基于简化Gabor小波的人脸识别算法研究

由于Gabor函数的生物特征,所以Gabor小波经常被用来进行纹理特征提取应用于人脸识别。然而由于在提取Gabor小波特征时运算复杂度高和所需运行时间长,使其不具备应用到实时的条件下,从而限制了Gabor小波在工程上的应用。本文提出了一种简化Gabor小波人脸识别算法,降低了运算复杂度,提高了特征提取的实时性,而且能取得与连续Gabor小波人脸识别算法相同的效果,并且与经典的PCA、LDA、LBP等经典算法相比取得了更好的识别率。

基于支持向量机的人脸识别系统的研究

首先利用PCA进行人脸图像特征提取,然后将此特征数据作为分类器的输入数据。采用的分类器是利用所谓"相似性"方法构造的多个二类SVM分类器,为了提高识别正确率,在多个SVM的输出之后又增加了一级神经网络训练器。以ORL人脸库做的实验中得到了很好的识别效果。

基于Gabor小波和监督等距映射的人脸识别

提出了一种基于Gabor小波变换和监督等距映射(supervised isometric feature mapping,S-ISOMAP)的人脸识别方法。针对流形学习算法不能消除图像特征向量中高阶相关信息的缺点,引入Gabor对归一化的人脸图像进行多方向、多分辨率滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值特征(Gabor magnitude feature,GMF),然后使用具有提取鉴别子流形的S-ISOMAP算法对GMF特征进行维数约简,最后使用最近邻分类器进行分类。该方法综合运用了Gabor特征对人脸图像的优异的表征能力、S-ISOMAP的非线性维数约简能力,使得该方法对光照和表情变化等具有良好的鲁棒性。在YaleB和PIE人脸库上的实验表明了该方法的有效性。

基于Gabor小波和流形的人脸识别研究

本文研究基于Gabor小波变换和流形学习的人脸识别方法,首先引入Gabor小波对人脸图像提取不同方向、不同尺度的多个Gabor幅值特征(Gabor magnitude feature),然后使用能够提取子流形的NPE算法对GMF特征进行维数约简,最后使用线性判别分析进一步提取鉴别性特征。此算法利用了Gabor特征对人脸图像的优异表征能力、流形方法和传统的判别方法。在标准人脸库上的实验结果表明,与其他降维方法相比,新算法能够获得较好的识别效果。

基于SVM的人脸识别系统的研究

该文使用PCA来提取人脸的特征,克服了K-L算法计算量大,计算耗时长的缺点。实验表明该算法减少了特征提取时间。然后运用SVM来进行人脸识别。将两类分类问题的识别策略应用到多类分类问题。

2D—FDA和ProximalSVM在人脸识别上的联合应用

对人脸图像进行二维Fisher鉴别分析（2D—FDA）的特称抽取与最临近支持向量机（ProximalSVM）的分类进行组合。首先把人脸图像按测试样本和训练样本进行划分。对训练样本进行2D—FDA特征抽取，得到抽取不同特征数目的具有最大鉴别信息的特征向量。然后再把此特征向量与测试样本相结合，用最简单的支持向量机进行分类，得到比用最小欧氏距离方法更高的识别效率，从而说明这两种方法的组合在人脸识别应用中发挥了各自的优点。