基于单演定向幅值模式的复杂光照人脸识别

为了提高在复杂光照下的人脸识别率,提出了一种基于单演定向幅值模式的人脸识别算法。首先,用多尺度的单演滤波器提取图像的单演幅度和方向信息;然后,用一种新的单演定向幅值模式(PMOM)算子将同一尺度下的幅度和相位信息分解为多张定向幅值模式图,再用局部二值模式(LBP)算子提取每一个PMOM模式图的LBP特征图;最后,将每张LBP特征图分块,计算每一块的直方图,并将所有块的直方图串联后作为最终的人脸表示。在CAS-PEAL人脸库和YALE-B人脸库上的实验结果表明,该算法可以显著提高光照变化人脸图像的识率。另外,该算法参数设置简单,而且无需任何训练过程也无需对光照条件进行估计,因而具有简单、通用性好的优点     

一种基于单演相位局部差分二值模式的人脸识别方法

提出一种融合单演方向和尺度间互补信息的单演相位局部差分二值模式的人脸识别方法。该方法首先提取图像的单演相位,对单演相位进行局部差分,求绝对值,并进行二值编码;接着对单演方向和相位尺度间对应的相位点进行二值编码;然后将单演方向编码、相位尺度间编码、同一尺度的单演相位差分二值编码按顺序排列形成单演相位差分模式;最后采用统计学的方法形成单演相位差分二值模式映射表,并将单演相位编码进行映射,从而达到保留主要特征模式、降低特征维度的目的。在ORL和CAS PEAL人脸库上的实验表明,该方法具有很好的识别性能。     

融合单演特征和CS-LBP的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种融合单演幅值、相位和方向的单演中心对称幅值相位方向模式（MCSLBP）的人脸识别方法。首先采用中心对称局部二值模式（CS-LBP）对同一尺度下的单演幅值进行编码,并将单演相位量化到4个区间进行编码,同时对单演水平方向和垂直方向进行二值编码,然后将三者融合成MCSLBP特征;最后对不同单演尺度空间中的MCSLBP模式图进行分块,提取每一小块的直方图特征并串联后用最近邻分类器进行分类识别。在CAS-PEAL和AR人脸库上的实验结果表明,MCSLBP方法对具有光照、表情和遮挡变化的单样本人脸识别具有较好的识别效果。     

单演滤波与局部量化模式相结合的人脸识别方法

针对传统人脸识别方法提取的特征维数较高和计算量较大的缺点,提出了一种基于单演滤波与局部量化模式(LQP)相结合的人脸特征提取方法。首先,通过对人脸图像进行多尺度的单演滤波获得图像的包括局部幅值、局部方向和局部相位的多模式单演特征;然后,用LQP算子对图像中的每个像素点的三种单演特征进行编码,得到每个尺度滤波器下的LQP模式图;最后,将这些LQP模式图分块、统计每一块的直方图并级联作为人脸识别特征。在ORL和CAS-PEAL人脸库上对所提算法进行的测试结果表明,该算法能够以较低维数的特征取得较高的识别率,可以有效降低算法的计算复杂度。     

基于单演局部主方向能量模式的人脸识别方法

针对人脸识别中不能有效利用图像局部能量信息的缺点,提出一种基于单演局部主方向能量二元模式的人脸识别方法。首先应用主元成分分析方法求取单演局部主方向能量,然后对单演局部主方向能量进行局部二元编码。在此基础上进一步分块,求取直方图,最后运用基于分块的线性判别方法进行降维,增强特征判别能力。实验结果表明,在AR和ORL人脸库上,单演局部主方向能量二元模式方法比单演幅值二元模式方法有更好的识别性能,这说明该方法能够有效提取图像的判别特征,提高系统的识别性能。     

融合Monogenic幅值和相位的人脸识别方法

针对仅利用图像滤波幅值信息进行识别而忽视相位信息的问题,提出一种融合Monogenic局部相位和幅值的识别方法。该方法先对相位进行量化和异或,并结合方向和尺度信息得到相位编码(MLXP);其次,分别对相位编码和基于幅值的二值编码进行分块,计算直方图特征;然后,采用基于分块的线性判别进行降维,提高特征的判别能力;最后在评分层实行融合。在ORL和CAS-PEAL人脸数据库上,相位方法MLXP的平均识别率分别为0.97和0.94,融合Monogenic相位和幅值的方法平均识别率分别为0.99和0.979,超越实验中其他所有方法。实验结果表明,相位利用方法MLXP是有效的,融合Monogenic相位和幅值的方法不但能够避免传统线性判别中的小样本(3S)问题,而且能以较低的时间和空间复杂度,有效地提高身份的正确识别率。     

基于四元数小波幅值相位表示及分块投票策略的人脸识别方法*

提出一种基于四元数小波幅值相位表示及分块投票策略的人脸识别方法。该方法首先对人脸图像进行预处理,利用四元数小波变换的四路小波提取多个角度方向的小波系数,并求取四元数幅值和三个相位,将这些幅值和相位特征组合并分成若干子块,对每个子块根据最近邻原则进行分类,对各子块分类结果进行投票以实现人脸图像最终识别。对五个人脸数据库的实验表明,该方法具有较高识别率和对表情及光照变化的鲁棒性。     

