基于3DMM的视频流立体人脸识别算法研究

针对目前人脸三维重建存在的问题,提出了融合ASM、3DMM和PCA的立体人脸识别算法。首先利用ASM提取人脸特征点,并计算人脸区域,然后应用3DMM算法对人脸区域进行三维重建得到三维人脸模型,最后采用PCA立体人脸识别算法计算出特征空间中欧式距离最相近的样本脸,实现了基于视频流的人脸识别。实验结果表明,提出的算法具有良好的三维重建效果和识别准确率。     

基于奇异值分解的人脸识别方法

提出了一种将傅里叶变换和奇异值分解相结合的人脸自动识别方法.首先对人脸图像进行傅里叶变换,得到其具有位移不变特性的振幅谱表征.其次,从所有训练图像样本的振幅谱表征中给定标准脸并对其进行奇异值分解,求出标准特征矩阵,再将人脸的振幅谱表征投影到标准特征矩阵后得到的投影系数作为该人脸的模式特征.然后,对经典的最近邻分类器算法进行了改进,并采用模式特征之间的欧式距离作为相似性度量,从而完成对未知人脸的识别.采用ORL(Olivetti Research Laboratory)人脸库对本文提出的人脸识别方法进行验证,获得了100.00%的识别率.实验结果表明,本方法优于现有的基于奇异值分解的人脸识别方法,且对表情、姿态变换等具有一定的鲁棒性.     

基于小波变换的人脸光照补偿

提出了一种用于非均匀光照条件下人脸识别的光照补偿算法。该算法首先将人脸图像变换到对数域,并在对数域中计算2维小波变换,通过舍弃低频子带图像中的系数来实现人脸图像的非均匀光照补偿。由于人脸光照补偿的目的是为了提高人脸识别性能,所以光照补偿的效果利用人脸识别率来表征。在Yale B人脸库中,与对数域离散余弦变换（DCT）光照补偿算法进行了比较,实验结果表明,本文方法的人脸识别平均误识率可以达到0.18%,比对数域DCT方法具有更好的性能。另外,在CAS_PEAL人脸库中的实验结果表明,本文方法的性能与对数域DCT方法相近。     

基于类内分块PCA方法的人脸表情识别

主成分分析方法（PCA）是目前广泛应用在人脸等图像识别领域的重要手段。为了更准确地识别人脸的表情信息,有效抽取出图像中对表情识别贡献较大的局部特征,提出了一种类内分块PCA方法对人脸表情进行特征提取。首先对图像进行分块,再对分块得到的所有子图像块利用PCA方法进行鉴别分析,并计算出各类训练样本的子空间,然后计算测试样本到各类子空间的距离,最后输入最近邻分类器得到分类结果。在JAFFE人脸表情库上进行的实验结果表明,使用该方法后获得的识别率优于传统的PCA方法。     

基于加权判别局部多线性嵌入的人脸识别

张量算法克服了传统向量算法的维数灾难和小样本问题,在人脸识别中取得了较好的效果.尽管如此,现有张量算法容易导致邻近类别在低维空间中重叠,为此,提出了一种加权判别局部多线性嵌入算法.该算法设计了一种自适应加权的判别准则,结合类别信息,保持了同类人脸图像之间的局部流形结构,同时利用高斯基函数作为加权函数,根据人脸图像对其他类别的影响,自适应产生权重系数,加大了类间样本的区分度.此外,该算法采用张量形式表示图像数据,保留了图像的结构,继承了张量算法的优点,并且有效地解决了out-of-sample问题.人脸识别实验表明,对于光照,姿态和表情的变化,该算法具有较好的稳健性和较高的识别率.     

一种去除人脸图像中的眼镜的方法

在人脸识别中,眼镜作为人脸上常见的遮挡物对人脸图像的识别率有很大的影响。该文提出了一种去除人脸图像眼镜的方法。利用二维广义主成分分析(2DIMPCA)算法对戴眼镜的人脸进行重建,通过与输入的原始人脸图像的对比,经过二值化运算,提取出眼镜遮挡区域;通过误差迭代的方式对图像进行误差补偿,合成最终的无眼镜的人脸图像。实验结果表明,该算法可以得到比较自然的无眼镜人脸图像,优于传统的PCA方法。     

基于频谱脸和不变矩人脸识别新方法的研究

提出了基于频谱脸和不变矩的人脸识别方法。频谱脸是一种人脸的特征表达方式,可以有效地消除人脸表情变化、少许遮掩对人脸识别的影响。而不变矩是图像的一种统计特征,具有的平移不变性、旋转不变性和比例不变性,可以有效减少少许姿态和光照条件变化所带来的识别误差。因此首先对原始图像进行适当级数的小波变换及傅立叶变换得到人脸图像的频谱脸表达,然后利用频谱脸图像矩阵的不变矩作为识别特征,建立人脸识别模型。利用ORL人脸数据库进行仿真实验,结果表明,该方法识别率较高,识别速度较快,便于实时实现。     

