一种鲁棒稀疏表示的单样本人脸识别算法

稀疏表示在人脸识别问题上取得了非常优秀的识别结果,但在单样本条件下,算法性能下降严重。为提高单样本条件下稀疏表示的应用能力,提出一种鲁棒稀疏表示单样本人脸识别算法(RSR)。通过使用每张人脸图像创建一组位置图像,扩充每个对象训练样本,并利用L2,1范数约束,保证RSR选择正确对象的位置图像。在AR和Extended Yale B人脸数据库上进行评测,实验结果表明RSR能够有效处理存在遮挡或光照变化的人脸图像,获得了较好的单样本人脸识别准确率,具有很强的鲁棒性。     

一种新的拓展稀疏人脸识别算法

近几年来,基于稀疏表示分类是一个备受关注的研究热点。如果每类训练样本较充分,该类方法可以取得比较好的识别效果。当训练样本比较少时,它的分类效果可能就不理想。拓展的稀疏分类算法可以较好的解决这一问题,它在表示测试样本时,引入了训练样本的类内变量矩阵,利用它和训练样本集来表示测试样本,从而提高了人脸识别率。然而,该算法并没有考虑训练样本在表示测试样本中所起的作用,即所有训练样本的权重都等于1。本文采用高斯核距离对训练样本加权,提出用加权的训练样本和类内散度矩阵来共同表示测试样本,即基于加权的拓展识别算法。实验证明所提算法能够取得更好的人脸识别效果。     

整合原始人脸图像和其虚拟样本的人脸分类算法

人脸识别作为最具吸引力的生物识别技术之一,由于会受到不同的照明条件、面部表情、姿态和环境的影响,仍然是一个具有挑战性的任务.众所周知,一幅人脸图像是对人脸的一次采样,它不应该被看作是脸部的绝对精确表示.然而在实际应用中很难获得足够多的人脸样本.随着稀疏表示方法在图像重建问题中的成功应用,研究人员提出了一种特殊的分类方法,即基于稀疏表示的分类方法.受此启发,提出了在稀疏表示框架下的整合原始人脸图像和虚拟样本的人脸分类算法.首先,通过合成虚拟训练样本来减少面部表示的不确定性.然后,在原始训练样本和虚拟样本组成的混合样本中通过计算来消除对分类影响较小的类别和单个样本,在系数分解的过程中采用最小误差正交匹配追踪(Error-Constrained Orthogonal Matching Pursuit,OMP)方法,进而选出贡献程度大的类别样本并进行分类.实验结果表明,提出的方法不仅能获得较高的人脸识别的精度,而且还具有更低的计算复杂性.     

Unified model in identity subspace for face recognition

Human faces have two important characteristics: (1) They are similar objects and the specific variations of each face are similar to each other; (2) They are nearly bilateral symmetric. Exploiting the two important properties, we build a unified model in identity subspace (UMIS) as a novel technique for face recognition from only one example image per person. An identity subspace spanned by bilateral symmetric bases, which compactly encodes identity information, is presented. The unified model, trained on an obtained training set with multiple samples per class from a known people group A, can be generalized well to facial images of unknown individuals, and can be used to recognize facial images from an unknown people group B with only one sample per subject. Extensive experimental results on two public databases (the Yale database and the Bern database) and our own database (the ICT-JDL database) demonstrate that the UMIS approach is significantly effective and robust for face recognition.     

Eigenspace updating for non-stationary process and its application to face recognition

In this paper, we introduce a novel approach to modeling non-stationary random processes. Given a set of training samples sequentially, we can iteratively update the eigenspace to manifest the current statistics provided by each new sample. The updated eigenspace is derived based more on recent samples and less on older samples, controlled by a number of decay parameters. Extensive study has been performed on how to choose these decay parameters. Other existing eigenspace updating algorithms can be regarded as special cases of our algorithm. We show the effectiveness of the proposed algorithm with both synthetic data and practical applications on face recognition. Significant improvements have been observed on face images with different variations, such as pose, expression and illumination variations. We expect the proposed algorithm to have other applications in active recognition and modeling as well.     

融合奇异值分解和最大间距准则的人脸识别方法

提出了一种融合奇异值分解（SVD）和最大间距准则鉴别分析（MMC）的人脸识别方法。对人脸图像进行奇异值分解,选取较大的一组奇异值构成特征向量,对所有训练样本按照最大间距准则鉴别分析算法计算投影矩阵,把人脸图像矩阵在投影矩阵上投影得到特征矩阵。融合决策阶段,在以上两类特征集中,分别计算待识别样本到所有训练样本的欧氏距离并对得到的两类结果进行加权融合,最后根据最近距离分类器分类。基于ORL人脸数据库上的实验结果表明算法的有效性。     