融合MBP和EPMOD的人脸识别

摘 要：目的：单演信号分析在人脸识别中得到了日益广泛的应用,然而其中的单演方向作为一种极为重要的几何信息却未能得到充分的利用。为此,提出了一种新的增强型单演方向差分算子对单演方向进行特征提取,进而提出了融合MBP（单演二值模式）和EPMOD(增强型单演方向差分模式)的人脸识别方法。方法：首先对图像进行多种尺度的单演滤波并分别提取图片的MBP特征和EPMOD特征,然后使用BFLD(基于分块的线性fisher判别)分别对两种特征进行降维并增强两种特征的分类能力。最后,在得分级别上对两种特征进行融合并进行分类识别。结果：在ORL和CAS-PEAL人脸库上的实验表明,本文提出的EPMOD算法具有更小的时间复杂度和空间复杂度的前提下具有与MBP、LGBP相当甚至更好的识别效果。结论：本文提出了一种有效的人脸特征提取方法,实验表明本文提出的将EPMOD和MBP特征进行融合的方法能够显著地提高算法的最终识别率。     

一种融合多模式单演特征的人脸识别方法

为了更好地利用单演幅值和区域主方向信息,分别提出了一种单演韦伯差异激励局部块二值模式和单演区域主方向模式,并在此基础上进一步采用分块子模式策略融合两种特征。该方法首先对单演幅值求取差异激励,将差异激励分解为正值和幅值图像;然后对正值和幅值图像采用基于分块的局部二值模式编码,采用主成分分析方法求取单演区域主方向,并对主方向进行均匀量化,再采用异或编码。在获取两种特征后,采用分块子模式的策略对两种特征进行加权融合。在AR和CAS-PEAL上的实验表明,MWLMBP和MDOP两种特征提取方法能够有效提取图像的判别信息,进一步融合两种特征的方法能够有效增强特征的分类能力,提高特征的识别性能。     

相对边缘方向幅值模式耦合SIFT的人脸识别算法

人脸识别易受到光照变化、遮挡等影响,降低了识别准确率,为此提出一种基于相对边缘方向幅值模式(relative patterns of oriented edge magnitudes,RPOEM)与尺度不变特征变换(scale-invariant feature transform,SIFT)的人脸识别算法.检测脸部的...     

基于核正交半监督鉴别分析的人脸识别算法

针对人脸识别中的非线性特征提取和有标记样本不足问题,提出了在核空间具有正交性半监督鉴别矢量的计算方法。算法利用核函数将人脸数据映射到高维非线性空间,在该空间采用边界Fisher判别分析（Marginal Fisher Analysis,MFA）算法将少量有类别标签样本进行降维,同时采用无监督鉴别投影（Unsupervised Discriminant Projection,UDP）对大量无标签样本进行学习,以半监督的方法构造算法的目标函数,在特征值求解时以正交方式找出最优投影向量,进行人脸识别。通过实验,在ORL和YALE人脸数据库上验证了该算法的有效性。     

基于图像分块的改进Fisher人脸识别算法

二维方法用于图像矩阵特征提取,虽然速度快,但影响了分类速度。针对二维线性鉴别分析（Two-Dimensional Linear Discriminant Analysis,2DLDA）的特点,研究了一种基于图像分块的改进Fisher人脸识别算法,该算法首先对人脸图像进行压缩降维处理,得到相应的特征矩阵,然后利用改进Fisher算法对特征矩阵进行类间离散度矩阵和类内离散度矩阵的计算,该算法充分考虑了类别信息,避免了传统Fisher算法造成的小样本问题,有效提高了分类速度。基于ORL（Olivetti Research Laboratory）与Yale人脸数据库的实验结果证明了该算法的有效性。     

GLRAM与LDA相结合的人脸识别

提出了一种GLRAM（矩阵的广义低秩逼近）与LDA（线性判别分析）相结合的人脸识别方法。首先利用GLRAM方法获得人脸图像的有效特征,然后通过LDA对获得的特征进行进一步的降维并获得最佳分类特征。这样使得抽取特征的判断能力得到了显著增强。实验结果表明,该算法在较短的时间内取得了较高的识别率,效果优于单独运用GLRAM方法和LDA方法。     

基于梯度信息的人脸识别方法

光照、表情等外部条件的变化是影响人脸识别效果的重要因素。梯度信息反映了图像信息变化幅度的大小,对边缘敏感,对光照不敏感。基于梯度信息的人脸识别方法能够缓解光照等变化对人脸识别的影响,具有一定的鲁棒性。提出两种基于梯度信息的人脸识别方法,即基于梯度幅值的人脸识别方法和基于方向梯度的人脸识别方法。抽取梯度信息,借助于2DPCA或2DFLD对抽取的梯度信息进行特征抽取,通过相似性进行分类。在AR和Yale-B人脸库上的实验表明所提出的两种方法均具有较好的识别效果。     

M2DPCA与CCLDA相结合的人脸识别

CCLDA算法将图像矩阵转化为向量进行处理,该算法易造成数据维数很大,计算量复杂并容易出现“小样本”等问题。针对以上这些问题,提出了一种基于模块化2DPCA和CCLDA相结合的协同处理方法并应用于人脸识别领域。并且在ORL和XM2VTS人脸库上的实验结果表明,新方法在识别效果上有比以往的算法更为明显的优势。