基于组合特征判别分析的三维人脸识别算法

针对人脸识别中特征表示与提取问题,提出了一种新颖的基于组合特征判别分析的三维人脸识别算法.该算法首先使用基于非均匀网格重采样的方法对所有三维人脸做规格化处理,使三维人脸具有统一的点数和拓扑结构;其次,以先分段、再重叠的形式将原本一维向量表示组织为二维矩阵表示,然后使用二维线性判别分析方法(2DLDA)对获得的数据进行特征抽取.这种方法在避免图像信息的丢失、增加组合特征的同时,理论上也能避免单纯使用线性判别分析(LDA)进行特征抽取时容易出现的小样本问题.在BJUT-3D大规模三维人脸数据库上的实验表明,本方法取得了良好的识别效果.     

基于四元数矩阵表示的彩色人脸图像LDA方法

为了缓解线性判别分析(linear discriminant analysis,LDA)方法在小样本情况下出现的矩阵奇异性问题,针对彩色人脸图像,利用其四元数矩阵表示模式,在人脸识别中引入基于四元数表示的二维LDA、双向LDA方法.这些方法充分利用了彩色图像的空间分布信息,通过在行、列方向降维提取图像的2DLDA、BDLDA特征,缓解了类内散度矩阵的奇异性问题.在FERET彩色人脸数据库及AR彩色人脸数据库上的大量实验证明,本文方法与基于四元数矩阵表示的2DPCA、BDPCA算法相比,识别性能均有提高.     

类依赖增强线性判别分析算法

在增强线性判别分析和类依赖线性判别分析的基础上,提出了类依赖增强线性判别分析算法,对多模态数据进行分类.算法利用增强线性判别分析的局部信息保持能力,在不破坏多模态局部结构的前提下,对数据进行降维;然后采用最大散度差线性鉴别分析准则对每一类样本获取一个投影矩阵,从而获取不同类的样本分布的特征差异.在人脸数据库上进行实验验证,结果表明,该算法的分类效果好。     

基于Daubechies小波的人脸识别算法

为寻求正确率更高的人脸识别技术,提出一种基于Daubechies小波变换和支持向量机(DW-FPSVM)的人脸识别算法.首先对人脸图像进行一次二维Daubechies小波分解提取特征,接着利用快速PCA对特征降维去噪处理,最后选取合适的核参数建立分类模型对其识别,并对常见的ORL人脸库、Yale人脸库进行实验仿真.结果表明:人脸识别准确率随支持向量机核参数γ的增大而减小,且基于DW-FPSVM能够有效的提高人脸识别算法的准确性和稳固性;相较于其他小波的相关结果发现,Daubechies小波更具应用优势.     

基于二维广义主成分分析的人脸识别

针对人脸识别中的特征提取问题，提出了一种基于二维广义主成分分析（2DIMPCA）的人脸识别方法.有别于传统的人脸识别算法需要将二维人脸图像矩阵压缩成一维向量，该方法直接采用二维图像矩阵来构建方差矩阵，通过在水平和垂直2个方向上顺序执行2次广义主成分分析（IMPCA）运算，消除了人脸图像行和列的相关性，大大压缩了特征的维数.选用二维最小近邻分类法进行分类，计算识别率.在AT&T人脸库以及Yale人脸库上的测试结果表明，与主成分分析（PCA）和IMPCA相比，该方法具有更高的识别率和更快的识别速度.     

基于改进的核判别分析的人脸识别算法研究

由于目前面临光照、表情、姿态等影响,人脸识别是计算机视觉领域中的一个难题.由于人脸图像蕴含着丰富的纹理信息,充分利用纹理特征也是提高人脸识别算法的有效方法.利用图像处理中信号处理和学习两种方法的优势,提出了基于Gabor小波和KDCV相结合的图像特征提取算法.首先利用小波分析提取人脸图像的纹理特征,然后用改进的核判别分析方法对提取的纹理特征进行降维,用降维后的数据作为人脸识别的特征.通过仿真实验表明,改进的核判别分析算法可有效提高人脸识别正确率,提高算法的实际应用性.     

