基于判别公共向量的单训练样本人脸识别

提出一种新的基于判别公共向量(Discriminative Common Vector)的单样本人脸识别算法.该方法基于人脸类内方差相似的假定,通过引入单人多样本的辅助人脸集来估计类内方差,解决了单训练样本情况下样本类内方差无法估计的问题.在FERET人脸库的测试结果表明,在面部细节、光照、表情变化的情况下,该方法都具有较好的识别效果.

基于分块2DPCA与2DLDA的单训练样本人脸识别

二维线性判别分析(2DLDA)在人脸识别已经获得巨大成功,然而用于单训练样本人脸识别问题方法失效,因为每类需要多个样本计算类内散度.对此提出了一种新的基于图像矩阵的分块二维主成分分析+二维线性判别分析(Block 2DPCA+2DLDA)的单训练样本人脸识别算法.首先将图像进行分块,并按其位置将子图像分成多个样本集,在每个样本集上应用2DPCA算法,进行第一次识别.其次将第一次识别出的已知类别的测试样本并入原单训练样本集中,原单训练样本集成为多训练样本集.最后在新的训练样本集和测试集上应用2DLDA算法作为第二次识别,识别第一次未能识别出的图像.Block 2DPCA+2DLDA算法在ORL人脸数据库上被检测,实验结果表明Block 2DPCA+2DLDA识别结果优于PCA、2DPCA等算法.

单训练样本条件下的人脸识别算法研究

由于主成分分析法和线性判别分析法等传统方法对单训练样本的识别能力弱,甚至直接失效。本文提出了二维小波变换与矩阵的最大间距准则或矩阵的线性判别分析相融合的人脸特征提取算法。即首先将原图像进行三层二维小波变换,然后对每层的近似分量分别进行最大间距准则或线性判别分析处理,最后用欧氏距离判别。在ORL人脸数据库上取得的实验结果表明,本文提出的算法能够提高单训练样本条件下的人脸识别率,同时也满足实时性要求。

基于“SOM脸”的选择性单训练样本人脸识别

基于“SOM脸”计算模型提出一种新的人脸局部区域重要程度度量方法 ,并用于进行选择性单训练样本人脸识别。从机器人脸识别的角度 ,并未预先人为设定任何重要区域 ,而是通过学习来自动发现这些对机器而言相对重要的人脸区域 ,即包含类信息相对丰富的区域 ,并将其进行可视化。实验结果表明 ,在利用了人脸局部区域重要程度信息后 ,识别算法的性能和效率均得到提高 ;特别是仅选择人脸图像中若干部分重要的区域用于识别时 ,在提高识别效率的同时 ,识别性能未见明显下降。

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.

单训练样本视频监控俯视人脸识别研究

近年来视频监控已普遍应用于各行各业,因此基于监控视频人脸识别也成为了智能监控系统中重要的研究领域.然而,由于监控视频人脸通常是非正面人脸,传统性能优良算法应用于视频人脸识别时,其性能也明显降低.同时,单张训练人脸问题在监控视频人脸检测和识别是一个普遍问题.因此为了能有效地提高单训练多姿态人脸识别的正确识别率,文章提出了一种基于三维建模技术的人脸识别算法.该算法先由一张二维高清正面人脸生成一个三维人脸模型,然后再进一步在该三维人脸空间里产生多种姿态的人脸模型,并由此获得多张相应姿态下的二维虚拟人脸,最后利用原始正面样本和所得到的虚拟人脸来构筑训练人脸库.该算法用SCface视频监控人脸库中加以验证,与传统的PCA和LDA算法相比,该算法对监控视频人脸的识别率提高了13%.由此表明,文章介绍的算法是一种有效的人脸识别算法,能有效地提高对俯视人脸的识别率.

