基于非下采样contourlet梯度方向直方图的人脸识别

针对人脸识别系统准确度不高的问题,提出一种基于非下采样Contourlet梯度方向直方图(HNOG)的人脸识别算法。先对人脸图像进行非下采样Contourlet变换(NSCT),并将变换后的各系数矩阵进行分块,再计算各分块的梯度方向直方图(HOG),将所有分块的直方图串接得到人脸图像HNOG特征,最后用多通道最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CAS-PEAL-R1人脸库上的实验结果表明,人脸的HNOG特征有很强的辨别能力,特征维数较小,且对光照、表情、姿态的变化具有较好的鲁棒性。     

基于韦伯梯度方向直方图的人脸识别算法

针对传统人脸识别算法在姿态、表情和光照等变化下而引起识别效果不佳的问题,提出一种韦伯梯度方向直方图人脸识别算法（HWOG）。利用差动激励提取图像的结构和纹理信息,利用HOG算子提取原始图像的边缘特征,分块统计直方图特征信息,将所有分块的直方图串接得到人脸图像HWOG特征,用最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CAS-PEAL-R1进行实验,实验结果表明所提算法能有效提高识别率,且对光照、表情和姿态变化有较好的鲁棒性。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。     

基于改进的WLD特征的人脸识别

对WLD特征进行改进。改进的特征提取方法为:首先将原始人脸图像划分为若干个子块,然后提取每块图像的WLD直方图统计特征,其中的梯度方向是用Prewitt算子计算的,最后将所有分块的WLD直方图序列连接起来构成特征向量。为了验证改进特征的性能,用支持向量机进行人脸识别,人脸图像取自ORL和YALE人脸数据库。实验结果表明,采用改进后的特征可以显著提高人脸识别率。     

HOG在人脸识别中的性能研究

介绍梯度方向直方图(HOG)人脸识别算法,设计基于脸部识别技术人脸库的HOG人脸识别实验,以测试不同HOG参数对人脸识别的影响,从而进行最优参数设置。实验结果表明,HOG特征在行人检测和人脸识别上对梯度方向空间和区间的选择是一致的,不同分块模式对人脸识别的影响与行人检测不同,HOG特征描述子用较少的特征维数就能有效地表达人脸,采用块内标准化方式后,识别性能有大幅度提升。     

基于NSCT和M-PCNN的人脸特征提取

为提高人脸识别对人脸姿态、位置、表情变化的鲁棒性,提出一种基于非下采样Contourlet变换(NSCT)与改进脉冲耦合神经网络(M-PCNN)的人脸特征提取方法。利用NSCT对输入图像进行多尺度分解和多方向稀疏分解,以捕获图像中的高维奇异信息,使用M-PCNN模型提取各子带的信息熵,将其作为人脸特征,利用支持向量机(SVM)实现分类与识别。仿真结果表明,该方法鲁棒性较强,在识别和分类中表现出较好的性能。     

非采样Contourlet变换与局部二值模式相结合的人脸识别

针对人脸识别中姿态、光照和表情变化带来的识别率有限的问题,提出了一种基于非采样Contourlet变换(NSCT)与局部二值模式（LBP）的人脸特征提取方法。首先对人脸图像进行非采样Contourlet变换,得到多尺度、多方向的子带系数矩阵,然后利用LBP算子从每个子带系数矩阵上抽取局部邻域关系,得到各子带的LBP特征图谱,最后将这些图谱分块统计并级联后作为人脸的识别特征。利用多通道最近邻分类器的分类结果表明,所提方法能有效提高识别率,所提取的特征对光照、表情和姿态等变化具有更好的鲁棒性。     

改进的自商图算法

针对人脸识别中的光照变化问题,提出一种改进的自商图算法。对光照图像进行伽玛变换,使用非下采样轮廓波变换对图像进行多尺度多方向分析,对各方向子带进行Wiener滤波,利用自商图模型提取人脸图像的光照不变特性。Yale B与CMU PIE人脸库上的实验结果表明,与传统算法相比,该算法的平均识别率更高。     

拉普拉斯滤波结合CS-LBP的单样本人脸识别

针对传统的人脸识别算法在单训练样本的情况下识别率不佳的情况,提出一种结合拉普拉斯滤波与中心对称局部二值模式的人脸识别算法（LFCLBP）。对原始人脸图像进行拉普拉斯滤波处理;然后对图像提取梯度幅值和梯度相位信息,对梯度幅值用CS-LBP算子编码,再将梯度相位量化到16个区间进行编码,将二者融合成人脸图像的LFCLBP特征;分块统计直方图特征,将所有分块的直方图串联起来作为人脸图像的特征向量,并用最近邻分类器识别。在YALE人脸库和AR人脸库上进行测试,测试结果表明该算法有效,在光照变化、表情变化和部分遮挡等环境下对单样本人脸图像具有较好的识别效果。     

