基于鉴别能力分析和LDA-LPP算法的人脸识别

针对人脸识别中的DCT系数选择问题和如何从全局和局部同时提取识别特征的问题,提出了一种基于鉴别能力分析和LDA-LPP的人脸识别算法。即先对人脸图像进行DCT变换,利用鉴别能力分析方法进行DCT系数的选择,融合LDA和LPP降维技术进行降维处理,不仅可以保持数据的全局性,同时也能够保持数据的局部性。在ORL人脸库和Yale人脸库上的实验表明,本文方法可以选择有效的DCT系数,明显提高了识别精度和鲁棒性。     

基于DCT与DWT的彩色图像数字水印算法

提出一种基于DCT与DWT域的图像数字水印算法.该算法先将图像从RGB色彩空间转化到YIQ色彩空间,在YIQ模型中取其亮度分量Y进行二级DWT变换,然后再在小波变换的基础上进行DCT变换.根据人眼对图像的纹理和边缘不敏感的视觉特性,选择能量较大的块系数嵌入水印.实验结果表明,该方法可行,并具有较强的抗剪切、几何攻击性.     

基于小波变换和主分量分析的人脸识别

提出了基于小波变换和主分量分析的人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间,将人脸图像在特征空间的投影作为KNN分类器的输入,由KNN分类器对提取的特征进行识别.在ORL人脸数据库上的实验结果表明该方法具有良好的性能.     

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Keras卷积神经网络的多人脸识别抗干扰研究

人脸识别的训练预测模型是多样而复杂的,影响人脸识别准确率和稳定性的因素也很多。人脸识别的抗干扰设计是构建人脸识别模型不可忽视的重要内容。通过获取更高质量的人脸图像数据源,选择效果更好的人脸识别优化器以及部分超参数的调整,来提高对大量人脸数据进行处理的能力。利用卷积神经网络减少人工干预,提高特征提取的算法精度,从而提高多人脸识别的精度。     

基于缩放不变矩的鲁棒DCT域图像拷贝检测方法

提出一种基于不变矩的DCT域图像拷贝检测方法, 选取图像亮度分量的整体DCT变换后的中低频系数的符号作为其DCT域特征, 分别计算原始图像及其角度规范化后图像的DCT域特征, 计算并比较查询图像与图像库中图像的两类特征的相关性, 取较大的相关值来判断图像是否存在拷贝. 图像的整体DCT中低频系数已被验证对于信号处理攻击鲁棒性高, 且随着图像缩放攻击呈规律性变化, 因而利用图像的整体DCT中低频系数构建的DCT域特征对于信号处理和图像缩放攻击鲁棒性高; 利用图像的缩放不变矩估算出图像特征角度, 再依据特征角度对图像进行角度规范化可消除旋转失真的影响, 因而利用角度规范化后的图像的DCT域特征能抵抗旋转、以及旋转和等比例缩放的混合攻击. 实验结果证明在抗旋转和包含旋转的混合攻击方面, 该算法的检测效果明显优于已有算法.     

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.     

基于光照或表情变化的人脸识别算法

对在光照和人脸表情发生各种变化的环境下,用Coiflet小波包和Radon变换两种简单算法从一些灰度级图像数据库中进行人脸识别.这两种算法都能将二维灰度级的人脸图像培训集转换成各自的深度图或物理形态,随后转化为Coiflet小波包和Radon变换,用于特征提取的计算.实验表明,这种转换过来的形态特征对光照和人脸表情的变化具有鲁棒性.     

一种基于HVS的变换域数字水印算法

以离散余弦变换(DCT)、离散小波变换(DWT)、静态图像压缩编码为基础,依据人眼视觉特性(HVS),提出了一种将二维数字水印信息(灰度图像)经过压缩编码变换后,嵌入到经DWT和DCT变换的原始载体图像的数字水印算法.实验结果表明,此算法对叠加噪声、JPEG压缩、平滑滤波、几何剪切、旋转变换等攻击均具有较好的鲁棒性.     

基于二维人脸图像的特征提取技术研究

针对目前人脸识别中特征提取的技术特点,提出了一种基于二维人脸图像的特征提取方法,利用肤色分析及灰度投影对二维人脸的关键特征点进行定位、分析并提取.经实验证明,此方法能够对人脸区域的特征点实现准确、可靠的定位.     

用小波变换和Fisher判别对人脸进行特征提取

提出了一种用小波变换和核函数Fisher判别对人脸进行特征提取的方法.同传统的特征提取方法相比,用核函数Fisher判别进行特征提取,不仅可以对人脸图像进行维数压缩,而且还可以有效利用提样本的类别信息.同时,用小波变换对人脸图像进行预处理以降低计算复杂度.同传统的Fisher变换相比,可以较好地解决人脸识别这一非线性问题.实验结果表明方法是有效的.     

基于拉普拉斯金字塔降维的人脸识别算法

针对传统的基于PCA(Principal Component Analysis)和BP(Back Propagation)神经网络的人脸识别算法运算维数高、容易出现震荡而导致识别率低等问题,提出了一种基于拉普拉斯金字塔降维的人脸识别算法,该算法首先通过对人脸图像进行拉普拉斯金字塔降维处理,在降维的同时保持了人脸图像的细节,然后用PCA进行特征提取,最后通过BP神经网络分类器进行人脸识别.利用ORL人脸图像数据库进行仿真实验,结果表明,该算法识别率较高.     

