识别特征和经过归一化分块2DPCA的测试样本识别特征进行分类,对人脸图像进行识别.选取ORL人脸数据库的图片进行实验,将该算法与传统2DPCA、2DPCA+SVM等算法进行比较,验证了该算法的性能优于其它算法.     

基于Gabor特征的快速贝叶斯人脸识别

对贝叶斯分类中两种计算相似度的公式进行简化,设计了基于Gabor特征的快速贝叶斯人脸识别方法.首先对人脸图像进行Gabor小波变换,把同一个人的Gabor特征与本人的类内Gabor均值图像之差作为类内差异图像,对类内差异图像进行小波分解取其低频图像;然后采用2DPCA方法建立类内特征子空间.对测试图像进行Gabor特征提取,并与目标图像的类内均值Gabor特征作差形成差异图像,对差异图像进行小波分解,提取低频子图信息投影到类内特征子空间,利用简化的贝叶斯准则进行分类.实验结果表明,该方法降低了算法复杂度,提高了识别率,并对光照和表情变化具有较强的鲁棒性.     

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。     

基于双向统计量的Gabor特征描述和SVM的人脸识别

提出了一种新的Gabor特征描述人脸识别方法--双向统计量.首先对人脸图像进行Gabor小波变换,再用双向统计量的方法对Gabor特征进行描述.因为得到的Gabor特征维数较高,再用主成分分析(PCA)方法降维,最后通过支持向量机(SVM)分类器对人脸图像进行分类识别.在ORL人脸库上的实验结果对比表明,基于双向统计量...     

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。     

基于环形对称Gabor变换和2DPCA的人脸识别算法

与传统Gabor小波变换相比,环形对称Gabor变换（CSGT）具有信息冗余度低和严格的旋转不变性的优点。提出了一种基于环形对称Gabor变换与2DPCA的人脸识别新算法,首先将所有人脸图像都变换到环形对称Gabor变换域,然后按照两种融合方案将不同尺度的特征融合到一起,最后采用2DPCA方法进行特征提取和分类。在ORL人脸数据库上进行仿真实验并与传统的2DPCA、GT+2DPCA等方法做了对比,实验结果表明提出的算法不但取得了更好的识别效果,而且提高了识别速度。     

基于Gabor不确定度的嵌入式人脸识别系统

多尺度Gabor特征的维数和数据量过大,不适合在ARM板上直接实现完成。利用计算每个尺度Gabor特征不确定度并采用加权融合的方法,很好地解决了图像维数和数据量过大的难点。加权融合过程包括多尺度Gabor特征的提取、不确定度权值的计算和加权融合过程;同时使用了类Haar特征提取人脸、利用二维主成分分析(2DPCA)对人脸图像进行降维。基于EELiod 270嵌入式开发平台,使用ORL和Yale图像库对该方法进行了测试,并与其他人脸识别算法进行比较。结果显示,在保证识别率的同时,算法运算量大幅度下降,且实时识别效果良好。     

Gabor特征融合的嵌入式人脸识别系统的研究

在嵌入式人脸识别系统中,由于多尺度Gabor抽取特征的维数和数据量过大,不适合在ARM板上实现,提出了多尺度Gabor特征加权融合的方法,很好地解决了图像维数和数据量过大的难点。加权融合过程包括多尺度Gabor特征的提取、特征权值的计算和加权融合过程。同时使用了类Haar特征提取人脸、2DPCA对人脸图像进行降维。基于EELiod 270嵌入式开发平台实现了一个嵌入式系统,结合典型图片库和实际图片进行了人脸识别测试,实践结果表明,系统在保证一定的识别率的同时,大幅度降低了运行时间,实时识别效果良好。     

Face recognition using Gabor-based direct linear discriminant analysis and support vector machine

