基于DCT与LDA的仿生人脸识别研究

针对基于DCT变换与LDA的人脸识别方法识别率低和特征提取过程中维数也低,以及基于K-L变换的仿生人脸识别方法识别率高和特征提取过程中维数也过高的问题,结合两者的优点,提出了一种基于DCT与LDA变换的仿生人脸识别的方法。通过DCT变换与LDA对训练人脸样本进行特征提取,通过核函数将提取的特征映射到高维空间,构建各类样本的覆盖区域,再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。在Yale和ORL人脸库上的实验证明提出的方法取得了较好的识别效果。     

基于血流图的小波域分块DCT + FLD红外人脸识别方法

为了从生物特征角度同时结合人脸的局部特征和整体特征提高红外人脸的识别性能,提出了一种基于血流图的小波域分块DCT+FLD(Fisher线性判别)红外人脸识别方法.首先利用血流模型把温谱图转换成血流图,然后用小波变换对人脸血流图像做两级小波分解,再对低频子带进行分块并对每个分块进行DCT变换,提取部分变换后的系数作为子块的特征值,对这些子块的特征值构成的组合特征值从整体上做Fisher线性分析,得到特征子空间,最后根据欧氏距离和三阶近邻分类器进行识别,得到最终的识别结果.实验表明,同基于传统PCA+FLD,DCT+FLD以及DWT+PCA+FLD方法相比,所提出的方法得到了更好的识别效果.     

一种DCT和ELBP融合的人脸特征提取方法

仅使用单一算法提取人脸图像的特征不足以捕捉人脸多方面的信息,为了更好地获取人脸面部特征,针对离散余弦变换（Discrete Cosine Transform,DCT）只能提取人脸面部图像的频域特征,而未考虑近邻像素之间的关系、不能提取纹理特质信息等问题进行了研究,提出一种融合DCT特征和伸长的局部二值模式（Elongated Local Binary Pattern,ELBP）的特征提取方法。该方法首先考虑将人脸图像经DCT变换后的少量低频系数作为人脸的频域特征,然后对人脸图像中贡献相对较大的眼部和嘴部区域进行ELBP特征提取,将该ELBP特征作为人脸的空域特征,并采用PCA方法对所提取的空频域特征进行有效融合,得到更有效的人脸特征,最后用最近邻分类器进行识别。在ORL人脸库和Yale人脸库上的实验结果表明：所提方法比单独采用DCT、ELBP方法或采用DCT和LBP相结合的方法提取的特征更有利于识别,提高了识别的准确性。     

基于水平镜像和决策融合的多姿态人脸识别方法

多姿态人脸识别是模式识别领域的难题之一。首先采用水平镜像方法增加训练样本,并将所有训练样本在[-90,+90]的姿态范围内划分为7个子集,利用Gabor和2DPCA方法生成7个特征子空间。识别时,提取输入图像及其水平镜像图像的特征并分别向7个特征子空间投影,根据投影距离,采用决策融合判决策略得到最终的识别结果。在三个人脸库上的实验证明,在仅选取有限的多姿态训练样本的情况下,对旋转角度介于[-90,+90]的多姿态人脸能取得较高的识别率。     

一种改进的模块PCA方法及其在人脸识别中的应用

提出了一种改进的模块PCA方法,即基于类内平均脸的分块PCA算法。该算法对每一类训练样本中每个训练样本的每一子块求类内平均脸,并用类内平均脸对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的试验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

基于改进局部方向模式特征的人脸识别算法

为了提高人脸识别率和效率,提出一种改进局部方向模式特征的人脸识别算法。首先将人脸图像分割成若干不重叠的子块,采用改进局部方向模式算法提取每个子块特征,然后对所有子块的特征进行连接,构成人脸图像的特征向量,最后采用最小二乘支持向机对人脸图像进行识别。在多个人脸库上进行仿真实验,结果表明,该算法获得了比传统算法更高的人脸识别率,而且加快了运行时间,较好地满足人脸识别实时性要求。     

基于可控金字塔子带能量特征的文种识别方法

为了更精确地描述文本图像的纹理特征进行文种识别,提出了一种利用可控金字塔对图像进行分解并提取子带系数的特征量进行文种识别的方法.通过在两个不同质量图像库上进行的对比实验,证实了基于子带能量均值和标准差的方法具有更高的识别准确率,而基于广义高斯模型的方法对文本行倾斜更具有鲁棒性.     

