基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

智能视频监控中基于肤色信息的人脸检测算法研究

针对智能视频监控中人脸检测受复杂环境以及多姿态人脸的影响,采用一种基于肤色特征与Ada Boost算法相结合的方法,提取两种算法各自优点并加以优化,其主要思想是利用肤色特征建立肤色模型,选出含有人脸预检测肤色区域,进行人脸样本训练,提取人脸样本Haar特征,进行弱分类器训练,利用迭代的方法,再将不同的弱分类器组合成强分类器,最后形成级联分类器,运用级联分类器检测含有人脸的肤色区域。实验结果表明,该方法不仅提高了智能视频监控中人脸检测的效率和准确性,而且具有较好的鲁棒性。     

结合Gabor特征与Adaboost的人脸表情识别

通过提取人脸图像的Gabor特征，结合Adaboost，进行人脸表情识别（FER）。针对Gabor特征维数高、冗余大的特点，引入Adaboost算法进行特征选择降低特征向量的维数。然后再以支持向量机（SVM）和最近邻分类法相结合组成分类器进行分类。该方法综合运用了Gabor特征对于人脸表情的良好表征能力、Adaboost算法的强大特征选择能力以及SVM在处理少样本、高维数问题中的优势。在JAFFE库上进行测试的结果验证了该法的有效性。从Adaboost所选择的特征集可知，在眼和嘴区域提取的特征，对于FER是最为重要的。     

基于MG-LTP与ELM的微表情识别

特征提取和表情分类是表情识别的关键技术。针对传统方法识别率低的缺点,首先,提出了一种基于平均灰度的局部三值模式(MG-LTP)新算法,用于提取表情特征;其次,使用极限学习机(ELM)作为分类器,用于特征分类;最后,将二者结合用于表情识别,并进一步应用于人脸微表情识别中。在JAFFE数据库及CASME人脸微表情数据库进行试验,与传统方法对比,取得了较好的效果。     

一种多算法融合的人脸识别方法研究

针对人脸识别技术易受光照、姿态、表情等影响 ,为了增强人脸识别算法的鲁棒性,提出首先采用 LBP算法提取人脸图像的局部纹理特征,使用PCA算法将高维的空间人脸图像投影到低维的 特征空间,使 用LDA算法利用人脸类别标签信息寻找最优的投影向量,实现了人脸图像维度进一步地压缩 ,最后使用SVM 分类器分类匹配得到识别结果。分别使用ORL和Yale人脸数据库验证了算法的有效性,实 验结果表明,文 中该方法具有良好的识别性能,与其它的识别算法相比,识别率有了较大的提高。     

一种基于多级梯度能量特征的DCT 压缩域人脸检测算法

压缩域人脸检测在图像/视频信息处理中具有重要意义.本文提出了一种基于多级梯度能量特征的DCT (Discrete Cosine Transform)压缩域人脸检测算法.依据DCT压缩图像色差信号的直流系数进行肤色分割,减小检测范围.在分割为肤色的区域提取多级梯度能量特征,即利用不同大小的检测窗口提取归一化的特征向量,表示不同大小的人脸.特征向量输入到级联分类器中分类,确定是否表示人脸.级联分类器由若干简单分类器和一个神经网络分类器构成.简单分类器利用一些先验知识排除大部分明显不是人脸的特征向量,通过简单分类器的特征由神经网络最终确定是否表示人脸.多级梯度能量特征与DCT域图像缩放相结合实现了对不同大小人脸的快速检测.对多级梯度能量特征的定义,减少了检测算法中压缩域图像缩放的次数,从而大幅度减少了计算复杂度,提高了检测速度.实验结果表明提出的多级梯度能量特征可有效描述DCT域人脸模式,同时也证明了该算法的快速有效性.     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

