四维时空兴趣点提取结合多流形判别分析的人体动作识别

针对人体动作识别方法较差的稳定性和视角选择的局限性问题,提出了四维时空兴趣点提取结合多流形判别分析(MMDA)的人体动作识别方法.首先,将每个动作通过三维空间体和四维时空兴趣点投影到任意视角;然后,构建运动历史图像和非运动历史图像,并使用类增强主成分分析进行降维;最后,将降维后的矩阵构建为多流形,计算测试图像流形与各个训练图像流形之间的距离,利用最近邻分类器完成识别.在IXMAS数据集上的实验结果表明,相比其他几种动作识别方法,提出的方法取得了更高的识别率,且对任意视角都具有较好的鲁棒性.

一种高效的人脸识别算法

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训练的优化SVM对人脸数据进行分类识别。在人脸数据库上的实验结果表明,该算法的运算速度较快,识别准确率较高。

自适应三维形变模型结合流形分析的人脸识别方法

为了在人脸姿态和表情归一化后减少人脸外观的信息损失,提出自适应三维形变模型(3DMM)结合流形分析的人脸识别方法。首先,描述人脸姿态变换引起的2D和3D坐标的不对应性,提出自适应3DMM拟合方法;然后,通过三维变换来保留尽可能多的身份信息,将整个图像网格化映射成3D对象,姿态和表情的归一化保证了变换的稳定;最后,利用多流形判别分析计算流形与流形之间的距离,并利用最近邻分类器完成识别。在Multi-PIE,LFW以及自己采集的数据库上的实验验证了所提方法的有效性,在3个数据库上的识别率分别高达99.8%,95.25%,98.62%。所提方法显著改善了人脸识别性能,在约束和无约束环境下均优于其他几种较新的识别方法。