基于卷积神经网络和PCA的人脸识别

主要研究了在基于深度学习的人脸识别算法中,对于由深度卷积神经网络提取得到的人脸特征进行降维处理是否有助于提高人脸识别的准确率.利用VGG网络模型提取人脸图像的深度特征,然后利用主成分分析(PCA)对提取到的深度特征进行降维,最后利用余弦分类器进行分类识别,并在LFW人脸库上进行实验.实验结果表明通过PCA降维后的深度特征具有较高识别率.     

Gabor小波和SLLE在人脸识别中的应用

为了提高人脸识别算法的识别率,提出了一种基于Gabor小波和SLLE的人脸识别算法．该算法首先采用Gabor小波对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征,然后采用监督的局部线性嵌入算法对Gabor特征进行维数约简,最后使用最近邻分类器进行分类判决．在ORL、YALE人脸库上进行实验,结果表明,该算法平均识别率比其他算法提高3．5％～37．8％,有效提高了人脸识别算法的性能．     

融合2DUDT与2DLDA的人脸识别研究

提出了一种融合二维非相关判别转换和二维线性鉴别分析分别提取人脸图像矩阵行方向的非相关鉴别信息和列方向的线性鉴别信息的人脸识别方法。该融合方法将线性鉴别向量提取方法与非相关鉴别向量提取方法相结合。首先计算进行人脸图像矩阵列压缩时的类间散射矩阵和类内散射矩阵,用二维线性鉴别分析计算特征值和所对应的特征向量,用特征向量集对人脸图像矩阵进行列压缩。其次,计算人脸图像矩阵行压缩时的类间散射矩阵、类内散射矩阵和总体散射矩阵,用二维非相关判别转换求出最优投影矩阵并用最优投影矩阵的转置矩阵对人脸图像矩阵行压缩。最后用最近邻分类器对压缩的ORL人脸图像测试样本进行分类处理,可实现人脸图像的准确识别。     

基于改进的ICA和RBF神经网络的人脸识别

为了提高人脸识算法的训练识别速度以及准确率,提出一种改进的人脸识别算法。将独立成分分析(independent component analysis,ICA)与径向基函数(radial basis function,RBF)神经网络相结合,利用ICA算法对人脸图像进行特征提取,采用牛顿迭代法提升其迭代性能;引入松弛因子,在保证收敛速度的前提下,放宽对初始权值选取的局限性。将特征信息作为RBF神经网络学习输入,采用监督聚类方法对神经网络进行构建和初始化,利用线性最小二乘法调整输出层连接权值,梯度下降法调整隐含层中心以及高斯宽带,通过训练学习获得最终的人脸识别分类结果。对比实验结果表明,改进的人脸识别算法训练速度和识别速度更快,准确率更高。     

直接LDA在人脸识别中的鉴别力分析

直接线性鉴别分析(DLDA)曾被声明利用类内离散矩阵零空间内外所有鉴别信息,为了分析声明的理论缺陷,对DLDA在人脸识别中的鉴别特性进行了研究.鉴于DLDA是在类间离散矩阵列空间中寻找最优解,理论分析从下面3方面内容展开:类间和类内离散矩阵的列空间之间的关系、类间离散矩阵列空间与类内离散矩阵零空间的关系以及在保留全部鉴别矢量下的DLDA特性,结果表明,在小样本条件下,DLDA几乎没利用零空间内的信息,导致一些有用的鉴别信息的丢失;若保留全部的鉴别矢量,DLDA退化为类间离散矩阵的保留所有非零成分的主成分分析.在人脸数据库ORL和YALE上的比较实验结果显示:DLDA的识别率都次于其它几种线性鉴别分析扩展方法,与理论分析一致.     

