基于小波变换和稀疏表示的人脸识别方法研究

在传统的基于小波变换的人脸识别方法的基础上,加入稀疏表示的方法对人脸识别进行研究,进一步提高人脸识别率。小波变换把人脸图像分解为一幅低频人脸图像和三幅高频人脸图像,低频人脸图像代表人脸图像的全局(整体)信息,高频人脸图像代表人脸图像的纹理和边缘等细节信息。低频人脸图像在人脸识别中起到关键性作用,用正交投影的方法对低频人脸图进行识别得到的低频人脸图像分类隶属度。高频人脸图像在人脸识别中同样存在不可忽略的作用,用基于领域能量的方法把三幅高频人脸图像融合为一幅高频融合人脸图像,然后用稀疏表示的方法对融合图像进行识别得到高频人脸图像分类隶属度。最后把高、低频分类隶属度融合确定人脸图像所属类别,与传统人脸识别方法相比,进一步提高了人脸识别率。     

基于Curvelet与2DPCA的嵌入式人脸识别

针对小波变换在嵌入式人脸识别中的不足,提出了Curvelet(曲波)变换结合2DPCA(二维主分量分析)的嵌入式人脸识别.采用Curvelet变换进行人脸图像特征的提取,经过比较,选取了Wrapping算法,然后利用2DPCA进行降维,并结合最近邻算法进行人脸识别.实验结果表明该方法很好得解决了人脸特征维数过高、数据量...     

一种融合小波分解和滤波的KPCA人脸识别方法

相关研究指出,人脸图像具有低频稳定性和模式非线性的特点.小波分解和平滑滤波能够削弱人脸图像的高频成分而保留其低频成分,核主成分分析(KPCA)能够提取人脸图像的非线性特征,鉴于此本文提出了一种结合小波分解、平滑滤波和核主成分分析的人脸识别方法.最后在ORL人脸库上进行的大量实验,结果表明,该方法简单易行,比传统的核主成分分析方法的识别率更高,且运算时间增加不多.     

融合局部奇异值特性的人脸自动识别

针对仅在整幅人脸图像上进行奇异值分解无法得到人脸识别所需的足够信息的问题,提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服＂小样本＂效应。在识别阶段,对待识别人脸的特征向量,计算其对各人脸样本的隶属度,最后做出判断。该方法与传统方法在ORL人脸库上进行的对比实验结果,表明了该方法的优越性。     

基于佩戴眼镜人脸图像识别方法研究与仿真

研究基于图像的人脸准确识别问题.人在佩戴眼镜的情况下,脸部受到眼镜遮挡,造成无法提取眼部区域特征,人脸主要特征丢失,造成识别准确率下降.为了避免上述缺陷,提出了少量特征相关性计算的人脸识别方法.对提取的人脸图像少量的特征参数进行非线性变换处理,获取特征向量权值系数.利用小波变换方式计算人脸特征相关性系数,通过少量特征相关性进行人脸识别.实验证明,这种眼部特征图像人脸识别方法提高了佩戴眼镜情况下,人脸识别的准确率,取得了满意的效果.     

图像识别在考生身份认证系统中的应用

针对传统考生身份认证方法的缺陷,提出一种基于人脸识别的考生身份认证系统。首先利用图像采集系统采集考生人脸图像,然后对人脸图像进行特征提取和特征选择,并将人脸特征输入到人脸特征库进行匹配,最后采用支持向量机算法对人脸进行分类识别。实验结果表明,该系统提高了考生身份识别的正确率,减少了识别时间,能够很好满足实际考试的要求。     

基于Gabor和CS-LBP的人脸识别研究

由于使用Gabor小波描述的人脸易忽略人脸的局部特征,且存在一定的冗余度,本文研究了一种基于Gabor滤波和中心对称局部二值模式(CS-LBP)的人脸识别方法。该方法结合了Gabor提取人脸图像在空域和频域局部信息的优势和CS-LBP提取细节纹理特征的优势,可以提取出更好的用于识别的特征。在Yale人脸数据库上的测试结果显示,此方法得到的识别率更高,鲁棒性更好。     

