考虑局部邻域多流形度量的单训练样本人脸识别

针对单训练样本中识别干扰因素较多的问题,为了增加人脸识别效果,在考虑局部邻域多流形度量的基础上,提出一种新的单训练样本人脸识别算法。首先预处理人脸图像信息,将影响因素降到最低;划分数据集,根据划分结果对分布在流形结构内数据点计算近邻点;构建多流形距离度量矩阵和误差度量矩阵;将人脸图像经过投影降维转换为低维流形结构,完成单训练样本人脸识别。实验结果验证了所设计算法识别效率较高和平均识别率较高,所用时间较少,具有很好的优势。     

图像欧氏距离在人脸识别中的应用研究

图像欧氏距离可以嵌入到许多传统的图像分类识别算法中,该嵌入是通过对原始图像的线性变换来实现的,给出了一种基于数据场的图像线性变换方法,将其应用到图像欧氏距离中.实验结果表明,基于数据场的线性变换方法是一种可行的图像线性变换方法,该方法可以完成大尺度图像的线性变换,方便地将图像欧氏距离嵌入到传统人脸识别算法中.     

视频人脸识别中判别性联合多流形分析

将基于视频的人脸识别转换为图像集识别问题,并提出两种流形来表示每个图像集:一种是类间流形,表示每个图像集的平均脸信息;另一种是类内流形,表示每个图像集的所有原始图像的信息.类间流形针对图像集之间的区别提取整体判别信息,作用是选出几个与待识别图像集较为相似的候选图像集.类内流形则考虑图像集内各原始图像之间的关系,负责从候选图像集中找出最为相似的一个.不同于现有的非线性流形方法中每幅图像对应流形中的一个点,采用分片技术学习两种流形的投影矩阵,每个分片对应流形中的一个点,所学到的特征更具有判别性,进而使流形边界更加清晰,同时解决了传统非线性流形方法中的角度偏差和不充分采样问题.还提出了与分片技术相匹配的流形之间的距离度量方法.最后在几个广为研究的数据集上进行了实验,结果表明:新方法的识别准确率高,尤其适用于不受控环境下的视频识别,而且不受视频段长短的影响.     

流形学习中基于局部线性结构的自适应邻域选择

近年来,流形学习成为包括机器学习、模式识别和计算机视觉等相关领域的研究热点.流形学习算法中,邻域选择直接关系到算法的性能,而传统的邻域选择算法如k近邻和ε邻域算法存在参数难以确定,所构建邻域不能反映流形学习算法对邻域要求等缺点.提出了一种基于流形局部线性结构的自适应邻域选择算法(ANSLL).首先通过分析现有流形学习算法,总结出构建邻域的两个基本原则：1)同一邻域的所有点都近似地位于某一d维线性子空间内(d为流形维数）;2)每个邻域包含尽可能多的点.基于这两个基本原则,ANSLL 算法采用主成分分析技术(PCA)度量有限点集的线性程度,通过邻域压缩或扩张方式自适应地构建邻域.针对邻域线性结构的特点,还提出了一种改进的邻域图构建方法,以提高等度映射(Isomap)算法中测地线距离估计的准确性.最后大量系统的实验表明,ANSLL算法能够依据流形的局部曲率自适应地构建邻域,从而提高大多数流形学习算法(如Isomap和LLE)的性能.     

基于图像矩阵判别局部保持投影的人脸识别

提出一种基于图像矩阵判别局部保持投影的人脸识别方法。图像矩阵判别局部保持投影是在局部保持投影基础上进行了扩展,考虑了类标签信息并在其目标函数中增加类间散度约束,使得求解的特征更具判别性。另外,图像矩阵判别局部保持投影是直接处理图像矩阵而不需要将矩阵转化为向量,保留了像素间的空间位置关系,避免了奇异性问题。实验结果表明该方法是有效的。     

基于特征子空间邻域的局部保持流形学习算法*

局部保持流形学习算法通过保持局部邻域特性来挖掘隐藏在高维数据中的内在流形结构。然而,对于缺乏足够训练样本的高维数据集,或者高维数据集存在非线性结构和高维数据特征中存在冗余、干扰特征,使得在原特征空间中利用欧式距离定义的邻域关系并不能真实反映数据的内在流形结构,从而影响算法的性能。提出利用正约束寻找特征子空间的方法,使得在此子空间中更多的同类样本紧聚,并进一步在该子空间中构建邻域关系来挖掘高维数据的内在流形,形成基于特征子空间邻域特性的局部保持流形学习算法(NFS-LPP和NFS-NPE)。它们在一定程度上克服了高维小样本数据集难以正确挖掘内在流形结构的问题,在Yale和ORL人脸库上的分类和聚类实验验证了其有效性。     

基于度量优化的保持邻域嵌入的人脸识别

监督的保持邻域嵌入算法采用欧氏度量选取k近邻。欧氏度量在数据维数较低时能获得较好的结果,但直接简单地将其从低维空间的应用推广到高维空间中不能取得较好的结果。针对该缺点,提出度量优化的保持邻域嵌入算法。该算法分为无类标号信息(MONPE)和有类标号信息(CLMONPE)2种情况,利用线性判别分析算法降维后的数据选取k近邻。在Yale人脸数据库上的实验结果表明,CLMONPE算法效果较优。     

基于流形的局部加权协从表示人脸识别

针对稀疏表示分类（Sparse Representation Classification,SRC）运行时间过长和协从表示分类（Collaborative Representation Classification,CRC）仅仅利用人脸数据的全局特征的缺点,本文提出一种基于流形的局部加权协从表示方法（Locality Weighted CRC,LWCRC）,并将其应用在人脸识别中。首先将训练样本中位于高维流形空间中的人脸特征进行局部加权投影到低维空间,随后通过Tikhonov正则化阵用训练样本加权表示测试样本,最后通过最小二乘（Residual Least Square,RLS）分类器进行分类。通过在AR、FERET和Extended-Yale b数据库上实验,本文提出的方法优于SRC、CRC、NRS等方法。     

