基于HOG特征的加权稀疏表示人脸识别算法

在人脸识别中,为了进一步提高人脸图像对光照等外界因素的鲁棒性,提出一种基于HOG特征的加权稀疏表示算法,将加权稀疏表示方法和HOG特征以及随机投影方法相融合,以降低复杂度,提高识别性能。首先,统计每一幅图像的方向梯度直方图(HOG)特征,并对每一幅图像进行归一化处理,削弱人脸图像中的光照影响;其次,对归一化后的图像引入随机矩阵算法,进行多次随机投影,得到每个样本所对应的稀疏系数,利用样本之间的距离作为稀疏系数的权值;在此基础上,对传统稀疏表示分类器进行改进,样本经随机矩阵多次投影和稀疏表示后会产生多个重构残差,最后利用样本的重构残差和对样本进行识别分类。ORL人脸库和GT人脸数据库上的实验证明该方法对光照等外界物理因素有着很好的鲁棒性。     

改进型Gabor自商图算法及其在人脸识别中的应用

光照变化是影响人脸识别系统性能的关键问题之一,针对该问题提出了一种改进的基于Gabor特征的自商图算法。对人脸图像采用改进的加权Gabor滤波器进行平滑的Gabor特征提取,使用自商图像的方法求取图像的光照不变特征;对得到的自商图像用直方图截断等方法进行归一化;在Extended Yale B与CMU PIE人脸库上通过基于皮尔逊相关系数的最近邻方法进行实验。实验结果表明,与传统算法相比,该算法可以大幅度提高人脸识别率。     

改进的自商图算法

针对人脸识别中的光照变化问题,提出一种改进的自商图算法。对光照图像进行伽玛变换,使用非下采样轮廓波变换对图像进行多尺度多方向分析,对各方向子带进行Wiener滤波,利用自商图模型提取人脸图像的光照不变特性。Yale B与CMU PIE人脸库上的实验结果表明,与传统算法相比,该算法的平均识别率更高。     

基于小波变换和去噪模型的光照不变人脸识别

针对正面光照人脸识别的难点,提出了一种应用小波变换和去噪模型的光照不变人脸识别算法。利用对图像的高频小波系数进行处理并运用去噪模型,提取光照人脸图像中的光照不变量,同时增强图像边缘特征,这有利于提取的光照不变量保持更多的人脸识别信息。在Yale B和CMU PIE人脸库上的实验结果表明,所提算法可以显著提高光照人脸图像的识别率。     

基于改进Gamma和改进BP算法的人脸识别研究

针对传统BP算法收敛缓慢、训练过程振荡等缺点,提出了一种基于改进Gamma和改进BP神经网络的人脸识别算法。采用改进Gamma矫正方法改善原始图像的光照不均匀,并采用小波变换和NMF算法提取图像主要特征,最后结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,与传统算法相比,使用该算法对Yale人脸库、CMU PIE人脸库和自建人脸库的图像进行识别具有更快的收敛速度和更高的识别率。     

自适应Gabor特征的协同表示人脸识别算法

为了解决人脸识别应用中针对人脸姿态的变化,光照等外部环境变化导致识别率不高,且稀疏表示应用于人脸识别收敛速度慢的情况,提出了一种基于多分量的Gabor特征提取和自适应权重选择的协同表示人脸识别算法(GAW-CRC).特征提取阶段,将Gabor变换的所有特征分量中鉴别能力较差的分量淘汰,剩余分量构建特征字典,分别协同表示对应测试样本的特征分量,将所有剩余分量的识别结果,按照自适应的权重函数加权融合得出最终分类结果.实验证明:算法应用于AR,FERET与Extended Yale B人脸库中,当对应的样本存在人脸角度变化,表情变化和光照条件变化等情况时,能够得到更高的识别率.     

基于压缩金字塔核稀疏表示的人脸识别

人脸识别中光照、伪装及姿态等变化一直是富有挑战性的问题,其中特征提取是很关键的一步。为提高人脸识别率,结合压缩感知和空间金字塔模型,本文提出了一种新的特征提取方法,首先用尺度不变特征变换算法提取图像特征,然后与随机生成的字典进行稀疏编码,再用金字塔模型分层提取不同尺度空间的特征,并用最大池融合特征,最后运用核稀疏表示分类。在Extended Yale B,AR 和CMU PIE人脸数据库上的实验结果表明,该方法对于人脸图像的光照、伪装及姿态等变化有较强的鲁棒性,而且该算法有较快的运行速度。     

类特定字典学习-局部核协同表示分类的人脸识别法

针对人脸识别中的光照变化和遮挡等固有难题,提出一种核函数和分块相结合的人脸识别方法。对人脸图像分块,利用高斯核映射各子块到更高维空间;结合类特定字典学习得到各子块对应的局部核协同表示的每类重构误差;根据重构误差的倒数以投票完成从人脸局部到全局的识别。在Extend Yale B,AR,CMU PIE人脸库上的实验表明:提出的方法不仅具有较高的识别正确率,同时对光照变化以及遮挡的人脸图像具有较强的鲁棒性。     

基于自商图像和随机投影的人脸识别方法

针对传统基于自商图像的方法忽略对特征进行选择的问题,提出了一种结合自商图像和随机投影的人脸识别方法。采用自商图像法对人脸图像进行预处理,削弱光照影响;然后通过线性判别分析构造初始样本空间,利用多次随机投影将样本投影到不同的子空间,从而提取更具完备性和判别性的光照不变特征。最后用最近邻分类器对样本进行分类。在Yale B和AR人脸库上的实验表明:所提算法可以提取对光照鲁棒且具有鉴别性的人脸特征,从而提高光照变化条件下人脸识别的准确率。     

