基于频谱的人脸识别方法

小波变换后的低频子带图像既去除了某些表情变化，又减小了数据量，而图像的频谱特征则具有良好分类特性，因此两者结合后得到的频谱脸在人脸识别方面具有相当高的应用价值。先利用小波变换和Fourier变换求得原始人脸图像的频谱脸(Spectrofaces)，再对频谱脸继续求取各自的本征脸(Eigenface)和LDA(Linear Discriminant Analysis)特征作为分类特征，并利用了不同的分类方法进行识别。实验是利用ORL人脸库进行的，实验结果证明了比起直接利用空间域上原始图像的识别方法来说，基于频谱的方法可以有效提高识别率。     

基于支持向量机的人脸识别方法研究

对于人脸识别问题，基于K-L变换对人脸图像进行特征参数的提取；并采用支持向量机进行分类．由于支持向量机本身是一个两类问题的判别方法，在处理多类问题时，提出了一种基于支持向量机组的淘汰法，这种方法考虑到了各判别函数的VC置信范围的差异，同时利用判别函数间的冗余来降低识别误差．针对ORL人脸库和自建的人脸库的识别结果表明，基于SVM的识别方法在特征参数个数的选取、识别效果、识别时间等方面都有其独到的优越性．     

基于小波域与本征脸的人脸识别研究

本文提出了一种快速识别人脸的方法,把小波变换应用到本征脸法中。先利用小波变换对人脸图像进行分解,然后对低频分量运用本征脸分析构造本征脸子空间,该方法既减少了计算量,又具有较高的识别率,提高了识别性能。     

综述人脸识别中的子空间方法

如何描述每个个体人脸的特征,使之区别于其他个体,是人脸识别研究中的关键问题之一.近年来提出了大量的方法,其中随着主元分析在人脸识别中的成功应用之后,子空间分析因其具有描述性强、计算代价小、易实现及可分性好的特点,受到了广泛的关注.文中结合近年来已发表的文献,按照线性和非线性的划分,对子空间分析在人脸识别中的应用作一回顾、比较和总结,以供其他人参考.     

一种基于光照方向估计的人脸识别方法

针对不同光照条件下的人脸识别率较低,尤其是在极端光照条件下识别率急剧下降的问题,提出了一种基于垂直积分投影和高光区域处理的光照方向估计方法.利用该方法,可以根据估计的光照方向对不同的光照条件下的图像进行分类.经过分类后,将每个光照类别对应一个投影子空间,然后将分好类的图像分别投影到各自的子空间进行识别,以提高识别效果.最后在YaleB人脸数据库上进行实验,实验结果表明该方法可有效地提高在不同光照条件下的人脸识别率.     

半随机子空间的LDA人脸识别方法

小样本问题和对局部变化（如遮挡、表情、光照等）识别的不鲁棒性是线性判别分析（LDA）在处理人脸图像时所常面临的问题。针对LDA的这些不足,提出了一种基于LDA的半随机子空间方法（SemiRS-LDA）。与传统的基于整个人脸样本特征集采样的随机子空间方法不同的是,SemiRS-LDA将随机采样建立在人脸图像的子图像上。该方法首先将人脸图像集划分成若干个子图像集,然后将随机子空间方法应用于每个子图像集上并构建多个LDA分类器,最后使用投票方法将各分类器进行组合。在两个标准人脸数据库（AR、ORL）上进行了实验,结果表明了所提方法不仅能获得较高的识别性能,而且对图像的光线、遮挡等也具有较强的鲁棒性。     

复杂光照条件下的人脸识别方法

在人脸识别增加真实性的研究中,为了提高在光照条件变化时人脸图像的识别率,并加快运行速度,提出了一种基于小波变换域的光照处理与识别方法.由于光照对低频信息的影响较小,且低频信息在人脸识别中起到最主要作用,通过对人脸的低频逼近图像进行光照处理,采用局部二元模式来表征光照处理后的低频图像,将得到的局部二元模式特征作为人脸的鉴别特征用于分类与识别.根据YaleB、Extended YaleB人脸库的实验结果表明,在复杂的光照条件下识别率高达96%,与传统方法相比,取得了更好的识别结果.     

基于光照分类的可变光照下人脸识别方法

针对人脸识别中的光照变化问题,借鉴“分而治之”的思想,提出通过光照分类来提高不同光照情况下人脸的识别率。根据人脸图像灰度随光照变化的分布特点,将图像划分为三类：无偏光类、左偏光类和右偏光类,分别在不同的光照子集中对人脸图像进行处理与识别,并在YALEB人脸库上完成实验验证。结果表明,该方法不需要进行光照归一化处理,有效减弱了光照不均匀对人脸识别的影响,在提高识别率的同时降低了运算量,识别率可从未分类前的86.7%提高到99.6%,对于可变光照下的人脸识别有一定的应用前景。     

基于有效光照估计的复杂光照人脸识别

基于光照估计的光照不变量提取是提高复杂光照人脸识别性能的一种有效方法。以往算法仅考虑光照缓慢变化特性从人脸图像中估计光照,无法获取准确的光照和光照不变量。综合考虑图像的成像原理、光照缓慢变化特性和复杂照明环境,结合图像融合和平滑滤波,提出一种有效的人脸图像光照估计、光照不变量提取方法。所提算法能较好地处理阴影边缘问题,提取含有丰富面部细节特征、更接近于人脸本征的光照不变量。复杂光照Yale B+和CAS-PEAL-R1人脸库上的实验结果表明所提算法具有高效性。     