采用频谱脸和FLD的分量融合彩色人脸识别

为了充分利用彩色信息而又不使算法过于复杂,提出了一种对彩色人脸图像进行识别的新方法,首先基于HSV空间提取S、V分量,然后分别采用频谱脸与FLD对其进行特征提取,再以两分量的融合特征作为分类依据进行识别。选取典型特征S和V,既保留了彩色信息又降低了复杂度。频谱脸实际上就是小波概貌图像的傅里叶幅度谱,其位移不变性和旋转不变性能有效消除因为人像表情变化和少许掩膜带来的识别误差。通过对ESSEX大学彩色人脸库的识别实验,验证了该方法有很好的识别能力。     

基于小波变换和Fisher判别分析的人脸识别方法

提出了一种将小波变换和Fisher判别分析相结合的人脸识别方法.该方法先对经过预处理的标准脸像进行二级小波分解,并将第一级低频子带系数与第二级低频子带的积分投影结果一并作为该图像的一次特征;然后再对其进行Fisher判别分析得到一个低维的特征矢量,同时判别能力得到了有效增强,判别分析中采用了一种"同步对角化类间、类内散布矩阵"的策略,避免了传统FDA求解方法受类内散布矩阵Swth出现奇异的困扰.在YALE和ⅡS两个人脸数据库上进行验证,采用了简单的最近邻分类器,结果表明该方法产生的识别性能优于传统的Eigenfaces和Fisherfaces方法.     

基于两级DCT和正交投影的单样本人脸识别

针对单样本人脸识别率低的问题,提出基于人脸单样本图像生成相应的多姿态虚拟人脸样本图像的方法,并利用DCT和正交投影相结合的方法进行更快速的识别。实验表明,应用线性物体类理论和改进的特征脸方法相结合生成多姿态人脸图像,并在此基础上进行人脸识别比使用单样本和一次DCT进行识别,识别率得到很大的提高。     

基于粒子群BP神经网络人脸识别算法

人脸识别技术就是利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的描述和模式识别.为此,基于粒子群BP神经网络提出了人脸识别算法.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,然后用离散余弦变换将人脸图像在特征空间中提取,并作为粒子群BP神经网络的输入,由粒子群BP神经网络和后验概率转换器构成人脸识别器.针对ORL人脸库的实验结果表明该方法具有较高的识别率.     

Face recognition using the embedded HMM with second-order block-specific observations

The paper is concerned with face recognition using the embedded hidden Markov model (EHMM) with second-order block-specific observations. The proposed method partitions a face image into a 2-D lattice type, composed of many blocks. Each block is represented by the second-order block-specific observation that consists of a combination of first- and second-order feature vectors. The first-order (or second-order) feature vector is obtained by projecting the original (or residual) block image onto the first (or second) basis vector that is obtained block-specifically by applying the PCA to a set of original (or residual) block images. A sequence of feature vectors obtained from the top-to-bottom and the left-to-right scanned blocks are used as an observation sequence to train EHMM. The EHMM models the face image in a hierarchical manner as follows. Several super states are used to model the vertical facial features such as the forehead, eyes, nose, mouth, and chin, and several states in the super state are used to model the localized features in a vertical face feature. Recognition is performed by identifying the person of the model that provides the highest value of observation probability. Experimental results show that the proposed recognition method outperforms many existing methods, such as the second-order eigenface method, the EHMM with DCT observations, and the second-order eigenface method using a confidence factor in terms of average of the normalized modified retrieval rank and false identification rate.     

一种基于模糊支持向量机的人脸识别新算法

提出了基于独立分量分析进行特征提取和采用模糊支持向量机实现分类的人脸识别新方法。首先利用独立分量分析方法构造人脸的特征脸空间,在特征脸空间上运用模糊支持向量机进行分类识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高的识别率。     

Real-time face tracking and recognition by sparse eigentracker with associative mapping to 3D shape