基于特征融合和流形增强的视频人脸识别

提出一种在视频环境下的人脸识别算法(FFME)。将人脸划分为不同的区域,并融合针对人脸不同区域变化特点的不同类型局部特征,建立K-NN模型,根据sum rule划分人脸分类,利用流形建立参考人脸图集,以此重排分类结果,增强人脸识别准确率。在视频人脸数据库Mobo数据集和Honda/UCSD数据集上的实验结果表明,FFME的识别性能优于主成分分析、线性鉴别分析、隐马尔科夫模型、局部线性嵌入,以及流形距离等方法。     

基于混合多距离度量的多分类器加权集成研究

在机器学习领域,分类器加权在小样本数据集中的分类正确率较低。为此,提出一种基于混合距离度量的多分类器加权集成方法。结合欧氏距离、曼哈顿距离、切比雪夫距离,设计混合的距离度量加权方法,使用加权投票组合规则集成各分类器的输出结果。实验结果表明,该方法鲁棒性较好,分类正确率较高。     

一种基于LBP特征与流形知识的人脸识别方法

人脸识别是计算机视觉领域的研究热点,应用背景广泛。近年来,流形被认为是视觉感知的基础,流形学习算法被用来发现图像的内在特征。如何利用流形学习后的低维内蕴变量成为相关研究的核心问题。但是利用传统的流形学习算法降维得到的人脸低维特征在可分性上存在一定的不足。此外,流形学习算法对光照和姿态变化敏感。针对这两个问题,提出了一种基于局部二值模式（LBP）和流形知识的人脸识别方法。该方法首先利用LBP算子对人脸图像进行局部特征描述,然后使用流形学习算法获得高维特征数据的低维内蕴变量,并用泰勒展开式近似该流形,获取流形知识,最后利用流形知识估计流形距离来实现人脸识别。实验证明,该方法增强了人脸识别对光照变化的鲁棒性,从而提高了识别性能。     

基于局部特征约束的压缩感知人脸识别算法研究

人脸识别是计算机模式识别领域中一个研究热点和难点。针对人脸识别中数据量大、高维度、非线性等问题,提出基于局部特征约束的压缩感知人脸识别方法。首先对人脸图像进行选择性约束处理,利用SIFT算法提取人脸图像中的局部特征,以此构成压缩感知算法中的测量矩阵,再利用压缩感知的重构算法计算特征的稀疏表示,在此基础上进行人脸识别。算法在AR人脸库上进行了抗干扰比对测试,实验结果验证了算法对光照、表情以及遮挡等干扰具有强的鲁棒性,局部特征的约束大大降低了特征点的数量,有效提高了人脸识别的正确率。     

LBP 直方图与PCA 的欧式距离的人脸识别

基于LBP算子具有旋转不变性和灰度不变性等显著特点,本文通过LBP算子的特征提取,将人脸分成子区域,然后通过连接这些子区域的LBP直方图生成人脸特征向量,由于生成的特征向量的维数过高,通过PCA算法降维压缩,最后用欧式距离分类器完成测试样本和训练样本的人脸识别,通过实验比较得出很好的人脸识别效果,此人脸识别算法过程用于火车站等各种公共场合有很好的应用效果。     

基于改进的等距离映射算法的人脸识别

针对等距离映射(Isomap)算法在处理扰动图像时拓扑结构不稳定的缺点,提出了一种改进算法。改进算法将图像欧氏距离(IMED)嵌入到等距离映射算法之中。首先引入坐标度量系数计算图像的坐标度量矩阵,通过线性变换将原始图像从欧氏距离(ED)空间转换到图像欧氏距离空间;然后计算变换空间中样本的欧氏距离矩阵,并在此基础上构建样本邻域图,得到近似测地距离矩阵;最后采用多维标度(MDS)分析算法构造样本的低维表示。对ORL和Yale人脸数据库降维并结合最近邻分类器进行实验,基于改进算法的识别率平均分别提高了5.57%和3.95%,表明与原算法相比,改进算法在人脸识别中对图像扰动具有较好的鲁棒性。     

基于全局和局部特征集成的人脸识别

提出利用一种串、并行结合的方式将全局和局部面部特征进行集成:首先利用全局特征进行粗略的匹配,然后再将全局和局部特征集成起来进行精细的确认.在该方法中,全局和局部特征分别采用傅里叶变换和Gabor小波变换进行提取.两个大规模的人脸库(FERET and FRGC v2.0)上的实验结果表明,此方法不仅可以显著提高系统的精度,而且可以提升系统的速度.     

基于实验室安保服务型机器人的人脸识别

设计一个用于机器人的人脸识别系统。该系统先通过摄像头捕捉人脸图像，在计算机上完成人脸识别，最后对机器人发送指令。识别过程是提取摄像头捕捉的人脸特征和数据库中人脸特征的128维向量进行欧氏距离计算，通过欧氏距离的计算结果进行判定。实现该系统所用的平台和硬件标准不高，且识别效果良好、构造简单方便，因此可应用范围广。     

基于主成分分析方法的人脸识别研究

本文以MATLABE作为工具平台．通过计算输入图像和训练集图像的欧几里得距离对主成分分析算法的人脸识别效果作了仿真研究。结果表明了主成分分析算法识别人脸的有效性，论文还通过对不同光照条件建筑物的识别验证了PCA对光照条件的鲁棒性．最后提出了改进的识别方法。     

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。