单训练样本人脸识别技术的分析

单训练样本人脸识别是指训练集中每人只有一张存储的人脸图像,用以完成对包括姿态等在内的、各种能够影响人脸图像身份的因素进行识别。因此该项技术也经常被用于身份证、护照等重要证件的相关验证。本文将通过对单训练样本人脸识别技术的重要作用进行简要分析,并结合现阶段关于单训练样本人脸识别技术的相关研究,谈谈几种常见的单训练样本人脸识别技术,希望能够为相关研究人员提供必要的帮助。

基于trace变换特征的单训练样本人脸识别算法

提出了基于trace变换不变性特征的人脸识别算法,提高了单训练样本下姿势和表情变化后的识别率。应用一阶Scharr算子、二阶尺度适应的高斯型拉普拉斯算子(LOG)和Harris滤波器定位特征点,选择合适的泛函在特征点的邻域内进行trace变换得到具旋转和尺度不变性的特征描述子。根据特征描述子的特征向量和坐标值实现由粗到精的匹配,整个过程不涉及参数选择问题,保证了算法的稳定性。实验结果证明该算法降低了姿势和表情变化时识别率低的影响,并减少了算法运行时间。

基于镜像脸的FLDA单训练样本人脸识别方法

Fisher线性判别分析(FLDA)是一种经典的基于特征提取的人脸识别方法。然而,在每类单训练样本时,FLDA无法对类内变化进行测量,因而无法使用。论文针对这一问题提出了一种新颖的解决方法,即通过利用每类已有的单个训练样本脸部图像获取其镜像图像,扩充原始训练样本集,从而解决原来在每类单训练样本情况下类内散布矩阵为零矩阵的问题。通过利用原始脸部图像和其镜像脸部图像计算出类内和类间散布矩阵,然后利用FLDA算法思想提取辨别性面部特征进而实现正确的分类和识别。实验结果表明,所提出的方法简单且高效,能够实现比现有方案更高的识别精度。

基于小波子带融合的单训练样本掌纹识别方法

针对目前大多数掌纹识别方法对于单训练样本系统识别性能欠佳的问题,提出一种基于小波子带融合的主成分分析方法,用于单训练样本掌纹识别.该方法将小波低频子带与水平和垂直高频子带相结合进行身份识别,使用低通滤波增强相应边缘信息的鲁棒性,以提高高频子带的识别性能,然后采用求和算子对各匹配分数进行融合.实验结果表明,对于单训练样本掌纹识别,该方法平均识别率达89.93%,较传统方法有6%~9%的性能提升.

单训练样本人脸识别技术综述

对近年来国内外出现的单样本人脸识别技术和方法进行简单介绍和系统分类,分析各种方法的优缺点.阐明单样本人脸识别技术所面临的挑战,并对未来单样本人脸识别技术的发展方向进行展望.

K邻域分块自动加权的单样本人脸识别算法

在人脸识别问题中,当每类训练样本有且仅有一个时,由于类内缺乏足够的特征变化信息来预测人脸复杂的特征变化,从而导致常用分类算法的识别准确率急剧下降。目前最好的解决方法大致可分为两类:一是生成虚拟的训练样本以扩大训练集;二是学习稀疏变化字典以表示复杂特征变化。针对此问题,在引入稀疏变化字典来表示人脸复杂特征变化的基础上,提出一种基于K邻域分块自动加权的单样本识别算法。通过对测试样本进行分块,然后对每一个子分块求K邻域分块,以组成虚拟的同类别测试样本集;同时提出了一种自动加权策略,对这些分块在分类中的比重进行加权,最后通过一种改进的投票机制确定分类结果。通过与已有的单样本识别算法进行比较,并在公共人脸数据库AR、CMU Multi-PIE和ORL上进行实验,结果表明该方法有助于提高单样本识别问题的分类准确率。