基于小波的训练样本增强的单样本人脸识别

目前有许多处理正面人脸的识别方法,当有充分数量的有代表性的训练样本时,能取得较好的识别效果。然而当每个人只有一个训练样本时,这些方法的识别性能则会下降。文章提出了一种基于小波分解低频子带的训练样本增强的方法,为了加强单样本的分类信息,将训练样本与其小波低频子带的重构图组合成为增强样本,然后在训练集的平均频谱图像的奇异值分解的统一特征空间进行识别。在Yale人脸库上的实验结果表明,当训练集中每个人只有一幅人脸图像时,该文提出的方法比统一特征空间奇异值分解方法取得更高的识别率。     

联合判别性低秩类字典与稀疏误差字典学习的人脸识别

目的 由于受到光照变化、表情变化以及遮挡的影响,使得采集的不同人的人脸图像具有相似性,从而给人脸识别带来巨大的挑战,如果每一类人有足够多的训练样本,利用基于稀疏表示的分类算法（SRC）就能够取得很好地识别效果。然而,实际应用中往往无法得到尺寸大以及足够多的人脸图像作为训练样本。为了解决上述问题,根据基于稀疏表示理论,提出了一种基于联合判别性低秩类字典以及稀疏误差字典的人脸识别算法。每一类的低秩字典捕捉这类的判别性特征,稀疏误差字典反映了类变化,比如光照、表情变化。方法 首先利用低秩分解理论得到初始化的低秩字典以及稀疏字典,然后结合低秩分解和结构不相干的理论,训练出判别性低秩类字典和稀疏误差字典,并把它们联合起来作为测试时所用的字典;本文的方法去除了训练样本的噪声,并在此基础上增加了低秩字典之间的不相关性,能够提高的低秩字典的判别性。再运用l₁范数法（同伦法）求得稀疏系数,并根据重构误差进行分类。结果 针对Extended Yale B库和AR库进行了实验。为了减少算法执行时间,对于训练样本利用随机矩阵进行降维。本文算法在Extended Yale B库的504维每类32样本训练的识别结果为96.9%。在无遮挡的540维每类4样本训练的AR库的实验结果为83.3%,1 760维的结果为87.6%。有遮挡的540维每类8样本训练的AR库的结果为94.1%,1 760维的结果为94.8%。实验结果表明,本文算法的结果比SRC、DKSVD（Discriminative K-SVD）、LRSI（Low rank matrix decomposition with structural incoherence）、LRSE+SC（Low rank and sparse error matrix+sparse coding）这4种算法中识别率最高的算法还要好,特别在训练样本比较少的情况下。结论 本文所提出的人脸识别算法具有一定的鲁棒性和有效性,尤其在训练样本较少以及干扰较大的情况下,能够取得很好地识别效果,适合在实际中进行应用。     

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。     

Kernel-based nonlinear discriminant analysis for face recognition

Linear subspace analysis methods have been successfully applied to extract features for face recognition.But they are inadequate to represent the complex and nonlinear variations of real face images,such as illumination,facial expression and pose variations,because of their linear properties.In this paper,a nonlinear subspace analysis method,Kernel-based Nonlinear Discriminant Analysis (KNDA),is presented for face recognition,which combines the nonlinear kernel trick with the linear subspace analysis method-Fisher Linear Discriminant Analysis (FLDA).First,the kernel trick is used to project the input data into an implicit feature space,then FLDA is performed in this feature space.Thus nonlinear discriminant features of the input data are yielded.In addition,in order to reduce the computational complexity,a geometry-based feature vectors selection scheme is adopted.Another similar nonlinear subspace analysis is Kernel-based Principal Component Analysis (KPCA),which combines the kernel trick with linear Principal Component Analysis (PCA).Experiments are performed with the polynomial kernel,and KNDA is compared with KPCA and FLDA.Extensive experimental results show that KNDA can give a higher recognition rate than KPCA and FLDA.     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