NSST与CSLDP相结合的人脸识别

针对人脸识别中姿态、光照和表情等变化造成的识别率不高的问题,提出一种非采样Shearlet变换（NSST）与中心对称局部方向模式相结合的人脸识别算法。采用NSST分解人脸图像,得到低频子带图像和高频子带图像,计算子带图像中心对称局部方向模式,分块统计直方图特征信息,将直方图串接起来作为人脸图像的特征向量,利用最近邻分类器分类识别。在ORL、YALE和CAS-PEAL-R1人脸库上进行测试,实验结果表明所提方法简单有效,且对姿态、光照和表情变化具有较好鲁棒性。     

基于非下采样剪切波及TPCA的人脸识别

张量主成分分析法(TPCA)用于人脸特征提取,克服了传统的基于统计特征的特征提取方法会破坏图像原始结构的问题;而源图像经过非下采样剪切波变换后得到了k个大小相同但尺度不同的带通图像,具有良好的时频分析特征。为了更好地提取人脸识别特征,提出了非下采样剪切波融合TPCA的人脸特征提取算法,该算法先对源图像进行非下采样剪切波变换得到4个子代图像,再对子代图像进行TPCA特征提取得到特征集,实现人脸的高效识别。实验结果表明,该算法明显优于原有的单一算法。     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

基于非下采样轮廓波变换和多核学习的盲图像质量评价

非下采样轮廓波(Contourlet)变换具有多尺度、多方向特性,能够对图像纹理和结构信息进行精确提取,可以很好地模拟人类视觉系统的多分辨率特性,基于此提出一种基于非下采样Contourlet变换的通用型盲(无参考)图像质量评价算法。首先在空间域上对图像进行非下采样Contourlet变换;然后在各方向带中分别提取能有效反映人类视觉失真程度的特征:高频幅值、平均梯度、信息熵作为图像的特征;最后将其输入到高效的分层多核学习机中学习,预测图像的质量得分。在混合失真型数据库和3个单失真型数据库上的交叉实验结果表明,该算法性能优越,能很好地预测失真图像质量,具有很好的主客观一致性。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于差异性稀疏表示的人脸识别算法

针对光照变换产生的阴影、反光等原因,提出了一种差异性稀疏表示的人脸识别算法。首先利用非下采样contourlet变换(NSCT,nonsubsampled contourlet transformation)将测试图像分解。利用不同子带系数特点,依据子带对图像分类的贡献度分类,并将子带信息进行融合,得到具有差异性的特征,最后用于人脸识别。在人脸数据库上的实验结果表明,该算法对于光照和表情变换具有较好的鲁棒性。     

基于光照归一化分块完备LBP特征的人脸识别

针对复杂光照条件下的人脸识别,提出了一种基于光照归一化分块完备局部二值模式（B-CLBP）特征的人脸识别算法。该方法对人脸图像进行光照归一化预处理,对处理后的人脸图像进行B-CLBP特征提取,融合成B-CLBP直方图,根据最近邻准则进行分类识别。在Extended Yale B人脸库上的实验结果表明,所提算法可以有效提高复杂光照条件下的人脸识别率。     

分块LBP的素描人脸识别

目的 素描人脸识别属于异质人脸识别范畴,是刑侦领域的研究热点.根据素描人脸识别的特点,采用分块局部二值模式(LBP)特征,并用AdaBoost算法提取能有效鉴别素描人脸图像和可见光人脸图像对应关系的特征块.方法 对素描图像和可见光图像配准后,进行分块处理,计算每块的LBP直方图,将LBP直方图作为AdaBoost待选择特征.计算素描图像子块与可见光图像子块之间的Log概率统计,利用AdaBoost算法进行特征提取,逐步挑选能有效识别的特征子块,并把这些优选特征子块用于未知素描人脸识别.结果 利用现有的素描人脸库,分别进行非交叉和交叉实验验证,识别率分别达到99％以及100％,证明了本文算法的有效性.结论 该算法经优化后,可用于素描人脸识别.     

基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。     

基于改进LDP的人脸识别

针对基于局部方向模式LDP(Local Directional Pattern)人脸识别方法识别率较低的问题,提出一种基于改进LDP的人脸识别方法。该方法对LDP编码进行方向归一化处理,选取结构对比信息对各LDP人脸分块进行加权处理,提取人脸的LDP直方图特征,最后计算加权卡方距离得到人脸识别的结果。实验结果表明,该方法应用于FERET和CMU PIE人脸图像库,相对于PCA、LBP和LDP算法,识别率均有了明显的提高。     

基于非下采样Contourlet变换的指纹图像超分辨率重建

非下采样Contourlet变换(Nonsubsampled contourlet transform,NSCT)采用非抽样金字塔结构和非抽样方向滤波器组构成,具有Contourlet变换所不具备的平移不变性、较高冗余度等优良特性,而且能够克服伪吉布斯现象。图像经过非下采样Contourlet变换后分解成多尺度、多方向的细节信息,这些细节信息代表了图像不同频带不同方向的特征,这就简化了系数之间的关系。基于学习的超分辨率重建算法具有整体的预测性,将非下采样Contourlet变换和基于学习的算法相结合,在一定程度上提高训练精度。针对指纹图像的实验证明该算法具有良好的性能,重建的图像纹理性细节信息较好,基本保持了原指纹图像的特征点,更接近于原始的高分辨率图像。