基于改进LDP的人脸识别

针对基于局部方向模式LDP(Local Directional Pattern)人脸识别方法识别率较低的问题,提出一种基于改进LDP的人脸识别方法。该方法对LDP编码进行方向归一化处理,选取结构对比信息对各LDP人脸分块进行加权处理,提取人脸的LDP直方图特征,最后计算加权卡方距离得到人脸识别的结果。实验结果表明,该方法应用于FERET和CMU PIE人脸图像库,相对于PCA、LBP和LDP算法,识别率均有了明显的提高。     

基于低秩表示中稀疏误差的可变光照和局部遮挡人脸识别

可变光照和有遮挡人脸识别是人脸识别问题中的一个难点。受到鲁棒主成分分析法(RPCA)和稀疏表示分类法(SRC)的启发,提出一种基于低秩表示(LRR)中稀疏误差图像的可变光照有遮挡人脸识别算法。在训练阶段,利用LRR计算每类人脸低秩数据矩阵,在此基础上求解每类人脸图像低秩映射矩阵,通过各类低秩映射矩阵将未知人脸图像投影得到每类下的低秩数据矩阵和稀疏误差矩阵,为了有效提取稀疏误差图像中的鉴别信息,分别对稀疏误差图像进行边缘检测和平滑度分析,设计了基于两者加权和的类别判据。在Extended Yale B和AR两个数据库上进行了详细的实验分析,实验结果与其它算法相比较有明显提高,证实了所提算法的有效性和鲁棒性。     

基于核稀疏表示的多流形判别分析

针对单样本人脸识别中非线性可分性的问题,提出了一种基于核稀疏表示的多流形判别分析（KSRMMDA）算法。首先,对数据图像进行分块,构建多流形模型;其次,运用核稀疏表示方法刻画各流形数据点之间的关系,学习流形内部图和流形间图;再次,在每个流形空间中分别寻找最佳的投影来保持流形内部图的特征,同时抑制流形外部图的特征;最后,通过计算测试样本流形到训练样本流形的距离进行分类识别。在extended Yale B和CMU PIE数据集上的实验研究表明,与其他同类算法相比,所提算法对光照、遮挡变化具有更强的鲁棒性。     

基于WSSRC单样本人脸识别及样本扩充方法研究

由于传统的SRC方法的实时性不强、单样本条件下算法性能低等缺点,提出了融合全局和局部特征的加权超级稀疏表示人脸识别方法(WSSRC),同时采用一种三层级联的虚拟样本产生方法获取冗余样本,将生成的多种表情和多种姿态的新样本当成训练样本,运用WSSRC算法进行人脸识别分类。在单样本的情况下,实验证实在ORL人脸库上该方法比传统的SRC方法提高了15.53%的识别率,使用在FERET 人脸库上则提高7.67%。这样的方法与RSRC 、SSRC、DMMA、DCT-based DMMA、I-DMMA相比,一样具备较好的识别性能。     

A singular value decomposition representation based approach for robust face recognition

In the field of face recognition, sparse representation based classification (SRC) and collaborative representation based classification (CRC) have been widely used. Although both SRC and CRC have shown good classification results, it is still controversial whether it is sparse representation or collaborative representation that helps face recognition. In this paper, a new singular value decomposition based classification (SVDC) is proposed for face recognition. The proposed approach performs SVD on the training data of each class, and then determines the class of a test sample by comparing in which class of singular vectors it can be better represented. Experimental results on Yale B, PIE and UMIST datasets show that the proposed method achieves better recognition performance compared with several existing representation based classification algorithms. In addition, by adding Gaussian noise and Salt pepper noise to these datasets, it is proved that SVDC has better robustness. At the same time, the experimental results show that the recognition accuracy of the method acting on the training samples constructed by each class is higher than that of the method acting on the training sets constructed by all classes.

     

基于曲波变换和Retinex人脸光照处理算法

针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法。该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet);利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪。通过曲波逆变换得到光照亮度成分图像;利用Retinex模型提取光照不变成分。通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率。     

基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法

目前的人脸识别算法常常忽视训练过程中噪声的影响,特别是在训练数据和待测数据都受到噪声污染的情况下,识别性能会明显下降。针对含有光照变化、伪装、遮挡及表情变化等较大噪声的人脸识别问题,提出了一种基于低秩子空间投影和Gabor特征的稀疏表示人脸识别算法。该算法首先通过低秩矩阵恢复算法得到训练样本的潜在低秩结构和稀疏误差结构;然后利用主成分分析法找到低秩结构的Gabor特征所在低秩子空间的变换矩阵;再通过变换矩阵将所有样本的Gabor特征向量投影到低秩子空间上,在该低秩子空间上使用稀疏表示分类算法进行最终的分类识别。在Extend Yale B和AR数据库上的实验表明,新算法具有较高的识别率和较强的抗干扰能力。     

基于结构化低秩表示和低秩投影的人脸识别算法

在实际的人脸识别中,给定的训练图像往往存在遮挡和噪声,导致稀疏表示分类（SRC）算法的性能下降。针对上述问题,提出一种基于结构化低秩表示（SLR）和低秩投影的人脸识别方法--SLR_LRP。首先通过SLR对原始训练样本进行低秩分解得到干净的训练样本,根据原始训练样本和恢复得到的干净训练样本得到一个低秩投影矩阵;然后将测试样本投影到该低秩投影矩阵;最后使用SRC对恢复后的测试样本进行分类。在AR人脸库和Extended Yale B人脸库上的实验结果表明,SLR_LRP可以有效处理样本中存在的遮挡和像素破坏。