结构化低秩字典学习的人脸识别

目的 现实中采集到的人脸图像通常受到光照、遮挡等环境因素的影响,使得同一类的人脸图像具有不同程度的差异性,不同类的人脸图像又具有不同程度的相似性,这极大地影响了人脸识别的准确性。为了解决上述问题对人脸识别造成的影响,在低秩矩阵恢复理论的基础上提出了具有识别力的结构化低秩字典学习的人脸识别算法。方法 该算法基于训练样本的标签信息将低秩正则化以及结构化稀疏同时引入到学习的具有识别力的字典上。在字典学习过程中,首先利用样本的重建误差约束样本与字典之间的关系;其次将Fisher准则应用到稀疏编码过程中,使其编码系数具有识别能力;由于训练样本中的噪声信息会影响字典的识别力,所以在低秩矩阵恢复理论的基础上将低秩正则化应用到字典学习过程中;接着,在字典学习过程中加入了结构化稀疏使其不丢失结构信息以保证对样本进行最优分类;最后再利用误差重构法对测试样本进行分类识别。结果 本文算法在AR以及ORL人脸数据库上分别进行了实验仿真。在AR人脸数据库中,为了分析样本不同维数对实验结果造成的影响,选取了第一时期拍摄的每人6幅图像,包括1幅围巾遮挡,2幅墨镜遮挡以及3幅脸部表情变化以及光照变化（未被遮挡）的图像作为训练样本,同时选取相同组合的样本图像作为测试样本,无论哪种方法,图像的维度越高识别率越高。对比SRC （sparse representation based on classification）算法与DKSVD （discriminative K-means singular value decomposition）算法的识别率可知,DKSVD算法通过字典学习减缓了训练样本中的不确定因素对识别结果的影响;对比DLRD_SR （discriminative low-rank dictionary learning for sparse representation）算法与FDDL （Fisher discriminative dictionary learning）算法的识别率可知,当图像有遮挡等噪声信息存在时,字典低秩化可以提高至少5.8%的识别率;对比本文算法与DLRD_SR算法可知,在字典学习的过程中加入Fisher准则后识别率显著提高,同时理想稀疏值能保证对样本进行最优的分类。当样本图像的维度达到500维时人脸图像在有围巾、墨镜遮挡的情况下识别率可达到85.2%;其中墨镜和围巾的遮挡程度分别可以看成是人脸图像的20%和40%,为了验证本文算法在不同脸部表情变化、光照改变以及遮挡情况下的有效性,根据训练样本的具体图像组合情况进行实验。无论哪种样本图像组合,本文算法在有遮挡存在的样本识别中具有显著优势。在训练样本只包含脸部表情变化、光照变化以及墨镜遮挡图像的情况下,本文算法的识别率高于其他算法至少2.7%,在训练样本只包含脸部表情变化、光照变化以及围巾遮挡图像的情况下,本文算法的识别率高于其他算法至少3.6%,在训练样本包含脸部表情变化、光照变化、围巾遮挡以及墨镜遮挡图像的情况下,其识别率高于其他算法至少1.9%。在ORL人脸数据库中,人脸图像在无遮挡的情况下识别率达到95.2%,稍低于FDDL算法的识别率;在随机块遮挡程度达到20%时,相比较于SRC算法、DKSVD算法、FDDL算法以及DLRD_SR算法,本文算法的识别率最高;当随机块遮挡程度达到50%时,以上算法的识别率均不高,但本文算法的其识别率仍然最高。结论 本文算法在人脸图像受到遮挡等因素的影响时具有一定的鲁棒性,实验结果表明该算法在人脸识别方面具有可行性。     

A Fast Feature-based Dimension Reduction Algorithm for Kernel Classifiers

This paper presents a novel dimension reduction algorithm for kernel based classification. In the feature space, the proposed algorithm maximizes the ratio of the squared between-class distance and the sum of the within-class variances of the training samples for a given reduced dimension. This algorithm has lower complexity than the recently reported kernel dimension reduction (KDR) for supervised learning. We conducted several simulations with large training datasets, which demonstrate that the proposed algorithm has similar performance or is marginally better compared with KDR whilst having the advantage of computational efficiency. Further, we applied the proposed dimension reduction algorithm to face recognition in which the number of training samples is very small. This proposed face recognition approach based on the new algorithm outperforms the eigenface approach based on the principal component analysis (PCA), when the training data is complete, that is, representative of the whole dataset.     

基于FLDA、CPCA与HMM的人脸识别

为了获得具有较高识别率的算法,提出了一种将Fisher线性鉴别分析(Fisher Linear Discriminant Analysis)、复主分量分析(Principal Analysis in the Complex Space)与隐马尔可夫模型(Hidden Markov Models)相结合进行人脸识别的方法。对于输入的不同光照、人脸表情和姿势的图像先进行归一化处理,然后将归一化后的图像转化成一维向量,再用FLDA方法提取每幅图像的特征,形成新的复向量空间;通过运用复主分量分析,来抽取人脸图像的有效鉴别特征;最后通过HMM对这些特征进行训练,得到一个优化的HMM并应用于识别。在ORL人脸数据库中进行实验,实验结果表明,该方法具有较高的识别率。     

面向人脸识别的判别低秩字典学习算法

人脸识别是计算机视觉和模式识别领域的一个研究热点,有着十分广泛的应用前景.人脸识别任务在训练样本和测试样本同时包含噪声的情况下存在识别精度不高的问题,为此本文提出一个新的判别低秩字典学习和低秩稀疏表示算法（Discriminative Low-Rank Dictionary Learning for Low-Rank Sparse Representation,DLRD_LRSR）.本文方法在模型中约束每个子字典和稀疏表示低秩避免噪声干扰,并引入了判别重构误差项增强系数的判别性.为验证算法的有效性,本文在3个公开人脸数据集上进行了实验评估,结果表明与现有字典学习算法相比,本文算法能够更好的解决训练样本和测试样本同时存在噪声的人脸识别问题.     

