SSPO:一种部分遮挡单样本人脸识别算法

单样本人脸识别问题是一个比较具有挑战性的问题。针对部分遮挡单样本人脸识别困难的问题,本文提出了一种SSPO算法。首先对所有样本进行遮挡,通过MSEP算法进行分块,遮挡识别和剔除。为了对人脸姿势、光照等变化进行识别,我们抽取样本库中邻接块构造一个样本字典,通过类内变化字典预测可能的人脸变化。最小化待测人脸与样本库、变化字典的残差预测样本分类。最后,在AR人脸数据库和Multi-PIE人脸数据库上验证了本算法的有效性。     

针对人脸个体差异性的核线性判别分析

分析人脸特征结构,提出针对人脸个体差异性的核线性判别分析。首先,利用QR分解和正交投影提取出能够描述人脸个体差异的特征。然后,应用核技术将描述人脸个体差异的特征集投影到高维空间;最后,利用线性判别分析对高维空间中的数据进行分类识别,并在FERET、PIE和AR数据库上进行仿真实验。实验结果表明,本文算法与核线性判别分析、核主成分分析相比能够去除人脸的公共特征,从而提高了正确识别率和识别的稳定性。     

融合纹理和形状特征的人脸图像性别识别

针对人脸图像性别识别中单一特征识别率不高的问题,提出了融合纹理特征和形状特征的人脸图像性别识别方法.通过局部二值模式(LBP)及其改进算法提取人脸图像的纹理特征,梯度直方图(HOG)提取人脸图像的形状特征,融合两个特征利用Adaboost分类器进行人脸图像的性别分类.在ORL人脸数据库和自制人脸数据库CZB上的实验结果表明,相对于直接利用像素特征和单一特征的识别方法,融合多特征的人脸性别识别方法的识别率明显提高.     

受限直方图均衡化的低频DCT系数重变换算法

针对现实人脸识别中由于光照、表情、姿态或其他物体引起的面部遮挡而严重影响识别率的问题,提出了受限直方图均衡化的低频DCT系数重变换算法。首先,将图像划分成多个互不重叠的局部小块,使用受限直方图均衡化对局部子块进行局部对比拉伸以实现去噪;然后,通过缩减适当数目的低频DCT系数来消除人脸图像中的光照变化;最后,利用核主成分分析进行特征提取,最近邻分类器完成最终的人脸识别。在ORL、扩展Yale B及1个户外人脸数据库上的实验验证了所提算法的有效性及鲁棒性,表明相比几种线性表示算法,本文算法在处理鲁棒人脸识别时取得了更高的识别率。     

基于PCA和神经网络的人脸识别算法研究

在MATLAB环境下,取ORL人脸数据库的部分人脸样本集,基于PCA方法提取人脸特征,形成特征脸空间,然后将每个人脸样本投影到该空间得到一投影系数向量,该投影系数向量在一个低维空间表述了一个人脸样本,这样就得到了训练样本集。同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。然后基于最近邻算法进行分类,得到识别率,接下来使用BP神经网络算法进行人脸识别,最后通过基于神经网络算法和最近邻算法进行综合决策,对待识别的人脸进行分类。     

基于独立特征提取的MPCA方法在人脸识别中的应用

为了弥补传统MPCA（Modular Pfindpl Component Analysis）方法在人脸识别中忽略子图像之间差异的缺陷,本文提出了一种基于独立特征提取的MPCA方法（Modular PCA Basedon Independent Feature,IFMPCA）．首先选取人脸训练样本中具有相似光照、表情和姿态的图像进行分块,然后将训练样本的子图像和测试样本的子图像进行最优投影,得到子特征矩阵．最后,求得样本间的距离,利用最小距离分类器进行样本的分类．在Yale人脸数据库上的实验结果表明：IFMPCA算法在人脸正确识别率方面优于传统PCA算法．     

IFMPCA方法在人脸识别中的应用

为了弥补传统PCA方法在人脸识别时易受光照、表情和姿态影响的缺陷,提出了一种基于独立特征提取的MPCA方法(ModularPCABasedonIndependentFeature,IFMPCA)。首先,选取人脸训练样本中具有相似光照、表情和姿态的图像进行分块,使各个子模块更接近高斯分布;然后,通过求出子模块图像的散布矩阵和最优投影矩阵得到最优独立特征矩阵;最后,利用最小距离分类器进行样本的分类。在Yale人脸数据库上的实验结果表明,IFMPCA算法在人脸正确识别率方面优于传统PCA算法。     

基于NTSS和压缩感知的人脸跟踪算法

提出基于NTSS和压缩感知的人脸跟踪算法,采用不同的搜索半径和步长双重采样,运用NTSS搜索方法作为目标的检测方法。通过国际标准的人脸数据库AFW和MALF视频序列进行算法的测试,并使用中心距离均值算法对压缩感知算法和基于NTSS压缩感知的人脸跟踪算法进行比对,得出基于NTSS和压缩感知的人脸跟踪算法最大可降低59. 01%的误差;此外NTSS压缩感知人脸跟踪算法在人脸发生遮挡再跟踪、人脸几何变换和在暗光条件下具有较好的鲁棒性。     

基于直接邻域保护嵌入的人脸识别

直接邻域保护嵌入算法（DNPE）是一种以克服小样本问题而提出的NPE扩展算法,该算法通过同时对角化的方法求解邻域保护嵌入问题,避免矩阵的奇异性.在人脸数据库ORL上的测试结果表明,该算法的识别率比PCA,PCA＋LDA,NPE等算法高.     