基于核主分量分析的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主分量分析（PCA）是最为常用的人脸图像特征提取方法,核主分量分析（KPCA）方法是对PCA方法的一种改进,基于ORL人脸数据库的计算机仿真实验结果证明了KPCA算法的有效性。     

单样本的低分辨率单目标人脸识别算法

针对只给定单幅目标图像的情况下,而要在监控视频中查找出该目标人脸图像的问题,提出了一种单样本的低分辨率单目标人脸识别算法。考虑到待识别样本集中的目标与非目标对象数量严重不均衡,以及单目标问题无法利用不同类别间的互斥关系。首先在待识别样本集中,通过聚类算法,将单目标的识别问题转化为多目标识别问题,进而提高开集人脸识别算法的鲁棒性;其次,利用迭代标签传播算法不断优化待识别样本的归属类别;在迭代过程中,按照置信概率估计每个类别的人脸确认阈值,以解决单样本无法训练分类器的问题。在多个人脸数据集上的实验结果表明,该算法对于单目标的单样本的人脸识别精确率既能逼近100%,也具有较高的召回率。     

基于小波变换和模糊神经网络的人脸图像识别方法

提出了小波变换技术和模糊神经网络技术相结合的人脸识别方法。小波变换具有良好的多尺度特征表达能力,能将图像的大部分能量集中到最低分辨率子图像,高频部分则对应于图像的边缘和轮廓,能很好的表征人脸图像的特征。模糊神经网络具有很强的分类能力,并且可以运用神经网络的学习算法。实验表明,二者的结合对人脸识别具有计算量小,识别率高的优点,有很强的实用性。     

基于小波变换和LDA/FKT及SVM的人耳识别

人耳识别技术是生物特征识别和人工智能领域的一个重要分支.针对人耳图像自身的特点并通过对现有方法的研究,本文提出了一种新的人耳识别方法,即先对人耳图像进行二维的离散小波分解,然后使用LDA/FKT算法对小波分解后得到的低频信息进行降维,进而获得图像的特征向量,最后采用支持向量机作为分类器对样本向量进行判别.实验证明,本文提出的方法不仅较好地解决了人耳识别中的小样本问题,而且还取得了比传统的PCA+LDA方法更高的识别率,是一种有效的人耳识别方法.     

基于DWT和PCA及LDA的人耳识别

根据主成分分析(PCA)和线性判别分析(LDA)在人耳识别过程中存在识别率不高的问题,提出一种基于离散小波变换(DWT)和PCA及LDA的人耳识别算法。将人耳图像进行二维DWT,选择包含图像大部分信息的低频子带,先利用PCA再利用LDA提取最优样本映射空间,最后利用最近邻法则进行人耳图像的分类。实验结果表明,该方法识别效果优于基于PCA及LDA的方法。     

基于KPCA和Gabor小波的特征融合人脸识别

针对大多数人脸识别算法中特征提取只关注一种特征的问题,本文提出了一种基于KPCA和Gabor小波特征融合的人脸识别算法。它是一种用核主成分分析方法 (KPCA)提取人脸高阶非线性全局特征,用Gabor小波提取人脸局部特征,再分别用费谢尔线性判别(FLD)提取特征再加权级联融合的方法。实验表明,该算法不仅计算速度快,识别率高,而且能有效解决小样本空间问题。     

基于PCA与贝叶斯决策的人脸识别算法

研究了主元分析与贝叶斯决策相结合的人脸识别方法。利用主元分析提取人脸图像训练集的特征子空间,将训练图像和测试图像投影到该子空间,提取特征向量及计算统计特性,利用最小错误率贝叶斯决策规则对测试图像进行分类,从而实现人脸识别。大量实验表明:主元分析能将人脸图像的特征信息有效地映射在特征子空间,同时采用贝叶斯决策规则能够快速准确地对人脸图像进行分类。     

基于多维度选择性搜索的小样本缺陷识别方法

超声内检测是油气管道缺陷的主要检测方式之一,目前超声内检测在工业小样本的情况下存在缺陷识别边界定位不准的问题。本文提出了一种基于多维度选择性搜索的小样本缺陷识别方法,该方法首先对超声回波进行特征提取,其中包含使用基于孤立森林的回波特征点提取,和基于自然断点法的特征点聚类;其次提出了风险相似性度量方法,并使用梯度提升树建立波形特征和风险程度的回归模型;然后将多维度缺陷相似性信息融合在选择性搜索算法中,实现小样本缺陷识别;最后使用异常分数等区域风险度量指标实现缺陷边界的精准定位。实验结果表明,本文设计的基于多维度选择性搜索的小样本缺陷识别方法的查全率和查准率分别高达95.08%和85.46%,能有效解决超声信号缺陷识别边界定位不准的问题。     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。