核子空间样本选择方法的核最近邻凸包分类器

为了保证核最近邻凸包分类器有效地处理大训练集的应用问题,提出一种核子空间样本选择方法与该分类器相结合。核子空间样本选择方法是一个类内迭代算法,该算法在核空间里每次迭代选择一个距离选择集样本张成子空间最远的样本。在MIT-CBCL人脸识别数据库的training-synthetic子库上的实验中,该方法不但可以取得100%的识别率,而且与未经选样的核最近邻凸包分类器相比,其执行速度要快许多。     

基于主动表观模型的稀疏聚类人脸识别算法

在复杂的非人脸成分干扰以及训练样本过大、训练样本之间相似度较高的条件下,原始稀疏表示分类(SRC)算法识别准确率较低。针对上述问题,提出一种基于主动表观模型的稀疏聚类(CS-AAM)人脸识别算法。首先,利用主动表观模型快速、准确地对人脸特征点进行定位,获取主要人脸信息;然后,对训练样本进行K-means聚类,将相似程度高的图像分为一类,计算聚类中心,将该中心作为原子构造过完备字典并进行稀疏分解;最后,计算稀疏系数和重构残差对人脸图像进行分类、识别。将该算法与最近邻(NN)、支持向量机(SVM)、稀疏表示分类(SRC)、协同表示分类(CRC)人脸识别算法在ORL和Extended Yale B人脸数据库上对不同样本数及不同维数的人脸图像分别进行识别率测试,在相同样本数或相同维数情况下CS-AAM算法识别率均高于其他算法。在ORL人脸库中选取样本数为210时,相同维数条件下CS-AAM算法识别率为95.2%;在Extended Yale B人脸库上选取样本数为600时,CS-AAM算法识别率为96.8%。实验结果表明,该算法能够有效地提高人脸图像的识别准确率。     

Biometric dispersion matcher versus LDA

This paper compares the recently developed biometric dispersion matcher (BDM) with the classical linear discriminant analysis (LDA) for biometric pattern recognition. BDM is extended to the BDM with simultaneously diagonalization (BDMSD) of the covariance matrices and, from a theoretical point of view, it is demonstrated that the feature selection of LDA and BDMSD are equivalent. However, LDA uses the between-class scatter matrix (S_B) only for feature selection and BDMSD also uses it for classification. This implies a set of advantages. Mainly the BDMSD offers better generalization capability for classifying samples of users that have not been used for training the classifier. Experimental results show that BDM and BDMSD outperform LDA in face recognition and hand-geometry recognition. These two cases correspond to very different situations: number of samples greater than their dimensionality (hand-geometry) and number of samples similar to their dimensionality (face recognition).     

基于聚类优化主动模型人脸识别算法研究

研究人脸识别和跟踪准确度问题。针对在使用大数据样本进行训练前提下,以往AAM算法人脸识别与定位不准确的缺陷,提出了一种新的利用聚类算法对样本空间进行划分,并在此基础上训练多个AAM的分层人脸识别和跟踪算法。首先利用所有训练样本训练得到初始AAM,然后利用一个全新的相似度计算公式,将所有训练样本划分成若干个子类别,在此基础上,针对每个子类别,训练一个相对稳定的AAM。在识别与跟踪过程中,先使用初始AAM进行定位,然后根据子类AAM进行精细化定位,从而得到比以往算法更为精确的定位效果。仿真结果显示改进的算法能准确定位出人脸所在位置,并且具有很高的运算效率,可以方便的实现实时监控系统的人脸跟踪定位及识别等目标。     

基于LBP和数据扩充的CNN人脸识别研究

针对卷积神经网络在人脸识别存在的数据集比较少,容易发生过拟合的问题,提出对人脸进行局部二值模式处理,提升图像特征,再引入深度卷积生成对抗网络对局部二值化的人脸进行生成,有效扩充数据集,提升卷积神经网络的泛化能力。该人脸识别卷积神经网络模型包括3层卷积层,3层池化层,1个全连接层,1个Softmax分类回归层。仿真实验中,选取ORL人脸数据库中40人每人10张的人脸图像按8∶1∶1比例设置为训练集、验证集和测试集,并选取Yale人脸数据库中15人每人11张的人脸图像按9∶1∶1的比例设置训练集、验证集和测试集,通过LBP算法提取人脸纹理特征对其进行生成,分别扩充数据集至990张和2200张。结果表明,该算法的人脸识别率不仅高于未扩充数据PCA和LBP等传统人脸识别方法的识别率,而且也将卷积神经网络的识别率提升了约2%,有效提高了泛化能力。