基于直接邻域保护嵌入的人脸识别

直接邻域保护嵌入算法(DNPE)是一种以克服小样本问题而提出的NPE扩展算法,该算法通过同时对角化的方法求解邻域保护嵌入问题,避免矩阵的奇异性.在人脸数据库ORL上的测试结果表明,该算法的识别率比PCA,PCA+LDA,NPE高.     

基于特征脸加权组合的人脸识别

将基于主成分分析的特征脸人脸识别方法进行改进,以提高人脸识别率.首先利用主成分分析法提取人脸图像的特征脸,然后经图像重构得到二阶特征脸,最后将两种特征脸组合,构造组合特征,用三阶近邻法进行识别.在ORL人脸数据库上的试验结果表明,组合特征脸法用于人脸识别有较高的可行性和较好的稳定性,且在识别率上优于特征脸方法,准确率达到93.8%.     

用于人脸识别的特征融合

针对人脸识别中人脸图像的特征提取问题,提出了一种将全局特征与局部特征相融合的人脸识别方法.全局特征的提取采用主成分分析算法.主动外观模型定位58个特征点,在其中17个特征点处进行Gabor小波变换则可提取局部特征.归一化的全局匹配度(局部匹配度)可由测试图像和训练图像的全局特征(局部特征)得到.对归一化的全局匹配度和局部匹配度进行融合后,融合匹配度最大的训练图像所属的类即为识别结果.实验利用2个人脸图像数据库(AR和SJTU-IP-PR)测试该方法的识别率,结果表明该方法要优于PCA和EBGM,并且在一定的表情、光照和姿态变化的条件下是有效、稳健的.     

区域块SFIT-MTLBP人脸识别研究

在少量样本情况下,为了解决传统LBP算法对人脸特征提取分类鲁棒性不强问题,提高人脸特征选取的泛化能力,提出一种在人脸面部区域基于SIFT特征点检测的MTLBP人脸识别算法。从人脸五官区域选取尺度不变的关键点,并在其邻域选取MTLBP纹理特征,结合SIFT描述算子和MTLBP特征直方图形成一系列特征,对该人脸特征空间向量进行分类识别。在相同的少量训练样本下,该算法与原始LBP算法及其它改进型LBP算法相比,识别率提高了20%左右。     

基于PCA-LDA与蚁群优化BP神经网络的人脸识别算法

针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。     

视频中实时多人脸跟踪器系统

提出一种基于改进的Mean Shift算法的多人脸跟踪器.首先建立多个Mean Shift跟踪器对视频中的多个目标分别进行跟踪,针对多人脸跟踪过程中目标粘连、遮挡、个体对应以及目标更新等难题,提出最优排序法、目标消除法、多辅助信息和表决制策略等解决方案.引入卡尔曼滤波器预测目标的中心位置,减少目标丢失的可能性,提高算法的实时性.实验表明,该多人脸跟踪器可实时地实现多人脸跟踪,具有很强的鲁棒性.     

基于PCA人脸识别系统设计与实现

基于PCA人脸识别算法设计考勤系统的核心部分——人脸识别,通过增加不同人脸姿态数,改进人脸识别算法,提高了人脸识别率.用户可通过本系统来采集人脸图像,定义不同姿态数以获得全姿态数据库.使用过程中若有不能识别情况出现,可改变或增加姿态数,重新学习训练以得到正确识别.经过测试,系统已达到设计要求,具有较高实用价值,可实际推广使用.     

彩色人脸鉴别特征抽取及识别

目前存在的彩色人脸识别方法大多是将彩色图像转换为灰度图像后,采用基于灰度图像的特征抽取与识别算法进行分类识别.本文根据彩色人脸图像的构成特点,对彩色人脸图像的R、G、B三个分量色彩信息进行特征抽取与分析,进而找出适合对彩色人脸图像进行自动识别的鉴别特征.最后,在国际通用的AR标准彩色人脸库中进行了大量实验,验证了本文算法的有效性.     

基于加权KNN与随机森林的表情识别方法

针对传统KNN算法计算量大、识别率低的问题，提出一种加权K最近邻法(KNN)结合随机森林(RF)的表情识别方法。首先通过监督下降方法(SDM)提取人脸特征点，然后计算样本间的平均距离，并借此划分测试样本，结合加权KNN与随机森林的特点，对不同样本采用不同的分类器，最后采用JAFFE表情数据库进行实验。结果表明，改进后的方法不仅识别率更高，而且简化了计算复杂度。     

基于改进PCA算法的人脸识别

由于经典的PCA算法要求样本满足高斯分布,然而现实中的样本往往因为表情、角度、光照等原因不满足高斯分布,导致算法识别率不高。因此,提出一种基于改进PCA算法的人脸识别方法。首先,将具有相似特征（表情、角度、亮度）的不同样本通过分块方式划分在一个矩阵中,使样本趋于高斯分布|其次,通过直方图均衡化样本的方法,加强样本对比度,以突出样本的人脸器官特征|最后采用经典PCA算法进行辨识。通过在ORL人脸库上的实验得出,该方法不但耗费总时间少于经典的PCA算法,而且识别率也得到提升,具有一定可行性。     

基于NPE改进算法的人脸识别

邻域保持嵌入（NPE）算法与极端学习机结合后应用到人脸识别中没有达到令人满意的识别效果,为找到更优的解决方案,提出一种改进的邻域保持嵌入算法（SNPE）。在SNPE算法中将NPE目标式子与带有类间判别信息的式子做减法,通过极小化目标函数,达到最小化同一类别领域距离且最大化不同类别领域距离的目的。通过Yale人脸数据库、Yale B人脸数据库、ORL人脸数据库等实验结果表明,改进后的算法大幅提高了人脸识别率。