基于模糊决策和MSD的单样本人脸识别算法

当每个人只有一个训练样本时,最大散度差鉴别分析在人脸识别中的识别性能会降低,为了解决这一问题,提出了基于模糊决策和最大散度差鉴别分析的单样本人脸识别算法。通过对每个训练样本进行适当的分块,从而获得较多的训练样本个数,在这些新的训练样本集上应用类内中间值最大散度差鉴别分析算法得到最优投影矩阵,并基于这个最优投影矩阵可以计算训练样本和待测试样本的特征。对模糊决策方法进行分类。在著名的ORL和FERET人脸数据库上的大量实验结果表明,该算法可以提高识别率。

基于支持向量机和Candide-3的单样本人脸确认

目前已有的正面人脸识别方法大多要求有充分数量的训练样本,不能适应单人单个训练样本的情况。提出了一种基于支持向量机SVM的单训练样本人脸确认方法,首先产生人脸Candide-3模型,通过对重建模型的旋转产生姿态不同的数字人脸,将产生的数字人脸和原始样本一起作为训练数据,用SVM进行分类确认,取得了接近于多样本情况下的识别率。在ORL人脸库的实验结果表明,本方法能更好地适应单样本情况下的人脸确认,比同类人脸确认方法具有更高的识别率。

基于虚拟样本扩张法的单样本人脸识别算法研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出了一种基于虚拟样本扩展的人脸识别方法,为给定的单训练样本增加虚拟图像,以增强单训练样本的分类信息,并对原样本及其虚拟样本进行特征变换,划分得到更多的子图像,利用二维主成分分析(2DPCA)实现特征抽取,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。提出的方法分别在ORL及FERET两大人脸数据库上得到了验证。

FLDA方法在单样本人脸识别中的应用研究

在人脸识别应用中,当每个人有多个训练样本(MSPP)时,Fisher线性判别分析(FLDA)方法可以很好地用于特征提取。然而,当每个人只有一个训练样本(SSPP)时,因为类内散布矩阵为零矩阵,所以FLDA方法将不能使用。为了解决该问题,提出了一种比较新颖的方法来估计类内散布矩阵,借助于奇异值分解(SVD)方法,先将人脸图像分解成两部分,然后分别估计出类内散布矩阵及类间散布矩阵,使FLDA方法能够得到有效的应用。在ORL及Yale上的实验表明了提出的方法比现有的许多方法取得了更好的识别效果。

FLDA在单样本人脸识别中的应用研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出一种基于通用框架学习的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用FLDA方法进行特征抽取,将所有样本投影到特征子空间,再利用最近邻方法完成人脸识别,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。该方法的有效性分别在ORL及Yale两大人脸库上得到了验证。

基于PCA和LCN单样本光照不变人脸识别研究

传统的基于PCA(Principal Component Analysis)和局部对比度正则化的单样本光照不变人脸识别,使用直方图均衡化和局部对比度正则化削弱不均匀光照的影响,使用马氏距离度量数据间的距离,使用均值滤波器计算图像各像素邻域的期望。在PIE(Pose Illumination Expression)和Extended Yale B人脸数据库上,随机抽取单训练样本评估多种光照预处理方法、距离度量和两种计算像素邻域期望的方法。实验结果表明,使用局部和全局对比度正则化进行光照预处理,距离度量使用简化的马氏距离,使用二维高斯滤波器计算像素邻域的期望可以达到最好的识别效果。

通用学习框架在单样本人脸识别中的应用研究

针对单样本人脸识别问题,提出一种基于通用学习框架的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用了2DPCA方法进行特征抽取,将所有样本投影到特征子空间,再根据最大隶属度原则完成人脸识别,明显提高了识别率。该方法的有效性分别在ORL及FERET人脸数据库上得到了验证。

基于Gabor小波自适应判别的单样本人脸识别

提出一种基于Gabor小波和LDA的人脸识别算法,借助通用训练集估计类内散布矩阵,使才传统LDA算法在单样本问题中可行。最后,在FERET人脸数据库上对所提方法进行了实验,结果表明该方法在单样本问题上取得了较好的结果。