稀疏表示的局部模式特征提取与识别

针对人脸图像在复杂光照环境下提取的特征不够丰富,导致识别率低的问题,提出一种稀疏表示的局部模式特征提取与识别算法.首先将图像进行分块,依次对每个子区域的像素进行阈值化处理,并将其与中心像素值比较的结果编码到中心对称局部二值模式算法中来实现特征提取;然后在此基础上采用中心对称局部方向模式算法提取二阶特征,得到最终的纹理特...     

光照变化条件下不敏感特征的提取

光照变化条件下提取强鲁棒性的不敏感特征是人脸自动识别中颇具挑战性的课题,文中对此进行了研究,提出一种新的Gabor镜像特征。首先给出Gabor镜像特征的提取过程;其次从Fisher准则和相关性方面对该特征进行理论分析,最后在YaleB人脸图像库上和常用Gabor特征进行对比实验,数据显示Gabor镜像特征在光照变化条件下具有较强的鲁棒性,可以有效提高识别率。     

基于水平分量优先原则的RDW-LBP人脸识别算法

首先分析了人脸图像不同的方向性细节对识别率的影响,提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性-方向性加权的规范型二元局部纹理描述算子RDW-LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解,提取多级尺度分量和含有最多有效识别细节的一级水平细节分量,组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱,结合子区域剖分,连接子区域特征共同组成人脸图像特征向量,最后使用基于Chi-Square距离的分类器进行识别。     

基于TV-L2模型的人脸识别光照正规化算法

提出一种基于TV-L2模型的光照正规化算法,该方法提取侧重于保留人脸纹理特征信息的光照反射成分.首先利用TV-L2模型对人脸图像执行滤波,估计出光照成分后,根据反射表征模型在对数域中求取人脸反射成分图像,最后对人脸反射成分图像进行标准化之后得到独立于光照变化的图像.实验结果表明,本文提出的方法运行速度快,能有效地消除光照变化的影响.     

基于对称性特征分块主成分分析的人脸识别方法

为了进一步提高人脸识别的精度,考虑在分块主成分分析算法中引入对称性思想。首先对图像进行分块并分别求其奇偶对称脸,然后利用主成分分析算法提取图像的主要鉴别特征。该方法充分考虑了光照等多种因素对识别率的影响,利用人脸图像的对称性增加了样本数量,以有效提高识别率。在ORL人脸库上的实验显示,在每类训练样本数为7、提取特征数为20的情况下,基于对称性特征的分块主成分分析方法的人脸识别率为95%,说明该方法是有效的。     

光照变化条件下的人脸识别研究

本文提出了两种研究光照变化条件下人脸识别的方法.第1种方法光照子空间方法,它适用于训练集中存在与测试人脸图像相同或者相似光照的人脸训练图像.当这个条件不满足时,可得用径向基函数产生虚拟光照条件下的人脸图像样本图像特征加入训练集,该方法适用于更一般的情况。实验结果证明文中提出的方法可以有效提高识别率。     

几何系数赋权纹理特征的小样本人脸表情识别

针对只有少量人脸表情图像样本的约束条件，为构造更为有效的统计特征实现小样本表情识别，提出了几何系数赋权纹理特征的小样本表情识别方法。利用主动外观模型(Active Appearance Model, AAM)定位出人脸表情关键点，拟合关键点椭圆区域，计算椭圆离心率对比中性表情得到人脸表情几何系数；拟合关键点矩形区域，利用韦伯梯度编码(Weber Gradient Coding,WGC)提取拟合区域的纹理特征；将几何系数权重赋权拟合区域WGC特征联合支持向量机实现小样本表情识别。结果表明：在公共人脸表情库JAFFE、CK上进行测试，并与其他表情识别方法进行比较，文中算法识别率最大分别提高了1.95%与5.24%。     

眼部特征自动检测定位方法

为了准确地提取眼部特征,提出了一种人眼虹膜检测及眼角定位的新方法。首先用AdaBoost算法在复杂背景下识别人脸,再用方差积分投影方法提取眼睛区域。然后设计了可变形圆形模板,利用可变形圆形模板及改进的优化匹配函数来确定虹膜中心及计算虹膜半径,并在此基础上根据眼睛的结构特征,用设计的线形模板计算内外眼角相对虹膜中心的角度方向,并在该方向下用Harris角点检测算法确定眼角最佳位置。最后,利用IMM人脸库验证了本方法,实验结果表明:本方法可以很好地对面部图像中的人眼虹膜及内外眼角进行准确定位。     

基于SVM与C4.5混合分类器的人脸表情识别

针对人脸表情识别特点,首先使用几何特征与基于灰度共生矩阵纹理特征的低维混合特征提取方法来提取易分类表情图片的特征向量,然后使用C4.5决策树分类器识别出脸部变化较为明显的表情,再使用SVM支持向量机对较难分类表情图片进行分类。实验结果表明,通过改变决策树算法剪枝中错误样本比率的方法可以获得最佳预测精度,识别率达到90%。     

基于小波变换及加权主元分析的人脸表情识别

为了更准确地识别人脸的表情信息,采用加权主元分析识别人脸表情.首先通过小波变换进行图像分解来抽取面部区域的有效鉴别特征,然后将特征加权和主元分析相结合,根据加权重建误差最小化,计算出各类训练样本的加权子空间,最后计算测试样本到加权子空间的Mahalanobis距离,并根据距离进行分类识别.通过CMU人脸表情数据库试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.