基于PCA余像空间的ICA混合特征人脸识别方法

为改善传统的基于特征脸的人脸识别方法在识别光照变化较大的人脸时效果不尽理想的缺陷,提出一种基于“PCA余像空间”的ICA混合特征人脸识别方法。不同于2阶PCA人脸识别方法,用独立元分析法代替主元分析法,对“PCA余像特征脸集”进行独立元特征抽取得到人脸图像基于PCA余像空间的独立元特征,并综合人脸图像的原始独立元特征得到混合特征作为最终识别的特征。实验表明,基于PCA余像空间的ICA混合特征人脸识别方法,在识别光照、表情等外界因素变化较大的人脸图像时,要优于传统的基于特征脸的识别方法、基于ICA的识别方法以及基于2阶PCA的人脸识别方法,并具有较强的适用性。     

人耳人脸特征融合在身份鉴别中的研究

针对单一人耳识别对姿态变化鲁棒性较差的问题,鉴于人脸在图像性质和生理位置上与人耳具有相似性和互补性,使用了多模态特征融合的方法提高姿态变化下的识别率.与传统的独立成分分析首先获得独立的基向量(ICAl)不同,提出了利用ICA直接获得独立的鉴剐特征的方法(ICA2).在USTB图像库上分别将两种ICA特征进行单模态和多模态的融合.实验表明,两种特征的融合提高了单一模态的识别率,并且多模态识别优于单一的人耳或人脸识别.     

基于多姿态人脸图像合成的识别方法研究

为了解决多姿态人脸识别问题,提出基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间,然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像,实验表明ICA人脸识别算法要优于PCA人脸识别算法,并在此基础上用小波对人脸图像进行预处理,据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较,识别率得到了很大的提高。     

隐马尔可夫后处理模型在视频人脸识别中的应用

现有的多数人脸识别系统都专注于如何提高人脸识别算法的性能,但缺乏一种对数据源(人脸样本)进行分析和评估的机制。针对此问题,提出了一种建立在数据源分析基础上对典型人脸识别算法进行后处理的方法。为了揭示现有典型识别算法的识别性能在无约束环境下的鲁棒性,通过建立Lambertian反射模型和3D人脸模型,对特征脸算法的识别性能随数据源的变化(人脸姿态和光照改变)而变化的情况进行了分析评估。针对“数据源灾难”问题,提出了一种基于隐马尔可夫模型（HMM）的后处理解决方法,该方法通过利用视频序列图像的连续性和对训练人脸库的统计分析来提高判别分析方法对无约束环境的鲁棒性。实验结果表明,该方法可以有效地提高识别算法对“数据源灾难”的鲁棒性,提高识别率。     

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.     

Weighted Modular Image Principal Component Analysis for face recognition

This paper proposes two feature extraction techniques that minimizes the effects of distortions generated by variations in illumination, rotation and, head pose in automatic face recognition systems. The proposed techniques are Modular IMage Principal Component Analysis (MIMPCA) and weighted Modular Image Principal Component Analysis (wMIMPCA). Both techniques are based on PCA and they use the modular image decomposition to minimize local variation. Also, the covariance matrix is calculated directly from the original image matrix. This strategy generates a smaller matrix compared with traditional PCA and reduces the computational effort. wMIMPCA assumes that parts of the face are more discriminatory than others, so a Genetic Algorithm is used to obtain weights for each region in the face image. The proposed techniques are compared with Modular PCA and two-dimensional PCA using three well-known databases, showing better results.     

一种正面人像识别的方法

本文给出了一种正面人像识别的方法。利用活动轮廓模型进行人像处理，自动提取人脸轮廓，再利用特征脸谱描述人像间的差异信息，将人脸图象唯一地映射到由特征脸谱构造的“人脸差空间”中去，通过比较人脸图象在该空间中的位置来识别。     

基于少量特征点的多模态人脸识别

针对二维人脸识别对姿态和光照变化较为敏感的问题,提出了一种基于少量特征点的多模态人脸识别方法。在训练阶段,对三维人脸数据进行二次处理和数据挖掘,为建立完备的特征模板奠定了基础;提出了一种简洁高效的样本聚类方法,克服了特征提取过程中的非线性问题;通过局部特征分析(Local Feature Analysis,LFA)实现了特征点"局部"与"全局"信息的融合。实验证明该方法在具有较高执行效率的同时,对人脸图像的姿态和光照变化具有理想的鲁棒性,在WHU-3D小规模人脸数据库上取得了98.06%的识别率。     