卷积神经网络的人脸识别

本文深入研究了卷积神经网络和逻辑回归分类器,利用两者的优点提出了一种混合系统,将卷积神经网络和Logistic回归分类器进行串联,该模型进行了两步学习,首先训练卷积神经网络识别面部图像,接着用逻辑回归分类器对上一步训练的特征进行二次分类,同时将使用卷积神经网络的特征提取应用于规范化数据。最后人脸数据库中进行训练和测试,通过实验证明本文算法可以在更短的时间内提高分类率,在不同的光照下也能准确识别人脸表情,具有较好的稳定性和鲁棒性。     

基于改进AdaBoost分类器的一种目标识别算法

文章提出一种基于改进AdaBoost分类器的目标识别算法,用于克服当前级联AdaBoost分类器存在的分类识别性能不足的问题。首先,对训练样本提取图像的海量Haar-like特征,然后对提取的特征基于AdaBoost算法进行特征选择和分类器构建,最后利用所选择的特征和训练得到的AdaBoost分类器进行目标的两类识别。实验结果表明,本方法优于传统的方法,具有较好的应用意义。     

基于小波分解和支持向量机的准正面人脸识别方法

基于小波分解提取人脸特征技术和多分类支持向量机模型，提出了一种新的准正面人脸识别算法。小波分解提取人脸特征具有对表情变化不敏感的特点；支持向量机作为分类器被认为具有很高的推广(generalization)性能，无需先验知识。在所提出的算法中，首先对训练图像进行预处理，然后使用小波分解方法对人脸图像进行特征提取，用所提取的人脸特征向量训练多分类支持向量机模型，最后用训练好的支持向量机进行人脸识别。利用ORL人脸图像库对该算法的实验测试结果，以及与其它人脸识别方法的比较结果表明了该算法在识别性能方面的优越性。     

基于混合SVM与AdaBoost分类的面部表情识别的人机交互

基于二维主元分析（2DPCA）方法提出一种混合支持向量机（SVM）与AdaBoost算法的面部表情分类方法。首先,该方法对灰度图像进行人脸检测,通过小波变换和二维主元分析得到特征数据,有效地减少了计算量;然后,采用SVM方法对特征数据进行分类学习,得到初始分类器;最后,通过AdaBoost算法对SVM分类结果进行进一步加强,形成强分类器,提升了分类能力,确保了表情识别工作,并实现基于面部表情识别的智能轮椅的人机交互的鲁棒性。实验结果表明：该方法不仅有效地提高了样本的分类能力,而且降低了计算的复杂度,在智能轮椅人机交互实验中的平均识别率达到92.5%。     

支持向量机方法在文本分类中的改进

提出了一种应用于文本分类的KNN和SVM相结合的算法,将SVM近似看成每类只有一个代表点的1NN分类器,对于待识别样本,如果其离支持向量机的最优分界面较远,则用SVM分类;如果其离分界面较近,采用KNN对测试样本分类,将每个支持向量作为代表点,计算待识别样本和每个支持向量的距离对其作出判断.该算法综合了KNN和SVM在分类问题中的优势,既有效地降低了分类候选的数目,又提高了文本分类的精度.最后用实验验证了该算法的有效性.     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

Comparison of ICA approaches for facial expression recognition

Independent component analysis (ICA) and Gabor wavelets extract the most discriminating features for facial action unit classification by employing either a cosine similarity measure (CSM) classifier or support vector machines (SVMs). So far, only the ICA approach, which is based on the InfoMax principle, has been tested for facial expression recognition. In this paper, in addition to the InfoMax approach, another five ICA approaches extract features from two facial expression databases. In particular, the Extended InfoMax ICA, the undercomplete ICA, and the nonlinear kernel-ICA approaches are exploited for facial expression representation for the first time. When applied to images, ICA treats the images as being mixtures of independent sources and decomposes them into an independent basis and the corresponding mixture coefficients. Two architectures for representing the images can be employed yielding either independent and sparse basis images or independent and sparse distributions of image representation coefficients. After feature extraction, facial expression classification is performed with the help of either a CSM classifier or an SVM classifier. A detailed comparative study is made with respect to the accuracy offered by each classifier. The correlation between the accuracy and the mutual information of independent components or the kurtosis is evaluated. Statistically significant correlations between the aforementioned quantities are identified. Several issues are addressed in the paper: (i) whether features having super- and sub-Gaussian distribution facilitate facial expression classification; (ii) whether a nonlinear mixture of independent sources improves the classification accuracy; and (iii) whether an increased “amount” of sparseness yields more accurate facial expression recognition. In addition, performance enhancements by employing leave-one-set of expressions-out and subspace selection are studied. Statistically significant differences in accuracy between classifiers using several feature extraction methods are also indicated.     

