基于S-LISSOM模型的人脸识别方法

提出了一种利用视皮层认知模型识别人脸的方法。该方法建立一种简化的感受野切片连接自组织映射简化模型(S LISSOM),模拟人脸图像在大脑视皮层的映射特征,作为隐马尔可夫模型(HMM)的观测向量进行人脸识别。实验结果同其他特征的人脸识别方法进行了比较,该方法更加有效的提取的人脸特征,提高了人脸识别率。     

学习原型超平面融合SILD的户外人脸识别

非限制环境下光照、姿势、表情等变化已成为户外人脸识别的主要瓶颈所在。针对这一问题,提出了一种学习原型超平面融合线性判别边信息的算法进行人脸识别。利用支持向量机将弱标记数据集中的每个样本表示成一个原型超平面中层特征;使用学习组合系数从未标记的通用数据集中选择支持向量稀疏集;借助于Fisher线性判别准则最大化未标记数据集的判别能力,并使用迭代优化算法求解目标函数;利用线性判别边信息进行特征提取、余弦相似性度量以完成最终的人脸识别。在Extended YaleB和户外标记人脸（LFW）和通用人脸数据集上进行实验,验证了所提算法的有效性和可靠性。实验结果表明,相比其他几种较为先进的人脸识别算法,所提算法取得更好的识别性能。     

一种新的特征提取方法及其在模式识别中的应用

核典型相关分析(KCCA)是一种有监督的机器学习方法,可以有效地提取非线性特征。然而随着训练样本数目的增加,标准的KCCA方法的计算复杂度会随之增加。针对此缺点,提出一种改进的KCCA方法：首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间(RKHS),然后设计了一种提升特征提取效率的算法,该算法按照对特征分类贡献的大小巧妙地选取样本的特征值,进而求出其相应的特征向量,最后将改进的KCCA与支持向量数据描述(SVDD)多分类器相结合用于分类识别。在ORL人脸图像数据库上的实验结果表明,改进的方法相对传统的KCCA方法,在不影响识别率的情况下提高了人脸识别速度,减小了系统存储量。     

Face Detection: A Survey

In this paper we present a comprehensive and critical survey of face detection algorithms. Face detection is a necessary first-step in face recognition systems, with the purpose of localizing and extracting the face region from the background. It also has several applications in areas such as content-based image retrieval, video coding, video conferencing, crowd surveillance, and intelligent human–computer interfaces. However, it was not until recently that the face detection problem received considerable attention among researchers. The human face is a dynamic object and has a high degree of variability in its apperance, which makes face detection a difficult problem in computer vision. A wide variety of techniques have been proposed, ranging from simple edge-based algorithms to composite high-level approaches utilizing advanced pattern recognition methods. The algorithms presented in this paper are classified as either feature-based or image-based and are discussed in terms of their technical approach and performance. Due to the lack of standardized tests, we do not provide a comprehensive comparative evaluation, but in cases where results are reported on common datasets, comparisons are presented. We also give a presentation of some proposed applications and possible application areas.     

基于加权分块稀疏表示的光照鲁棒性人脸识别

针对光照变化对人脸识别的效果带来严重影响,提出一种对人脸识别的光照变化具有鲁棒性的方法,即基于加权分块稀疏表示的人脸识别方法。该方法首先对人脸图像进行离散余弦变换（DCT）,通过去除 DCT 系数的低频部分来移除光照变化分量。通过反离散余弦变换得到光照归一化后的人脸图像,将人脸图像分块,独立地对每个子块作基于稀疏表示的分类,并对每个子块的分类结果进行加权投票得出测试人脸图像的类别。在 Yale B、extended-Yale B、CMU-PIE 和 FERET 人脸库上进行实验,实验结果表明该方法适用于光照鲁棒的人脸识别。     

采煤工作面瓦斯抽采技术的应用探讨

瓦斯是世界公认的温室气体之一,是矿井生产中散发的一种有毒气体,会直接影响矿井的安全生产。但从能源角度看,瓦斯是一种清洁度较高的能源。因此,引入瓦斯治理技术是十分必要的。就采煤工作面瓦斯抽采技术的应用进行了分析、讨论,希望对相关单位有所帮助。     

基于学习超分辨率重建中的样本选择方法

提出一种人脸图像超分辨率重建（Super-Resolution Reconstruction,SRR）的自适应学习样本选择方法。利用局部保持投影（Locality Preserving Projections,LPP）算法的局部保持能力,在人脸图像局部流形上分析其非线性结构特征,并给出了LPP变换向量的数值解法。在LPP的特征空间中动态搜索学习样本,即选择出与输入图像块最为相似的像素块集合。利用选择出的样本通过基于像素块的特征变换法完成超分辨率重建。实验表明,自适应样本选择方法可以快速、有效地选择出少量学习样本,具有良好的图像高频信息复原能力。     

新的局部保持鉴别分析算法

提出了一种新的局部保持鉴别分析算法：基于迹比准则与自适应近邻图嵌入的局部保持鉴别分析算法。根据样本分布特性自适应构建类内和类间近邻图,保持数据的局部结构并且利用数据的鉴别信息,定义局部类内离差矩阵以及局部类间离差矩阵,采用迹比Fisher判别函数作为目标函数,通过迭代的方法最大化局部类间离差矩阵与类内离差矩阵的迹比值,解得最优子空间。在ORL和Yale人脸数据库上的实验表明该方法是有效的。     

规整化人脸图像超分辨率重建的数值解法

提出了基于特征子空间规整化的人脸图像超分辨率重建（SRR）算法并给出了三种数值解法。在仿射变换运动模型下,将图像的四邻域插值方法拓展为图像的梯度场估计问题,推导出了待求高分辨率（HR）图像关于运动参数的雅科比矩阵;并根据对SRR代价函数的全微分和偏微分展开,将非线性的SRR问题转换为线性问题迭代求解,讨论了三种运动参数与HR图像的联合迭代估计算法。给出了SRR规整化参数的自适应计算方法以实现自动SRR。仿真结果证实：采用的人脸子空间规整化方法优于传统规整化方法（拉普拉斯、全变差）,尤其在低信噪比时可以获得良好的人脸图像SRR效果。