有监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法

针对训练样本和测试样本均存在光照及遮挡时,破坏图像低秩结构问题,本文提出基于监督低秩子空间恢复的正则鲁棒稀疏表示人脸识别算法。首先,将所有训练样本构造成矩阵D,对矩阵D进行监督低秩矩阵分解,分解为低秩类相关结构A,低秩类内差异结构B和稀疏误差结构E;然后用主成分分析方法找到类相关结构A低秩子空间的变换矩阵;再通过变换矩阵将训练样本和测试样本投影到低秩子空间;最后,在低秩子空间中,通过正则鲁棒稀疏编码进行加权分类识别。在AR和Extended Yale B公开人脸数据库上的实验结果验证本文算法的有效性及鲁棒性。      

基于低秩特征脸与协同表示的人脸识别算法

在人脸识别中,人脸图像往往受到表情、光照、遮挡、姿态变化的影响,对此本文提出一种基于低秩特征脸与协同表示的人脸识别算法。该算法先用低秩矩阵恢复算法分解出训练样本图像的误差图像,再分别对训练样本与误差图像提取特征构造特征字典,计算测试样本图像特征字典下的协同表示系数,最后通过重构误差进行分类。通过AR和ORL人脸库进行实验,结果表明,本文提出的人脸识别算法的识别率、识别速率得到有效提高。     

基于低秩子空间恢复的联合稀疏表示人脸识别算法

 针对阴影、反光及遮挡等原因破坏图像低秩结构这一问题,提出基于低秩子空间恢复的联合稀疏表示识别算法.首先将每个个体的所有训练样本图像看作矩阵 D ,将矩阵 D 分解为低秩矩阵 A 和稀疏误差矩阵 E ,其中 A 表示某类个体的'干净’人脸,严格遵循子空间结构, E 表示由阴影、反光、遮挡等引起的误差项,这些误差项破坏了人脸图像的低秩结构.然后用低秩矩阵 A 和误差矩阵 E 构造训练字典,将测试样本表示为低秩矩阵 A 和误差矩阵 E 的联合稀疏线性组合,利用这两部分的稀疏逼近计算残差,进行分类判别.实验证明该稀疏表示识别算法有效,识别精度得到了有效提高.     

基于类内稀疏表示的人脸识别

在学习与分析了当前热门的基于稀疏表示的人脸识别方法后,本文提出了一种改进方法——基于类内稀疏表示的人脸识别方法,并采用双重阈值来排除库外人脸的情况,在有效地排除库外人脸的同时达到了较高的识别正确率。     

基于多尺度训练库与多特征融合的人脸识别

针对光照差异、表情变化、遮挡等因素造成人脸识别率低的问题,提出一种基于多尺度训练库和加权特征的鲁棒性人脸识别算法。首先根据不同大小的图片具有不同信息量的特点定义并建立多尺度训练库,然后采用RPCA方法对人脸图像进行分解,之后进行HMLBP特征和Eigenface特征提取,最后引入一个权重因子将两种特征进行加权融合,并采用基于稀疏表达的方法对人脸图像进行识别。实验结果表明,相比其他人脸识别算法,本文提出的算法对标准人脸库保持较高识别率,最高可达99%,同时对遮挡人脸库也具有较好的识别效果,鲁棒性较高。     

Gabor字典及l0范数快速稀疏表示的人脸识别算法

针对光照、遮挡、伪装情况下,识别率比较低,识别时间长的问题,本文提出了基于Gabor字典及l0范数快速稀疏表示的人脸识别算法。Gabor小波提取的特征能够克服遮挡、光照等干扰对人脸识别的影响,平滑l0算法通过平滑连续函数来近似 l0范数,只需较少测量值并且较快速度便能重构稀疏信号。本算法通过提取人脸的Gabor特征、主成分分析法（PCA）降低维度,l0范数快速稀疏分类完成识别。在伪装人脸情况下,分块计算Gabor人脸特征,提高Gabor字典的形成速度。基于AR人脸数据库的实验结果表明,本算法可在一定程度上提高识别速度和识别时间,即使在小样本情况下,依然具有较高的识别率。      

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

基于低秩分解的联合动态稀疏表示多观测样本分类算法

通过互联网易获得同一对象的多个无约束的观测样本,针对如何解决无约束观测样本带来的识别困难及充分利用多观测样本数据信息提高其分类性能问题,提出基于低秩分解的联合动态稀疏表示多观测样本分类算法.该算法首先寻找到一组最佳的图像变换域,使得变换图像可以分解成一个低秩矩阵和一个相关的稀疏误差矩阵;然后对低秩矩阵和稀疏误差矩阵分别进行联合动态稀疏表示,以便充分利用类级的相关性和原子级的差异性,即使多观测样本的稀疏表示向量在类级别上分享相同的稀疏模型,而在原子级上采用不同的稀疏模型;最后利用总的稀疏重建误差进行类别判决.在CMU-PIE人脸数据库、ETH-80物体识别数据库、USPS手写体数字数据库和UMIST人脸数据库上进行对比实验,实验结果表明本方法的优越性.     