基于ICA和NFL分类的局部人脸识别方法

目前已存在很多基于统计的人脸整体识别方法，独立元分析方法就是一种基于信号高阶统计特性的方法。但由于人脸光照、姿态、信息缺损等外部不可避免因素会引起整个人脸灰度图像产生很大的变化，因而会对这类整体统计性方法的稳定性产生很大影响。为此提出了一种基于独立元分析和最近邻特征线的局部人脸识别方法。首先，通过对人眼的手工定位并依据人脸几何特征完成对人脸图像的截取和局部分块，从而移除发型等无用信息；然后对每个局部图像进行PCA／ICA特征提取；最后的识别阶段，通过最近邻特征线方法得到各自识别距离，并通过对各部分设置合理的权重来综合判定。实验结果表明，作为一种有效的识别方法，分块独立元方法在识别率、识别的稳定性、应用的灵活性等方面都优于传统的整体识别方法。     

Expressions Recognition of North-East Indian (NEI) Faces

Facial expression is one of the major distracting factors for face recognition performance. Pose and illumination variations on face images also influence the performance of face recognition systems. The combination of three variations (facial expression, pose and illumination) seriously degrades the recognition accuracy. In this paper, three experimental protocols are designed in such a way that the successive performance degradation due to the increasing variations (expressions, expressions with illumination effect and expressions with illumination and pose effect) on face images can be examined. The whole experiment is carried out using North-East Indian (NEI) face images with the help of four well-known classification algorithms namely Linear Discriminant Analysis (LDA), K-Nearest Neighbor algorithm (KNN), combination of Principal Component Analysis and Linear Discriminant Analysis (PCA + LDA), combination of Principal Component Analysis and K-Nearest Neighbor algorithm (PCA + KNN). The experimental observations are analyzed through confusion matrices and graphs. This paper also describes the creation of NEI facial expression database, which contains visual static face images of different ethnic groups of the North-East states. The database is useful for future researchers in the area of forensic science, medical applications, affective computing, intelligent environments, lie detection, psychiatry, anthropology, etc.     

融合全局和局部特征的人脸识别算法

针对人脸识别算法缺乏对光照变化的自动调节能力的弱点,提出了一种综合利用全局和局部特征进行人脸识别的新方法。对整幅人脸图像进行主成分分析;针对人脸局部特征,提出一种根据各局部子块包含的信息量即利用图像熵值进行自动加权的算法;基于贝叶斯原理对全局和局部特征进行数据融合,给出最终结果。实验结果表明,该数据融合算法综合全局和局部特征提取方式的优势,有效提高了人脸识别率。     

一种基于ICA和LDA组合的人脸识别新方法

特征提取是模式识别研究领域的一个热点。本文提出了一种基于独立成分分析和线性鉴别分析的特征提取方法。该方法中引入了零空间的概念,指出了前人算法中的不足之处,并且给出了一个完整的独立成分分析和线性鉴别分析的组合算法。在ORL和Yale人脸数据库上的实验表明了该方法的有效性。     

Optimal Local Basis: A Reinforcement Learning Approach for Face Recognition

This paper presents a novel learning approach for Face Recognition by introducing Optimal Local Basis. Optimal local bases are a set of basis derived by reinforcement learning to represent the face space locally. The reinforcement signal is designed to be correlated to the recognition accuracy. The optimal local bases are derived then by finding the most discriminant features for different parts of the face space, which represents either different individuals or different expressions, orientations, poses, illuminations, and other variants of the same individual. Therefore, unlike most of the existing approaches that solve the recognition problem by using a single basis for all individuals, our proposed method benefits from local information by incorporating different bases for its decision. We also introduce a novel classification scheme that uses reinforcement signal to build a similarity measure in a non-metric space. Experiments on AR, PIE, ORL and YALE databases indicate that the proposed method facilitates robust face recognition under pose, illumination and expression variations. The performance of our method is compared with that of Eigenface, Fisherface, Subclass Discriminant Analysis, and Random Subspace LDA methods as well.     