基于子空间追踪的人脸识别

针对现有的基于稀疏表示的人脸识别方法没有更新优化选择的原子的问题,提出一种基于子空间追踪的人脸识别方法。在稀疏编码过程中的原子选择步骤中,引入回溯迭代优化思想和多原子选择方案,通过移除可信度较低的原子来更新优化候选支撑向量中选择的原子,使选择的原子与待识别人脸图像具有最相似的结构,从而在该原子上的稀疏编码系数具有较好的人脸重构能力。实验证明,与基于正交匹配追踪（OMP）算法和基于OMP-cholesky算法的人脸识别相比,该算法在ORL和Yale B人脸数据库上的算法复杂度较低且识别率均提高了约5%。     

基于PCA的人脸识别系统的研究与实现

人脸识别技术是人脸识别系统以人脸图像作为识别身份的媒介。研究了PCA算法的原理,基于matlab平台实现了人脸识别系统。该系统在对图像进行预处理的基础上,以ORL人脸库中部分图像为样本,采用K-L变换计算训练样本特征值及特征向量,得到特征脸向量,进而计算测试样本投影到特征脸空间的坐标系数,最后分类识别得出结果。实验证明该系统识别率较高,对实际应用有一定的参考价值。     

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。     

多姿态人脸识别

人脸识别在很多场合都有重要的作用,传统的身份验证是采用某种识别号码等方法, 以阻止伤造的发生。由于人的视觉特征如面部,姿态等是相对稳定而且各不相同的,因此采用这些特征进行身份的识别是可行的本文提出了一种处理多姿态人脸识别的多候选类加权识别方法,为了减少姿态变化的影响,提出了相应的预处理法。     

人脸识别技术研究进展

近20年来,人脸识别技术已经作为机器人视觉与模式识别技术中的一个重要研究方向,受到很多研究学者的关注。对当今国内外人脸识别技术的各种研究方法进行了分析和比较,指出了现存的技术困难及今后的研究发展方向。     

人脸识别技术综述

首先对计算机人脸自动识别技术的研究背景及发展历程做了简单回顾,然后对人脸正面像的识别方法,按照识别特征的不同进行了分类综述,主要介绍了特征脸（Ｅｉｇｅｎｆａｃｅ）方法、基于小波特征的弹性匹配（Ｅｌａｓｔｉｃ Ｍａｔｃｈｉｎｇ）的方法、形状和灰度模型分离的可变形模型（Ｆｌｅｘｉｂｌ Ｍｏｄｅｌ）以及传统的部件建模等分析方法。通过对各种识别方法的分析与比较,总结了影响人脸识别技术实用化的几个因素,并提出了研究和开发成功的人脸识别技术所需要考虑的几个重要方面,进而展望了人脸识别技术今后的发展方向。     

基于动态主成分子空间的人脸识别算法

在基于子空间分析的人脸识别中,通常是按照特征值的大小来确认主成分的重要性,并以此为基础构造一个固定的特征子空间.通过人脸图像重建分析,发现固定的特征子空间会给人脸识别带来误差,于是采用多元线性回归分析理论,提出一个动态主成分子空间构造算法.在此基础上,得到了动态PCA(主成分分析)算法和基于Gabor特征的动态PCA算法.由ORL和Georgia Tech人脸数据库上的实验结果表明,该算法不仅减少了主成分数目,而且提高了识别率.     

基于神经网络的快速核子空间人脸识别算法研究

针对现有核子空间人脸识别算法计算量大且速度缓慢的现状,提出了一种基于神经网络的快速核子空间人脸识别算法模型,利用神经网络的隐含层神经元将核特征子空间的基表示进行约减,从而大幅提高了识别速度。进而基于KPCA和KFDA两种核子空间人脸识别算法,建立了神经网络逼近模型,并基于ORL、UMIST和YALE 3种人脸数据库进行了实证分析。实验结果表明,当隐含层神经元个数设置为训练样本总数一半或更少时,基于神经网络的快速核子空间算法能够取得相近甚至相当于核子空间算法的识别率。从而在满足一定识别正确率的条件下,能将识别时间缩短到50%甚至更低。     

基于统计特征和小波分解方法的人脸识别研究

计算机的自动人脸识别是当今研究的热点和难点,并且在安全系统和商贸系统等领域有着广泛的应用。论文介绍了用于人脸识别的基于统计特征的方法和基于小波分解的方法,并对每种识别方法进行分析与比较,总结了影响人脸识别技术应用的关键因素。     

基于小波变换和NMF的人脸识别方法的研究

为了克服PCA、ICA等传统方法在人脸图像特征抽取时存在速度慢、识别率低的缺点,该文提出了一种将非负矩分解思想应用于人脸特征提取的算法。利用小波变换对人脸图像进行分解,对其中包含主要信息的低频子带运用NMF构造特征子空间,在子空间内实现识别。实验结果表明,该方法实用、有效,减少了计算量,提高了系统的识别率,使识别率达到90％以上,有着广泛的研究价值和应用 前景。