基于核方法的二维线性判决分析的人脸识别算法

针对基于二维线性判决分析的人脸识别算法中缺少非线性判决信息的问题,提出了一种改进的基于核方法的二维线性判决分析的人脸识别算法。实验结果表明,改进后的算法相对原算法具有更好的识别效果。在此基础上研究了在使用多项式核函数时本文算法的性能,得出了在选用低次数多项式核函数时识别率较高的结论。     

基于监督式ICA的人脸识别

特征提取技术是人脸识别的关键技术,很大程度上决定着识别结果的好坏.而传统的基于独立分量分析的特征提取方法不仅速度慢且未完全利用特征信息,故提出一种监督式特征提取方法.将类信息引入到独立分量的求取过程中,从而得到更有利于分类的独立分量.这里,主要考虑类内散布度对分类的影响,并推导出新的独立分量迭代公式,将其应用到人脸识别问题中.通过在3个标准的人脸数据库上的实验表明,监督式ICA方法在识别率和识别时间上都优于传统的ICA方法.     

基于小波近似分量非参数鉴别分析人脸识别算法

根据小波变换原理,采用dbl小波基函数,对人脸图像进行3级小波分解。将3层小波近似分量进行重组,得到新的样本向量集。由于非参数鉴别分析对非高斯分布样本集具有良好的适应性,提出了基于小波近似分量和非参数鉴别分析的人脸识别算法。在样本向量集上应用非参数鉴别分析,形成类内和类间矩阵,然后利用Fisher线性鉴别进行人脸识别。实验结果表明,在ORL和CAS-PEAL-R1人脸库上使用上述算法的识别率分别为95％和97．5％。     

基于肤色增强和分块PCA的人脸表情识别方法

人脸的表情识别在智能人机交互应用中具有重要意义. 本文提出了一种基于肤色增强和分块PCA的人脸检测及表情识别方法. 首先,使用同态滤波增强肤色图像的亮度范围及对比度,利用YCbCr色彩空间分量分离肤色背景区域,再通过轮廓分析确定人脸目标,最后对分割出的人脸进行均衡化处理,并引入分块主成分分析(PCA)算法进行表情识别. 结果表明,该方法在光线较弱以及背景较复杂的情况下均能有效地进行人脸检测与表情识别,相对于传统的LBP方法可提高识别率约为2.3%.     

基于核映射的无相关鉴别矢量集算法

针对人脸识别这一非线性分类问题,提出了一种基于核的无相关鉴别矢量集算法。应用了支持向量机中核函数的思想,通过核映射将原空间的非线性分类问题转化为特征空间的线性分类问题,然后在特征空间进行无相关鉴别矢量集的求取。其优势在于:利用核函数不但可以将非线性问题转化为线性问题,而且可以提取样本图像的高阶统计特征。在ORL人脸库中的测试结果表明,与传统的全局正交鉴别矢量集算法及传统的无相关鉴别矢量集算法相比,基于核映射的无相关鉴别矢量集算法有更高的识别率,最高识别率可达到99%。     

Gabor特征均值的子空间人脸识别算法的改进

针对人脸图像局部特征提取不充分的问题,在基于子空间分析的人脸识别算法中,提出了在线性和非线性空间中实现基于2DGabor均值的子空间人脸识别算法.首先,根据人脸图像的5个特殊区域,对人脸图像进行分块处理,分别对每一块进行2DGabor运算,并把每个训练样本相应像素点得到的特征矢量取均值,得到图像的特征向量,然后在线性和非线性空间中利用2DPCA(two-dimensional principle component analysis)和KDA(kernel fisher discriminant analysis)对特征向量进行降维处理,最后利用最近邻分类器和支持向量机分类器SVM(support vector machine)进行特征分类与识别,通过对ORL和FERET标准人脸库图像进行的实验仿真即对比结果表明,基于2DGabor均值的方法不仅提高识别率,而且对于人脸光照、姿态和表情变换均具有良好的鲁棒性.     

零空间边界Fisher分析法及其在人脸识别中的应用

边界Fisher分析（MFA）是一种有效的特征抽取方法,但在人脸识别的应用中会遭遇小样本问题。基于此,提出一种利用零空间法求解MFA优化准则的算法。该算法通过在MFA的类内散度矩阵的零空间中最大化MFA类问离散度得到最优投影向量,从而避免MFA方法所遇到的小样本问题,同时也保留了包含在类内散度矩阵零空间中的鉴别信息。在标准人脸库上的识别实验结果表明,该算法的识别率高于LDA和MFA,并且较容易选择其最优低维特征空间的维数。