一种改进的基于主成分分析的人脸识别技术

人脸识别的研究内容主要包括人脸特征提取和识别两部分。文章基于传统的PCA(主成分分析)人脸识别原理及优缺点,采用KPCA(核主成分分析)实现人脸识别的改进。该算法通过非线性映射,把原始图像数据变换到特征空间,再利用PCA实现人脸识别。在MATLAB环境下,进行基于ORL(Olivetti研究实验室)人脸库的实验仿真,KPCA能较好地提取非线性成分,其识别性能优于传统的PCA方法。     

基于压缩感知的人脸识别算法实现

为了可以更好地处理人脸识别中数据量大、高维度、非线性等问题,文中提出了一种基于压缩感知的人脸识别算法。首先采用随机测量矩阵将人脸稀疏表示,其次使用主成分分析法对人脸进行特征提取,最后运用改进的梯度投影法来确定测试人脸图像的分类。实验在ORL人脸数据库中进行验证,表明本文提出的算法具有更短的识别时间和更高的识别率。     

基于DCT和稀疏表示的人脸识别

文章叙述了离散余弦变换的原理以及稀疏表示用于人脸识别的原理,并提出了一种基于DCT(离散余弦变换)和稀疏表示的人脸识别算法。该算法对人脸图像采用离散余弦变换,并截取左上角部分,按列优先组成特征向量,然后用稀疏表示的方法来进行识别。在ORL人脸库上的验证表明本文所提出的识别方法,具有训练样本运算时间短、识别率高的优点。     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

光照健壮人脸识别的低秩相对梯度直方图特征

为了进一步提升人脸梯度特征的光照健壮性,本文结合低秩分解能有效分离图像本质特征和噪声的特性,提出了一种光照健壮的低秩相对梯度直方图特征提取方法。首先,通过对人脸图像进行相对梯度运算获得了图像的相对梯度幅值图像和各像素的梯度方向信息。然后,为了去除相对梯度图像中由于非均匀光照而引入的光照边缘误差,利用低秩分解将相对梯度图像分解为低秩分量和稀疏噪声分量之和。最后,结合人脸图像的梯度方向信息对相对梯度图像的低秩分量进行离散化、滤波和局部二值模式编码形成了人脸的低秩相对梯度直方图特征。在经典的FE-RET子集以及具有代表性的YaleB和PIE光照子集上的实验显示：低秩相对梯度直方图特征的人脸识别性能显著优于相对梯度直方图特征、方向梯度幅值模式特征和图像低秩特征等方法的性能;在YaleB子集上,低秩相对梯度直方图特征的人脸识别精度比相对梯度直方图特征的人脸识别精度高至少4％。实验结果证明,低秩相对梯度直方图特征对光照变化,尤其是非均匀光照变化的人脸识别具有很强的健壮性。     

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

基于多特征联合稀疏表示的人脸识别方法

针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。三种特征从线性、非线性以及非负表示三种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对三种特征进行综合决策,考察它们的内在关联。最后,基于三种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。     

一种改进的稀疏表示人脸算法

为进一步有效提升稀疏表示人脸识别系统的识别率和可靠性,在分析人脸图像稀疏表示系数分类能力的基础上,提出了一种快速正交匹配追踪的脸识别新方法。快速正交匹配追踪算法通过在基本的正交匹配追踪算法中对冗余字典采用Cholesky分解,提高了算法的整体效率。     

改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。     

DWT和Fast PCA与SVM在人脸识别技术中的应用

采用结合小波变换和改进的Fast PCA算法进行特征提取。人脸识别算法在特征提取阶段,采用离散小波分解和快速主成分分析法相结合的算法进行特征提取;在分类阶段,采用基于改进的二叉树算法的支持向量机进行分类。最后给出人脸识别系统的系统原型。通过在MATLAB 7.10.0(R2010a)软件上对ORL人脸库进行仿真训练测试,验证了本系统算法不仅在识别率上有所提高,而且相对于其他算法具有较快的识别速度。     

结合潜在低秩分解和稀疏表示的脑部图像融合

针对低秩分解和稀疏表示(space representation,SR) 造成融合图像信息缺失的问题,提出一种结合潜在低秩分解和SR的脑部图像融合算法。首先,将源图像分解为低秩、稀疏和噪声3种成分,面对不同分解成分特性间的差异,分别构造低秩字典和稀疏字典进行描述:采用加权灰度值的方法处理低秩成分,以保持其轮廓和亮度特征;对于稀疏成分,设计一种多范数加权度量的方法对SR进行改进,以保持其高维信息,剔除噪声成分。比对当前主流的5种算法,在视觉效果和客观指标上,本文方法效果最优。