基于弱分类器调整的多分类Adaboost算法

Adaboost.M1算法要求每个弱分类器的正确率大于1/2,但在多分类问题中寻找这样的弱分类器较为困难。有学者提出了多类指数损失函数的逐步添加模型(SAMME),把弱分类器的正确率要求降低到大于1/k(k为类别数),降低了寻找弱分类器的难度。由于SAMME算法无法保证弱分类器的有效性,从而并不能保证最终强分类器正确率的提升。为此,该文通过图示法及数学方法分析了多分类Adaboost算法的原理,进而提出一种新的既可以降低弱分类器的要求,又可以确保弱分类器有效性的多分类方法。在UCI数据集上的对比实验表明,该文提出的算法的结果要好于SAMME算法,并达到了不弱于Adaboost.M1算法的效果。     

基于粒子群优化的对抗样本生成算法

随着机器学习被广泛的应用,其安全脆弱性问题也突显出来。该文提出一种基于粒子群优化(PSO)的对抗样本生成算法,揭示支持向量机(SVM)可能存在的安全隐患。主要采用的攻击策略是篡改测试样本,生成对抗样本,达到欺骗SVM分类器,使其性能失效的目的。为此,结合SVM在高维特征空间的线性可分的特点,采用PSO方法寻找攻击显著性特征,再利用均分方法逆映射回原始输入空间,构建对抗样本。该方法充分利用了特征空间上线性模型上易寻优的特点,同时又利用了原始输入空间篡改数据的可解释性优点,使原本难解的优化问题得到实现。该文对2个公开数据集进行实验,实验结果表明,该方法通过不超过7%的小扰动量生成的对抗样本均能使SVM分类器失效,由此证明了SVM存在明显的安全脆弱性。     

Face recognition system based on CNN and LBP features for classifier optimization and fusion

Face recognition has been a hot-topic in the field of pattern recognition where feature extraction and classification play an important role. However, convolutional neural network (CNN) and local binary pattern (LBP) can only extract single features of facial images, and fail to select the optimal classifier. To deal with the problem of classifier parameter optimization, two structures based on the support vector machine (SVM) optimized by artificial bee colony (ABC) algorithm are proposed to classify CNN and LBP features separately. In order to solve the single feature problem, a fusion system based on CNN and LBP features is proposed. The facial features can be better represented by extracting and fusing the global and local information of face images. We achieve the goal by fusing the outputs of feature classifiers. Explicit experimental results on Olivetti Research Laboratory (ORL) and face recognition technology (FERET) databases show the superiority of proposed approaches.     

Low-resolution expression recognition based on central oblique average CS-LBP with adaptive threshold

In order to solve the problem of low recognition rate of traditional feature extraction operators under low-resolution images, a novel algorithm of expression recognition is proposed, named central oblique average center-symmetric local binary pattern (CS-LBP) with adaptive threshold (ATCS-LBP). Firstly, the features of face images can be extracted by the proposed operator after pretreatment. Secondly, the obtained feature image is divided into blocks. Thirdly, the histogram of each block is computed independently and all histograms can be connected serially to create a final feature vector. Finally, expression classification is achieved by using support vector machine (SVM) classifier. Experimental results on Japanese female facial expression (JAFFE) database show that the proposed algorithm can achieve a recognition rate of 81.9% when the resolution is as low as 16×16, which is much better than that of the traditional feature extraction operators.