GLRAM Plus DialPCA图像识别方法

针对高维数据的特征提取问题,将广义低秩矩阵近似(GLRAM)与对角主成分分析(DialPCA)相结合,提出一种新的特征提取方法GLRAM Plus DialPCA用于进行图像识别。通过广义低秩矩阵对原始图像进行近似,再做对角化变化,采用二维主成分分析(2DPCA)提取数据行列之间的相关性特征,并利用最近邻分类器计算图像识别率。基于FERET和ORL人脸数据库的实验结果表明,与单一的GLRAM或2DPCA相比,GLRAM Plus DialPCA在姿态、光照和表情变化的情况下识别率更高,特征提取速度更快。     

块独立成分分析的人脸识别

针对利用ICA提取人脸特征时需要将人脸图像转换成向量，导致空间维数很高以及不能准确地估计特征等问题，提出了一种新的独立子空间人脸识别算法——块独立成分分析（B-ICA）。和经典的ICA相比，B-ICA算法把人脸图像划分成一些互不重叠的子块，然后把每个子块转换成向量，看成是低维空间中的训练点（训练向量）。因此在B-ICA算法中，样本的维数比ICA算法中样本的维数低，降低了维数灾难（即样本的训练个数远小于样本的维数）造成的错误识别率。在Yale和AR数据库上进行了大量仿真实验，实验结果表明B-ICA算法的识别率比ICA和其他一些子空间算法的识别率高。     

基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法

针对人脸识别中的光照变化问题,利用随机投影对传统稀疏表示分类器进行改进,提出一种基于随机投影与加权稀疏表示残差的光照鲁棒人脸识别方法。通过对人脸图像进行光照规范化处理,尽量消除人脸图像上的恶劣光照,取得经光照校正的人脸样本后进行多次随机空间投影,进一步丰富样本的光照不变特征,以减小光照变化对人脸识别带来的影响。在此基础上,对利用单一残差分类的传统稀疏表示分类方法进行改进,样本经过多次随机投影和稀疏表示会产生多个样本特征和重构残差,利用样本特征的能量来确定各个重构残差的融合权值,最终得到一种稳定性和可靠性更强的加权残差。在 Yale B 和 CMU PIE 两个光照变化较大的人脸库上的实验结果表明,改进的方法具有较强的光照鲁棒性。与传统稀疏表示方法相比,本文提出的方法在Yale B人脸库上两组实验的平均识别率分别提高了25.76%和46.39%,在CMU PIE上的平均识别率提高了10%左右。     

面向时延数据的分块PCA红外人脸识别

时延数据下的高识别性能是红外人脸识别系统应用的基础,提出一种基于分块PCA的红外人脸识别方法,提高红外人脸识别系统对时延数据识别率.为了充分利用图像的局部特征,对图像进行大小分块,并对各分块图像进行主成分分析;然后,为了缓解外部环境温度对识别的影响,通过训练学习不同温度下的红外人脸数据,去除每个图像块受环境温度影响较大的特征值.最后,为了结合整体特征,并将余下的特征值组合成特征向量用于识别.实验结果表明,本文提出的方法可以提高红外人脸识别系统对时延数据的识别率.     

基于ICA和SVM的局部人脸识别方法

ICA(Independent Component Analysis)方法使用数据的高阶统计信息抽取数据的独立分量特征.但由于人脸面部表情各异,使得这种方法并不稳定.因此提出一种基于局部人脸的ICA方法.首先对人脸进行局部分块,然后对各块进行ICA特征提出并各块合理权重,最后使用SVM(Support Vector Machine)方法对其进行分类.     

面部局部特征的独立分量分析及其应用

特征提取方法一直是人脸识别研究中的热点,局部特征分析（Local Feature Analysis）算法不仅能得到面部的全局特征,而且能提取出其局部特征信息,但该算法得到的结果具有过多冗余相关信息不利于识别。由于独立成分分析（Independent Component Analysis）算法能够有效地提取信号的高阶统计特性,很好地去除了各分量之间的相关性。给出了融合这两种方法的特征提取方法,经实验测试表明该算法能有效地提取面部特征。