基于Garbor滤波和PCA的双核LSSVM人脸识别

为了对具有不同表情和姿势等特征的人脸进行有效识别,同时解决以往人脸识别方法的维数灾和识别准确率低的问题,提出了一种基于Garbor滤波和双核LSSVM的人脸识别方法。首先,采用Gabor滤波器提取原始人脸图像在不同尺度和方向上的人脸特征向量,然后采用主成分分析法对特征向量降维以解决维数灾问题。为了解决传统最小二乘支持向量机方法中核函数选取不能同时具有较强外推能力和插值能力的缺点,设计了一种新的核函数综合加权了多项式核函数和径向基函数。最后,采用训练样本数据对LSSVM进行训练得到最终的人脸分类模型。采用Matlab仿真工具对文中方法进行仿真,并与其它方法进行对比,实验结果表明文中的方法能有效地实现对人脸表情进行分类,且具有分类效率高和识别精度高的优点。     

位面切割在非负矩阵分解人脸识别方法中的应用

非负矩阵分解方法将人脸图像表示为基图像的线性组合,较好地提取了人脸的局部特征。应用非负矩阵分解和奇异值分解相结合的方法识别人脸,实验结果表明,这种方法并不能有效提高识别率。位面切割可有效降低人脸图像中的噪声信息,基于这一认识,笔者提取了将位面切割应用于人脸识别的方法,在ORL人脸库上的实验证明了这一方法的有效性。     

基于PCA算法人脸识别的matlab实现

本文介绍了人脸识别中常用的PCA算法,并在matlab环境下分别实现了基于PCA的人脸识别,融合了小波变换,PCA,奇异值分解等方法简化特征提取和识别过程,采用了ORL人脸数据库作为实验库,验证了该方法可以有效地进行识别,对实际应用有一定参考价值。     

基于“频谱脸”和SVM的人脸识别方法

针对传统PCA的人脸识别方法在向量化人脸过程中丢失结构特征的问题,提出了一种基于频谱脸和支持向量机的人脸识别方法。首先选取人脸图像经小波分解后的低频分量作为人脸特征的描述,然后用SVM和最近邻法构建复合分类器进行分类,在ORL数据集上的实验结果表明,本文方法取得了比传统方法更好的识别性能。     

基于LDP和LTP模型的人脸识别技术探究

表面的纹理特征常被用于目标的识别。这种特征被广泛的应用于各个领域,比如基于纹理特征的人脸识别系统、监视、身份识别等。局部二值模式纹理特征方法(LBP)是最成功的基于纹理特征的人脸识别方法。由于LBP的巨大成功,出现了许多LBP的变异方法,比如多层LBP、中心对称LBP、主LBP等。本文的主要目的在于研究各种LBP的变异方法在人脸识别中的有用性。同时本文还评估了各种实际问题,比如光照变化、旋转、人脸图像表示的变化等在不同LBP人脸识别方法中的影响。基于实际人脸图像数据库的验证表明局部纹理模式(LTP)和局部衍生模式(LDP)具有更好的识别性能。     

基于子图分割与多类支持向量机的人脸识别方法

由于姿态、光照、表情、遮挡等变化引起的面部特征变化仅出现在整个图像的局部区域中,使用整体图像进行特征提取和识别的传统人脸识别方法效果不佳。为解决上述问题,提出了一种融合子图分割和多类支持向量机的人脸识别方法。首先,将人脸图像分割成多个不重叠的子图像;然后采用广义二维Fisher线性判别分析对每个子图像和整体图像进行局部和全局特征提取,并使用SVM做为图像分类器;最后,通过融合各个SVM分类器的决策给出人脸识别结果。在ORL人脸数据库上对所提出的SD-MSVM方法进行了灵敏度、特异度和K折交叉验证测试,实验结果表明,新的SD-MSVM方法各项指标均优于传统的全局特征提取方法。     

