基于样本扩展和线性子空间特征提取的单样本人脸识别

针对单训练样本情况下的人脸识别问题,提出一种虚拟样本扩展方法.利用光照模板映射将单一样本扩展为一组虚拟样本,从而增强单训练样本的分类信息.采用主成分分析(principal component analysis,PCA)对扩展的虚拟样本进行降维,并用Fisher鉴别变换作二次特征抽取,然后用最近邻分类器识别人脸图像.所提方法在人脸图像库Yale B和Extended Yale B上进行试验,用PCA+LDA方法把扩展图像作为训练集对测试图像进行特征提取和识别.相对于以单样本图像为训练集的PCA特征提取,该方法显著提高了识别率.

一种基于联想记忆神经网络的单训练样本人脸识别算法

通过在多值自联想记忆神经网络(MVAM)中引入大脑皮层中客观存在的"侧反馈"连接机制,提出了一种具有联机学习能力的基于侧反馈机制的多值自联想记忆模型(MVAM-LF),用于解决单训练样本人脸识别问题.与一般的人脸识别方法不同,本模型无需任何人工的几何特征提取工作.在部分FERET人脸数据库上的随机加噪和部分遮挡的识别实验表明,提出的MVAM-LF算法获得了比标准的eigenface和改进的(PC)2A算法更高的识别率,表现出了较强的鲁棒性.