基于LBP和Fisherfaces的多模态人脸识别

提出一种结合局部二值模式(LBP)和Fisherfaces的多模态人脸识别方法。用LBP算子提取人脸灰度图像和深度图像的区域LBP直方图序列(LBPHS),再采用Fisherfaces分别构建相应的线性子空间,用余弦相似度作为投影向量的相似度量,用加权求和规则进行信息融合。在FRGC数据库上的实验结果表明,该方法要明显优于LBPHS与直方图交及Fisherfaces与余弦相似度的融合,等错误率仅为0.33%。

基于LPQ和Fisherfaces的模糊人脸识别

针对现有人脸识别系统对模糊人脸图像的识别无法达到理想的效果,提出一种基于局部相位量化(Local Phase Quantization,LPQ)和Fisherfaces进行模糊人脸识别方法。首先采用LPQ算子提取分块模糊人脸灰度图像的LPQ直方图序列(LPQHS),然后对采样后的特征运用Fisherfaces方法进行特征子空间选择,最后通过最近邻分类准则进行人脸识别。该算法增强了提取模糊人脸纹理信息的有效性,使训练数据量大幅度降低,并且图像特征向量的维数与原始图像大小无关。在Yale和AR形成的模糊人脸数据库上的实验表明,该方法具有较高的识别率。

基于加权小波分解和Fisherfaces的人脸识别算法研究

提出了一种将加权小波分解和Fisherfaces方法相结合的人脸识别算法.首先,对人脸图像进行加入白化的预处理,去除干扰、噪声的同时平衡图像的能量谱;然后,采用小波分解得到图像的低频分量和水平、垂直高频分量并进行加权组合,结合Fisherfaces方法,在PCA变换后的空间内应用线性判别分析（LDA）,解决了类内散布矩阵奇异和PCA在降维过程中不利于样本分类的问题;最后,运用最近邻分类器进行分类识别.基于ORL和YALE人脸库进行实验,确定小波基及分解层数分别为db2小波和2层,选择归一化尺寸和特征维数的最佳参数能够使得识别率分别达到98.75％和100％,且特征维数20～70的对比实验结果表明,该算法具有更好的识别效果.

基于LDA算法的人脸识别方法的比较研究

线性判别分析(LDA)是一种较为普遍的用于特征提取的线性分类方法。但是将LDA直接用于人脸识别会遇到维数问题和“小样本”问题。人们经过研究,通过多种途径解决了这两个问题并实现了基于LDA的人脸识别。文章对几种基于LDA的人脸识别方法做了理论上的比较和实验数据的支持,这些方法包括Eigenfaces、Fish-erfaces、DLDA、VDLDA及VDFLDA。实验结果表明VDFLDA是其中最好的一种方法。

多模态人脸识别融合方法比较研究

比较研究了多模态人脸识别中的5种匹配得分级融合方法。首先用局部二值模式(Local Binary Pattern,LBP)算子分别提取人脸灰度图像和深度图像的区域LBP直方图序列(LBP Histogram Sequence,LBPHS),采用Fisherfaces分别构建相应的线性子空间,用余弦相似度计算投影向量的匹配得分,再采用5种方法对匹配得分进行融合。在FRGC数据库上的实验结果表明,除最小匹配得分外,其他融合方法的识别性能都要优于单一模态的方法。

基于复小波和Gabor小波的人脸识别

针对双树复小波变换(DT-CWT)不能直接提取水平和垂直2个方向特征的不足,提出一种结合DT-CWT和Gabor小波的人脸识别方法。将Gabor小波提取的0°和90°特征与DT-CWT提取的6个方向特征连接起来共同构成人脸特征向量,采用Fisherfaces方法构建特征向量的线性子空间,应用基于欧氏距离的分类器实现分类。在ORL数据库上的实验结果证明了该方法的有效性。