融合SIFT特征和保局投影的人脸识别

提出一种人脸识别方法用于解决姿态变化对识别准确率的影响。首先检测人脸图像的SIFT特征,然后根据SIFT特征计算人脸图像间的多示例距离;基于此多示例距离,用保局投影将人脸图像映射至流形空间,最后在流形空间中采用K近邻方法进行人脸识别。该方法有三个特点：(1)采用SIFT特征减小了未知姿态对识别准确率的影响;(2)通过保局投影将特征变换到流形空间一个点,避免了复杂的SIFT特征匹配策略;(3)借助流形方法滤除高维特征中的噪声。实验结果表明与已有方法相比,在人脸姿态不确定的情况下,该方法能提供较为理想的识别准确率。     

人脸识别中图像预处理问题的研究

光照问题是人脸识别问题中的一个关键问题,为提高人脸识别的识别率,提出了利用多级小波分解采对图像进行光照补偿.首先将图像进行多级小波分解,并将分解后的最后一级子带图像的灰度进行归一化,从而去掉图像中的光照成分,再将归一化后的图像进行小波恢复.将该技术应用于隐马尔科夫法人脸识别,并和已有的几种光照处理方法进行了比较,其对识...     

基于隐马尔可夫模型的人像鉴别算法

提出了基于小波变换和隐马尔可夫模型的人像鉴别算法. 该算法首先对图像进行3级小波分解，然后把3个不同分辨率的低频子图像由小到大排列成树状结构，形成低频小波树. 接着利用独立元分析对每个小波树枝进行去相关、降维，形成特征小波树枝，并把它作为观测向量对隐马尔可夫模型进行训练，把优化的模型参数用于人脸识别. 分析了观测向量维数与识别率的关系，以及状态个数和高斯概率混合成分的个数对识别率的影响，定性描述了隐马尔可夫模型的本质. 在ORL人脸数据库上，同其他四种相关方法进行了比较，实验结果表明，该方法识别率较高，工程上易于应用.     

一种鲁棒性强的光照人脸预处理算法

为解决变光照下人脸识别率低问题,提出一种鲁棒性强的光照人脸处理算法(ISSR)。首先对亮度图像进行粗估计,然后通过非线性运算在反射图像中对粗估计的亮度图像进行补偿,最后采用支持向量机建立人脸识别分类器,并采用Yale、CMU-PIE和AR人脸库进行仿真测试。结果表明,相对于其它光照处理算法,ISSR算法增强了人脸图像的质量,提高不同光照条件下的人脸图像识别正确率,鲁棒性更强。     

基于PCA模型的人脸图像纹理特征高精度识别方法

针对传统人脸图像纹理特征识别方法中存在的计算量大,样本训练与测试时间较长,识别正确率较低等问题,提出一种新的基于PCA模型的人脸图像纹理特征高精度识别方法。在人脸图像预处理过程中,采用Gabor滤波器确定人脸图像训练样本中的双眼位置,结合卷积运算与人脸几何模型从图像中分割出目标人脸区域,并对分割得到的图像进行规范化处理;采用PCA模型对预处理后的图像进行降维与特征向量提取,并根据选取的主要纹理特征以及欧式距离近似度量结果,实现人脸图像纹理特征高精度识别。实验结果表明,所提方法的识别准确度高于实验对比方法,且样本训练时间与测试时间明显缩短,具有较好的鲁棒性。     

一种基于优化观测向量的E-HMM的人脸识别方法

在研究伪二维隐马尔可夫模型(E-HMM)的基础上,结合优化观测向量,将离散余弦的优化方法加入到特征提取中,增强了系统对噪声、光照以及姿态的鲁棒性,提高了识别的效率.本文首先对二维人脸图像进行建模分析,然后对模型进行训练,最后利用训练好的隐马尔可夫模型完成人脸识别.实验结果表明,该方法识别率高,鲁棒性好,具有较高的实际应用价值.     

基于灰色理论和局部奇异值的人脸识别方法

提出了一种利用人脸图像的局部奇异值和灰色关联分析进行人脸识别的方法。该方法的关键是不在整幅人脸图像上进行,而是在人脸的不同区域进行奇异值分解以提取更丰富的信息和克服"小样本"效应。