This paper presents a novel and uniform framework for face recognition. This framework is based on a combination of Gabor wavelets, direct linear discriminant analysis (DLDA) and support vector machine (SVM). First, feature vectors are extracted from raw face images using Gabor wavelets. These Gabor-based features are robust against local distortions caused by the variance of illumination, expression and pose. Next, the extracted feature vectors are projected to a low-dimensional subspace using DLDA technique. The Gabor-based DLDA feature vectors are then applied to SVM classifier. A new kernel function for SVM called hyperhemispherically normalized polynomial (HNP) is also proposed in this paper and its validity on the improvement of classification accuracy is theoretically proved and experimentally tested for face recognition. The proposed algorithm was evaluated using the FERET database. Experimental results show that the proposed face recognition system outperforms other related approaches in terms of recognition rate.     

基于改进灰狼算法优化支持向量机的人脸识别

针对二维主成分分析法(2DPCA)与主成分分析法(PCA)相结合提取人脸特征时效率不高的问题,提出一种2DPCA和快速PCA结合与改进灰狼算法(EGWO)共同优化支持向量机的人脸识别方法。该方法在特征提取方面运用2DPCA与快速PCA相结合,以减少提取特征的维数和提取时间,从而缩短了SVM所需的识别时间。为了提高灰狼算法的全局搜索能力,引用精英反向学习策略初始化种群个体,有效增强GWO的勘探和开采能力,再将其使用到SVM中,迭代获取最佳核参数和惩戒参数,将训练得到的最终分类器应用于人脸识别中。通过6个基准测试函数与GWO和反向学习灰狼算法(OGWO)进行性能比较,改进灰狼算法的收敛精度和收敛速度更优;经ORL和Yale中的人脸图像实验,证明了改进算法相对于GWO、粒子群算法(PSO)和差分进化算法(DE)结合SVM模型的识别结果更佳且稳定性更强。     

基于Gabor定向模式的人脸识别方法

为了从Gabor滤波后的幅值图中提取更加有效的分类特征,提出了一种新的基于Gabor定向模式（GDP）的人脸识别方法。首先对人脸图像进行多尺度多方向的Gabor滤波,然后提出了一种新的GDP算子通过对每种尺度下所有方向的Gabor幅度图进行编码得到每种尺度对应的GDP模式图,最后将所有GDP模式图的直方图向量串联作为最终的人脸表示。由于GDP算子同时对同一尺度下的所有方向上的Gabor幅度响应进行编码,因而GDP特征不仅对外界变化具有较好的鲁棒性,而且能够显著降低最终的特征长度。在ORL和CAS-PEAL人脸库上的实验结果显示GDP方法能以更小的特征长度获得优于传统LGBP及LGXP等方法的识别效果,证明了方法的有效性。     

Hierarchical fusion of multi-spectral face images for improved recognition performance

This paper presents a two level hierarchical fusion of face images captured under visible and infrared light spectrum to improve the performance of face recognition. At image level fusion, two face images from different spectrums are fused using DWT based fusion algorithm. At feature level fusion, the amplitude and phase features are extracted from the fused image using 2D log polar Gabor wavelet. An adaptive SVM learning algorithm intelligently selects either the amplitude or phase features to generate a fused feature set for improved face recognition. The recognition performance is observed under the worst case scenario of using single training images. Experimental results on Equinox face database show that the combination of visible light and short-wave IR spectrum face images yielded the best recognition performance with an equal error rate of 2.86%. The proposed image-feature fusion algorithm also performed better than existing fusion algorithms.     

基于虚拟图像的单样本人脸识别方法

针对单训练样本情况下的人脸识别问题,提出一种基于虚拟图像的人脸识别方法。为给定的训练图像增加虚拟图像,以增强单训练样本的分类信息,对其进行离散小波变换,并将变换的低频子带图像作为人脸识别特征,利用二维主成分分析法分析“低频脸”。实验结果表明,该方法能过滤因表情变化和少量遮掩而带来的高频信息,提高识别率。