人脸识别算法研究—基于图像多路正交投影和最小类距离分类器

论文提出了基于图像多路正交投影和最小距离分类器的人脸识别方法。该方法与Fisherfaces方法相比,是基于图像矩阵的,故它的突出优点是极大地提高了特征提取的速度;与最近邻分类法相比,论文提出的最小类距离分类法,在识别性能上有明显的改善。最后,在ORL标准人脸库上的实验结果表明,其特征提取的速度是Fisherfaces特征提取速度的14倍;在相同的特征维数下,识别性能与最近邻法相比也得到较大的提高。

基于MB-LBP和Fishefaces的人脸识别

针对不可控条件对人脸识别的影响,提出一种基于多尺度分块局部二值模式(Multi-scale Block Local Binary Patterns,MB-LBP)和Fisherfaces融合的人脸识别算法。采用适当模块大小的MB-LBP算子提取图像的纹理结构信息,得到相应的特征直方图;通过Fisherfaces方法对MB-LBP提取的特征进行降维和分类;经由最近邻方法进行匹配识别。在ORL和Yale人脸库上进行实验,分别与其他基于LBP和MB-LBP算法的识别效果进行比对。实验结果表明,识别效率显著提高,鲁棒性更好。

对单训练样本的人脸识别问题的研究

现在许多人脸识别算法都是在假定每个人提供了多幅训练样本的情况下展开的,对每人只有一幅训练图像的识别问题研究得很少,而实际中往往每人只提供了一幅图像。本文对这一问题进行了研究,给出了一些生成虚拟训练样本的方法;提出了基于类间散度最大的二维主分量分析方法,在 ORL 库上用单训练样本取得了75.28%的识别结果。

基于三维人脸成像系统的复数域人脸识别方法

三维人脸识别是模式识别和人工智能领域的研究热点。提出了一种利用人脸图像的二维灰度信息和三维深度信息进行人脸识别的算法。首先利用相关型图像传感器构成三维实时人脸成像系统,并将获得的三维人脸物理数据用复数形式表达。再将特征脸(Eigenface)方法和Fisherface方法拓展到复数域,提出了复数域特征脸方法和复数域Fisherface方法。改进的复数域人脸识别方法在三维实时成像系统的人脸数据库中进行的人脸识别实验表明,复数域的三维人脸识别方法明显优于传统的人脸识别方法。

对称性在人脸识别中的应用:对称Fisherface

充分考虑到人脸对称性,结合对称主量分析和Fisher线性判别,提出了改进的Fisherface方法——对称Fisherface(SFisherface).在人脸的表情、姿态以及光照发生变化的情况下,通过实验说明了SFisherface在性能上面的优势.通过比较镜像扩展样本后的Fisherface、SFisherface和经典Fisherface方法的联系和区别,说明了SFisherface有助于提取稳定性的特征,并能够显著提高识别率.

基于结构化Fisherface的人脸识别新方法

特征提取是人脸识别中一个关键步骤。传统的Fisherface人脸识别方法中用样本的类均值和总体均值定义相应的散布矩阵,丢失了样本个体之间的结构信息,本文提出了一种基于原始样本个体结构信息的结构化Fisherface人脸识别方法,最后得到的特征数据中保留了原始样本更多的分布信息。在ORL人脸数据库的实验结果验证了该方法的有效性。

基于Fihserfaces算法的人脸识别

Fisher鉴别是一种有监督的特征提取技术,因其计算简单、分类效果良好而得到广泛应用。文中使用基于Fisher鉴别数值分析技术,对人脸数据进行特征提取,再使用最小距离分类器进行分类识别。该算法在ORL和YALE人脸库进行了实验,根据统计对ORL人脸库和YALEA人脸库的识别率分别为94.00%和89.33%。实验结果表明,Fisherfaces算法对于人脸库中的图像有较高的识别率。

融合2DPCA和模糊2DLDA的人脸识别

结合模糊集理论、双向二维主成分-线性鉴别分析((2D)2PCALDA)的特点,提出一种新的人脸图像特征提取方法。算法首先对人脸图像进行二维主成分分析(2DPCA)处理,再用模糊K近邻算法计算图像的隶属度矩阵,并将其融入到2DLDA过程中,从而得到模糊类间散射矩阵和模糊类内散射矩阵。与(2D)2PCALDA相比,该算法充分利用了(2D)2PCALDA的优点,有效地提取了行和列的识别信息,并充分考虑了样本的分布信息。在Yale和FERET人脸数据库上的实验结果表明,该方法识别效果优于(2D)2PCALDA、双向二维主成分分析((2D)2PCA)等方法。

