基于复小波和Gabor小波的人脸识别

针对双树复小波变换(DT-CWT)不能直接提取水平和垂直2个方向特征的不足,提出一种结合DT-CWT和Gabor小波的人脸识别方法。将Gabor小波提取的0°和90°特征与DT-CWT提取的6个方向特征连接起来共同构成人脸特征向量,采用Fisherfaces方法构建特征向量的线性子空间,应用基于欧氏距离的分类器实现分类。在ORL数据库上的实验结果证明了该方法的有效性。     

基于Gabor小波的人脸识别技术

本文首先通过直方图均衡化等预处理方法增强图像的整体对比度,使图像的细节更加清晰.然后利用Gabor小波变换,选取不同的尺度和方向对人脸表情特征进行提取.最后通过实验结果对比证明预处理后的图片在进行小波变换时能节省大量的运算时间,并提高识别率.     

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Gabor小波和流形的人脸识别研究

本文研究基于Gabor小波变换和流形学习的人脸识别方法,首先引入Gabor小波对人脸图像提取不同方向、不同尺度的多个Gabor幅值特征（Gabor magnitude feature）,然后使用能够提取子流形的NPE算法对GMF特征进行维数约简,最后使用线性判别分析进一步提取鉴别性特征。此算法利用了Gabor特征对人脸图像的优异表征能力、流形方法和传统的判别方法。在标准人脸库上的实验结果表明,与其他降维方法相比,新算法能够获得较好的识别效果。     

基于Gabor小波和属性约简的人脸识别

人脸识别方法易受光照、姿态和表情变化的影响,针对这一问题,提出了一种基于Gabor小波和粗糙集属性约简的人脸识别方法。该方法先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后结合信息论中信息熵与互信息的概念定义了粗糙集里的一种新的属性重要度,并以此属性重要度为启发式信息进行约简数据集,从而对所得的人脸图像特征进行降维,并采用支持向量机进行分类。实验结果表明,该算法降低了支持向量机分类器的复杂度,有较好的识别性能。     

基于Gabor小波和局部线性嵌入的人脸识别

提出了一种新的人脸识别算法。该算法采用Gabor小波和一种新颖的方式来提取人脸特征,利用局部线性嵌入（Locally Linear Embedding,LLE）算法来实现数据的非线性降维处理,最后训练基于欧式距离的最近邻分类器进行分类判决。在ORL人脸库中与PCA方法、Gabor小波+PCA方法和直接的LLE算法进行了实验比较,实验结果表明,提出的Gabor小波+LLE的方法具有更优的性能。     

基于Gabor小波和监督等距映射的人脸识别

提出了一种基于Gabor小波变换和监督等距映射(supervised isometric feature mapping,S-ISOMAP)的人脸识别方法.针对流形学习算法不能消除图像特征向量中高阶相关信息的缺点,引入Gabor对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征(Gabor magnitude feature,GMF),然后使用具有提取鉴别子流形的S-ISOMAP算法对GMF特征进行维数约简,最后使用最近邻分类器进行分类.该方法综合运用了Gabor特征对人脸图像的优异的表征能力、S-ISOMAP的非线性维数约简能力,使得该方法对光照和表情变化等具有良好的鲁棒性.在YaleB和PIE人脸库上的实验表明了该方法的有效性.     

基于二维Gabor小波矩阵表征人脸的识别算法

提出基于二维Gabor小波特征(Gaborface)矩阵的人脸表征方法,二维Gaborface矩阵有别于常规的一维采样特征矢量方法。对该方法的2种运用方式：整体Gaborface表征(EGFR)和多通道Gaborface表征(MGFR)进行了研究,在ORL数据库中采用二维PCA人脸识别算法进行了实验。对比实验结果表明了该方法的有效性和可行性,特别是基于MGFR的2DPCA方法实现了100%的识别率。     

基于Gabor小波变换多特征向量的人脸识别鲁棒性研究

传统的Gabor小波变换人脸识别技术在曲线奇异性的表达上存在着不足,难以识别包含表情的人脸信息,针对该问题,提出了结合Gabor小波变换和多特征向量的人脸识别算法。算法首先利用Gabor小波变换的频率及方向选择性来提取出人脸的多尺度、多方向上的Gabor特征,并组成联合稀疏模型,通过计算可以得到各个方向和尺度上Gabor特征的共同特征和表情特征,利用这两个特征向量可以精确重构测试图像的特征向量。仿真实验结果表明,所提出的方法能够有效提高带表情人脸图像的正确匹配率,改善识别效果。     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题。该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法。首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数．最后采用最近邻分类器进行识别。由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表强,该方法在识别性能上优于核主分量分析方法。     

基于Gabor滤波和KPCA的人脸识别方法

尽管核主分量分析能够有效地提取非线性特征,并成功地应用于人脸识别,但是抽取对光照、表情不敏感的特征仍然是亟待解决的问题.该文提出了一种结合Gabor特征和核主分量分析的人脸识别方法.首先通过Gabor滤波器对人脸图像滤波,并通过实验分析了Gabor滤波器参数的选择,然后采用核主分量分析的方法降低Gabor特征的维数,最后采用最近邻分类器进行识别.由于采用了Gabor滤波,该方法对光照、表情具有鲁棒性,在ORL人脸库上的实验结果表明,该方法在识别性能上优于核主分量分析方法.     

局部二维主元分析的人脸识别新方法

人脸姿态、表情、光照等变化是影响人脸识别的主要因素,如何减轻这些因素对识别率的影响是人脸识别的研究关键所在。R.G等人提出了MPCA方法,通过对人脸图像进行一次分块处理,减少了这些因素产生的影响。然而MPCA方法只消除了部分影响,仍未能完全解决这一问题。文章提出了一种进行二次分块处理的新方法——局部二维主元分析方法,进一步消除了这些因素所产生的影响。通过在Yale国际标准人脸库及UMIST人脸库上进行验证,该方法大大提高了人脸识别率。     

基于二维主成分分析的交通标志牌识别

提出了将二维主成分分析方法应用于交通标志牌识别的特征提取,并在已建立的两个标志牌的数据库上利用最近部分类器与欧氏距离度量进行了相应的实验。一个数据库是将标志牌图像二值化后经过一系列的仿真变换得到的,另外一个数据库是选取不同位置场景经过实地拍摄得到的标志牌图像。本方法对两个图像库的识别都得到了良好的效果。     

基于对角DCT与2DPCA算法的人脸识别

提出了一种对角离散余弦变换（Discrete Cosine Transform,DCT）和二维主元分析（Two－Dimensional Principal Component Analysis,2DPCA）相结合的人脸识别方法。该算法首先将人脸图像转换成对角图像,同时利用DCT压缩并重建人脸图像;然后通过2DPCA进行特征提取得到人脸识别特征;最后运用最近邻分类器进行识别。基于ORL（Olivetti Research Laboratory）、受污损ORL及Yale人脸数据库的实验结果证明了该算法的有效性。     

一种基于Gabor小波特征的人脸表情识别新方法

近来,表情识别成为人机交互研究的热点.将Gabor小波变换与2DPCA结合提出了一种表情识别的新方法.首先对静态灰度表情图片进行预处理,然后对其进行Gabar小波变换,通过2DPCA进行降维,根据Gabor不同尺度不同方向的变换结果训练不同的分类器,由校验集得到分类器权值,通过隶属度函数将各个分类结果模糊化,实现了分类器集成和表情特征数据的融合.实验证明了Gabor小渡与2DPCA结合在表情识别中的有效性,以及基于Gabor小波模糊分类器集成的方法能够进一步提高识别率.