This paper proposes a novel framework of real-time face tracking and recognition by combining two eigen-based methods. The first method is a novel extension of eigenface called augmented eigenface and the second method is a sparse 3D eigentemplate tracker controlled by a particle filter. The augmented eigenface is an eigenface augmented by an associative mapping to 3D shape that is specified by a set of volumetric face models. This paper discusses how to make up the augmented eigenface and how it can be used for inference of 3D shape from partial images. The associative mapping is also generalized to subspace-to-one mappings to cover photometric image changes for a fixed shape. A novel technique, called photometric adjustment, is introduced for simple implementation of associative mapping when an image subspace should be combined to a shape. The sparse 3D eigentemplate tracker is an extension of the 3D template tracker proposed by Oka et al. In combination with the augmented eigenface, the sparse 3D eigentemplate tracker facilitates real-time 3D tracking and recognition when a monocular image sequence is provided. In the tracking, sparse 3D eigentemplate is updated by the augmented eigenface while face pose is estimated by the sparse eigentracker. Since the augmented eigenface is constructed on the conventional eigenfaces, face identification and expression recognition are also accomplished efficiently during the tracking. In the experiment, an augmented eigenface was constructed from 25 faces where 24 images were taken in different lighting conditions for each face. Experimental results show that the augmented eigenface works with the 3D eigentemplate tracker for real-time tracking and recognition.     

基于小波变换的加权特征脸识别算法*

针对人脸识别中难以克服的表情影响,提出了一种基于小波变换的加权特征脸识别方法.本方法先对人脸图像进行小波分解,有效地将原图像降维,然后让各个子图像并行进行特征脸识别,最后通过加权排序得到识别结果.通过在Striling人脸库中进行实验,表明利用本方法进行人脸识别大大提高了识别率同时减少了计算量.     

基于隐马尔科夫模型的人脸识别

对于人脸识别系统来说,人脸图像的特征提取和匹配是决定人脸识别系统性能的关键所在。文中提出基于隐马尔科夫模型的人脸识别方法。首先,根据人脸的特点建立马尔科夫模型,然后对图像进行预处理,再利用采样窗对人脸图像进行采样并进行离散余弦变换,提取变换后的系数作为观察向量。最后对人脸图像进行HMM训练,训练结束后即建立了一个人的HMM。基于DCT系数的二维隐马尔科夫模型由于充分利用了人脸图像的二维统计特性,具有较高的识别率。实验结果证明此方法在准确性方面具有良好的性能。     

一种改进的特征脸方法

在实际应用中,我们发现,已有的一些人脸识别方法对于每人一个样本的识别来说,效果不太理想。鉴于此,本文将在传统的特征脸方法理论基础上提出一种改进的特征脸方法——特征半脸方法。所谓特征半脸方法,就是把人脸图像分成上下两个部分,分别应用特征脸方法,最后在识别计算距离时上部采用较大的权重,下部采用较小的权重,求得综合距离最小的人脸图像序号,从而完成人脸识别的方法。我们把特征脸和特征半脸方法进行了对比实验,结果表明:新的特征半脸方法优于传统的特征脸方法。     

基于加权特征脸法的人脸识别

人脸识别是模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题。本文在传统的特征脸方法的理论基础上提出一种改进的特征脸方法,就是把人脸图像分成上中下三个部分,分别应用特征脸方法,在识别计算距离时赋予不同的权值,最后确定综合距离最小的人脸图像。把这种方法和传统特征脸方法进行了对比实验,结果证明了该方法的可行性和良好的抗畸变能力。     

Face recognition with one training image per person

At present there are many methods that could deal well with frontal view face recognition. However, most of them cannot work well when there is only one training image per person. In this paper, an extension of the eigenface technique, i.e. projection-combined principal component analysis, (PC)²A, is proposed. (PC)²A combines the original face image with its horizontal and vertical projections and then performs principal component analysis on the enriched version of the image. It requires less computational cost than the standard eigenface technique and experimental results show that on a gray-level frontal view face database where each person has only one training image, (PC)²A achieves 3–5% higher accuracy than the standard eigenface technique through using 10–15% fewer eigenfaces.     

结合DCT和WT的多分类器融合的光照人脸识别

为进一步提高各种光照条件下的人脸识别精度,提出了一种将光照补偿和光照不变特征提取相结合的人脸识别方法。算法先应用对数域DCT进行光照补偿;然后,用三次样条二进小波分解提取一个低频子图和三个对光照变化鲁棒的边缘细节子图;接着,用二维线性判别分析进行特征降维并构造四个分量分类器;最后,通过多分类器融合规则进行融合分类。该文算法在CAS-PEAL人脸库光照子集上的实验达到了83.91%的识别率,在YaleB人脸库上则实现了100%的识别率,实验结果证明了该文算法对光照变换具有较好的鲁棒性。