运用模糊积分进行信息融合的人脸识别方法

提出一种运用模糊积分的原理对整体和局部特征进行融合的人脸识别方法.在实际应用中,现有人脸识别系统缺乏对外界环境进行自适应调节的能力,为此,首先将人脸的关键特征点眼睛,鼻子和嘴巴进行分割,接着采用Fisherface方法对人脸图象进行特征提取和压缩,并建立了三个基于局部特征和一个基于整体特征的分类器,最后利用模糊积分的思想对这些分类器进行融合,将融合后的结果用于人脸识别中.试验表明:该方法能够有效的结合人脸图像的互补信息,提高了识别率.

具有动态调节功能的Fisherface方法

高维、小样本数据的识别问题,始终是模式识别领域的热点和难点问题。由于训练样本数量很少,当以样本的协方差矩阵作为模式协方差矩阵的估计时,会产生较大的偏差。这是造成模式分类错误的主要原因。本文在详细论述 Fisherface 方法的基础上,提出了具有动态调节功能的 Fisherface(DA-Fisherface)方法。该方法利用测试样本完成了对样本协方差矩阵的动态调节,减小了因样本数目很少所造成的偏差,从而实现了对 Fisher 鉴别矢量集的优化。最后,在 ORL 人脸库上的实验结果表明,该方法的模式分类正确率比 Fisherface 方法有显著提高。

基于特征提取与认证的彩色图像人脸检测

在深入的对频谱脸法和Fisherface方法进行研究后,综合这两种方法的优点,提出了一种基于频谱脸和Fisher-face的人脸识别新方法。频谱脸方法主要是采用二维小波变换和傅立叶变换。因为人脸图像的低频部分对人脸的表情变化是不敏感的,所以对人脸图像使用二维小波变换,提取人脸图像的低频部分。对人脸图像的低频部分使用傅立叶变换,从而获得原人像的一个低维空间的表达。但是频谱脸特征维数仍然较高,所以在频谱脸法的基础上继续提取人脸频谱图像的Fisherface特征,降低特征的维数,提高识别效率。利用人脸面部构造产生的灰度特性提取眼睛,利用嘴唇的色度特征分割出嘴巴,进而根据眼睛和嘴巴构成三角形模板的特性,精确定位人脸在图像中的位置。实验结果表明,这种结合肤色和面部特征的算法,能够对人脸进行较快速、准确的定位,而且结果比较稳定可靠。

基于深度数据的三维人脸识别

为了进一步提高三维人脸识别效率,在Fisherface和局部二值模式(LBP)的基础上,提出了基于深度数据的三维人脸识别方法:先提取人脸的深度数据,再将深度数据与LBP相结合提取人脸特征,然后采用Fisherface方法进行识别.实验结果表明,相对于单一的特征识别方法,基于LBP_深度数据和Fisherface特征融合的方法更能提高三维人脸识别效率.

3D face recognition algorithm based on detecting reliable components

Fisherfaces algorithm is a popular method for face recognition.However,there exist some unstable com- ponents that degrade recognition performance.In this paper,we propose a method based on detecting reliable com- ponents to overcome the problem and introduce it to 3D face recognition.The reliable components are detected within the binary feature vector,which is generated from the Fisherfaces feature vector based on statistical properties,and is used for 3D face recognition as the final feature vector.Experimental results show that the reliable components fea- ture vector is much more effective than the Fisherfaces feature vector for face recognition.

基于表情变化的三维人脸识别

为了减小表情变化对三维人脸识别带来的影响,提出一种由粗到细的识别方法。以人脸的深度数据为整体特征,采用Fisherface(PCA+LDA)方法进行匹配,以面部刚性区域作为局部特征采用改进的迭代最近点(ICP)算法进行比配,将得到的整体特征和局部特征进行融合。实验结果表明,该方法能有效提高人脸识别系统针对表情变化的鲁棒性。