基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。     

基于加权平均脸的最近邻算法

提出了一种基于加权平均脸的最近邻算法。该方法提取与测试样本距离较近的几个样本点,并用提取出的样本点组成加权平均脸。加权平均脸方法扩展了人脸图像的姿态和表情变化,在ORL人脸库和YALE人脸库上的实验表明,该方法提高了人脸样本的识别率：     

一种基于二代Curvelet和2D Log-Gabor滤波器的多模特征层融合识别方法

针对单模生物特征识别在实际应用中易受干扰、识别率低且无法达到零错误识别的问题,提出一种基于二代Curvelet和2DLog-Gabor滤波器的人脸与虹膜特征层融合识别算法.该方法利用二代曲波变换提取人脸特征,用2DLog-Gabor幅值法提取虹膜特征,通过PCA降维单模特征向量,在特征层进行融合,通过SVM分类识别融合特征向量.在ORL人脸库和CISIA虹膜库构成的多模生物特征库上进行测试.实验结果表明:该算法正确识别率能达到100%,较单模人脸、单模虹膜识别方法的识别率均提高3.33%,为多模生物特征识别提供了一种有效模型.     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。     

基于欠样本混合内变基字典的扩展协同表示算法

协同表示算法对人脸图像具有快速分类的特点,但在单样本或欠样本情况下,对变化复杂的人脸识别率还不够理想,无法满足工程要求。针对该问题,提出一种基于欠样本混合内变基字典的扩展协同表示算法。首先借助在同一环境下采集到的不同人脸的变化过程,提取人脸的变化共同特征并生成内变基,再融合两种及两种以上不同人脸变化的共同特征生成混合内变基,提高内变基的通用性,建立训练样本与测试样本之间变化的稀疏字典。训练样本在字典帮助下近似构建出测试样本的特征人脸,达到扩展训练样本集的目的,再对人脸协同分类。利用AR库、ORL库、Yale库和Yale B库进行识别实验。结果表明,本文算法能有效提高协同表示算法的识别率,在欠样本情况下识别率提高7.33%～33.17%,在单样本情况下识别率提高6.78%～24.47%。     

人脸识别中优化特征空间方法的研究

在人脸识别领域的诸多算法中,PCA(主分量分析)作为一种经典的算法,仍有其独特的生命力.本文在分析传统PCA算法的基础上,结合其它一些变形,提出一种二次PCA和NFL(最近邻特征线)级连判决的方法.针对Manchester和ORL人脸库的实验表明该算法确实提高了识别率.实验前对M锄chester人脸库进行了必要的预处理,在一定程度上弥补了光照、人脸大小、头发等的影响.     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

基于独立分量分析和径向基网络的人脸识别方法

人脸识别是当前人工智能和模式识别的研究热点.基于小波分解和定点独立分量分析,提出了一种新的准正面人脸径向基网络识别算法.二维的小波分解具有对表情变化不敏感的特点,可以很好地压缩和表征人脸图像的特征.定点独立分量分析是一种基于高阶统计信息提取特征的方法,克服了一般ICA收敛慢的缺点;径向基网络作为分类器具有很高的推广性能,有利于大容量样本的分类.在对人脸库ORL和YEL的识别实验中,该算法的识别率达到98%以上,与传统算法相比,识别速度和识别率都明显提高.     

基于2DPCA+PCA与SVM的人脸识别

为了提高传统PCA与SVM相结合的人脸识别算法的性能,文中提出了一种基于双向压缩的2DPCA+PCA与遗传算法SVM相结合的人脸识别算法。该算法采用双向压缩的2DPCA与PCA相结合的算法来进行人脸特征提取,有效地减少了特征数量和PCA模型的计算时间;在与SVM相结合时,其训练时间和识别时间都有所降低,且提高了识别率;同时为了进一步提高SVM的性能,文中采用遗传算法来进行SVM参数寻优,并使用交叉测试识别率来作为适应度函数。在ORL人脸库上的实验表明,该算法的性能明显高于传统PCA与SVM相结合的人脸识别算法。     

一种基于人工神经网络的人脸识别方法

提出了一种基于BP人工神经网络的人脸识别新算法。采用积分投影与几何特征提取相结合的方法进行人脸图像特征提取,构建特征向量,利用BP神经网络分类识别。仿真结果表明,该算法应用于ORL人脸库的分类识别,仅用13个特征即可达到平均识别率99%,识别能力显著增强,同时有效地降低了所需特征维数和计算复杂度。     

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。     

基于HOG低秩恢复与协同表征的人脸识别方法

在获取到的人脸图像不完备以及人脸图像在有遮挡、光照、表情的变化或受到噪声污染时,识别率就会变得十分低,针对这一问题,本文提出了一种基于HOG低秩恢复与协同表征的人脸识别算法HLRR_CRC.首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,然后对测试样本中干净的人脸图像和训练样本中干净的人脸图像分别进行HOG特征提取,得到HOG特征向量,以此特征向量为基础,得到测试样本特征矢量的协同表示,最后,通过规则化残差进行分类.在ORL、Extended Yale B和AR数据库上进行测试,实验结果表明,本文算法对光照、噪声较鲁棒,相比于当前的人脸识别算法,本文算法在恶劣光照和噪声下的识别率平均提高29.6％.     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

通用学习框架结合2DPCA的鲁棒人脸识别

针对现有的人脸识别算法由于光照、表情、姿态、伪装等变化而严重影响识别性能的问题,提出了一种基于通用学习框架结合2DPCA的鲁棒人脸识别算法。首先借助于额外的通用训练样本集进行样本的叠加以增加训练样本的数量;然后利用经典的2DPCA算法进行特征提取;最后,利用最近邻分类器对人脸进行分类并完成最终的人脸识别。在基准人脸数据库ORL、FERET及鲁棒人脸数据库AR、扩展YaleB上的实验验证了该算法的有效性及鲁棒性,实验结果表明,相比其他几种人脸识别算法,提出的算法不仅提高了人脸识别率,而且大大地减少了识别所用时间,有望应用于实时鲁棒人脸自动识别系统中。     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

一种基于改进主成分分析的人脸识别算法

提出一种主成分分析(PCA)和遗传算法(GA)相结合的人脸识别方法.利用遗传算法进行特征矢量的选择,以构成最有利于分类的特征空间.通过对ORL和Yale两个人脸数据库的实验结果,表明PCA和GA相结合的人脸识别算法优于传统的PCA人脸识别算法.     

基于生物视觉模型的人脸识别设计

针对人脸特性,对标准模型的S2层模版提取方法和匹配算法进行改进,并重新定义了C2层特征的平移不变范围,分类器采用简单的多类线性支持向量机(SVM).对ORL和Yale标准人脸库的分类识别结果表明,改进的模型能高效快速地进行人脸识别,识别率分别达到99.86%和97.23%.