基于动态优化PCA人脸识别算法的实现

提出一种人脸识别动态优化PCA算法。采用ORL人脸数据库,对数据库中图像进行放缩归一化操作并按升序或降序排列。然后,将数据库分为最大值类、中值类、最小值类三个部分,求其各类平均值,特征值个数选取9和10,实现人脸识别和重建。随机采样人脸图像,采用DCT算法将其转换到频域进行分析,通过比较整个数据库平均脸与三类中各自平均脸,算法运行后,特征值个数可以实现自动优化。实验结果显示,该算法在一定程度上可用来对传统PCA算法部分关键参数进行优化。     

一种DWT和DCT相结合的数字图像水印算法

提出一种DWT变换和DCT变换相结合的灰度图像数字水印算法。对二值水印图像进行置乱和混沌加密处理,将水印图像序列调制成正负序列。在水印的嵌入过程中,对载体图像进行小波变换,提取出其低频系数矩阵,将低频系数矩阵划分成4×4大小的子块,针对各子块进行DCT变换,采用正负量化的方法进行水印的嵌入。实验结果表明,该算法对JPEG压缩、加噪、剪切和滤波等攻击,具有良好的抵抗能力,鲁棒性较好。     

基于DCT和量化的彩色图像数字水印算法

给出了一种在DCT域中嵌入彩色图像数字水印的算法，首先对水印进行预处理，嵌入时将原始图像红、绿、蓝三个分量分别作DCT变换，选取变换后的低频系数作为嵌入系数，采用量化的方法嵌入水印。算法对于常见的图像攻击，特别是对图像的JPEG压缩具有较好的抵抗性。     

基于核贝叶斯压缩感知的人脸识别

为加快人脸识别速度和提高人脸识别率,将贝叶斯压缩感知算法进行核扩展并运用到人脸识别,改进局部特征统计方法,结合空间金字塔模型,用于人脸图像的特征提取。首先用局部特征统计提取图像特征,在此基础上再进行第二层局部统计,然后根据空间金字塔模型分层提取不同空间尺度的特征,最后运用核贝叶斯压缩感知算法分类。在AR和FERET人脸数据库上的试验结果表明,本研究算法相对于传统方法具有更好的性能。     

基于DCT和DWT的数字图像隐藏技术

提出了基于DCT域置乱的DW T域数字图像隐藏算法。先对秘密图像按块进行DCT变换,然后按“之”字型结构挑选其低频系数和部分中频系数,为了增强系统的安全性,选用混沌序列作为ZF-02分组密码算法的初始密钥,生成2个换位错乱序,对秘密图像进行频域系数的置乱加密;再对公开图像进行DWT变换,选中某一层的3个方向上(水平、对角、垂直方向))的高频分解系数,通过比较这3个高频系数矩阵,将同一位置上最大的系数组成一个新的矩阵(中频系数矩阵);最后将置乱后的秘密图像的DCT系数嵌入到中频系数矩阵中,用修改后的系数重建混合图像(与公开图像近似)。实验证明该方法可行、效果好、隐藏信息量大、安全性高,能够克服DCT域系数间融合产生秘密图像轮廓的缺点,而且还能抵抗空间域几种几何攻击和小波变换域压缩攻击。     

基于二维线性判别分析的彩色人脸识别

为了提高人脸识别的准确率,提出了一种基于二维线性判别分析的彩色人脸识别算法,直接对彩色人脸图像不同通道的颜色信息进行编码,采用矩阵表示模型描述人脸对象;融合人脸的类别特征,采用二维线性判别分析的算法提取彩色人脸的分类特征;根据投影后的特征矩阵,采用最近邻分类的算法进行人脸识别.利用CVL和CMU PIE彩色人脸数据库进行实验.结果表明,本文提出的彩色人脸识别算法能有效地提高人脸识别的准确率,明显优于对比的算法.     

基于加权小波分解和PCA的人脸识别

小波分解可以大幅度降低人脸图像的维数,图像的基本信息不丢失,可以很好地表征人脸特征.用低频分量和加权高频分量分别结合PCA进行特征提取,分别计算待测试人脸与低频、高频训练人脸的欧式距离,加权计算出新的距离系数,然后利用k-近邻法分类.实验表明此方法的识别率高、训练的时间短.     

基于加权小波变换和2D-PCA的人脸识别改进算法

基于小波变换的人脸识别方法通常将图像变换成低频和高频信息,传统的人脸识别算法大多数都是基于小波变换后的低频信息,没有充分利用高频信息,造成了高频信息中对识别有利信息的丢失. 本文提出了一种基于加权小波变换和2D-PCA的人脸识别改进算法. 首先基于二维离散小波(2D-DWT)对图像进行二层小波变换,将所得的低频信息和水平、垂直和对角高频信息进行加权融合. 在此基础上,采用二维主成分分析(2D-PCA)方法进行特征提取; 最后采用最近邻分类器进行分类识别. 基于ORL标准人脸数据库的实验结果表明,本文提出的方法比传统的2D-PCD识别算法和2D-DWT+2D-PCA识别算法有更好的识别效果,且人脸受光照等因素的影响表现出良好的鲁棒性.