Contourlet变换域的稀疏表示分类方法

提出一种基于Contourlet变换域的稀疏表示分类方法对人脸进行识别,使用Contourlet波变换对初始图像进行处理,得到原始图像的低频和高频特征,将低频分量与高频分量直接组合为一维向量,输入稀疏表示分类算法进行识别.研究结果表明,该方法能够对图像进行快速特征提取,去除噪声和冗余,保留边缘等局部特征,同时降低了图像维数.与PCA+SRC、LPP+SRC方法相比,该方法能够得到更好的判别特征和更高的识别率.

RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法

针对现实场景中人脸局部遮挡导致的表情识别准确度较低的问题,提出一种RRA-InceptionV3结合鲁棒稀疏表示的表情识别方法。将人脸图像通过多支路卷积运算和空洞卷积模块来获取丰富的表情特征,基于Asm-CBAM卷积注意力机制划分人脸表情特征的权重并进行多特征融合,随后堆叠密集残差模块,从多通道中自适应提取人脸特征信息,通过Asm-CBAM卷积注意力机制提高网络对人脸关键特征的注意力。在此基础上,利用鲁棒稀疏表示分类器方法对表情进行分类。在人脸数据集FER2013和CK+上的实验结果表明,该方法的人脸表情平均识别精度分别达到79.86%和98.74%,与OAD Net算法相比,分别高出7.50和3.14个百分点,能够高效提取人脸表情特征。此外,在人脸被遮挡的情况下具有较强的鲁棒性,有效提高了在人脸遮挡情况下表情识别的准确度。

基于自步学习的加权稀疏表示人脸识别方法

近年来基于稀疏表示的分类方法(SRC)成为了一个新的热点问题,在人脸识别领域取得了很大的成功。但基于稀疏表示的方法在重建待测样本时,有可能会利用与待测样本相差较大的训练样本,并且没有考虑到表示系数的局部信息,从而导致分类结果不稳定。提出一种基于自步学习的加权稀疏表示算法SPL-WSRC,在字典中有效剔除与待测样本相差较大的训练样本,并利用加权手段考虑样本间的局部信息,以提高分类精度和稳定性。通过3个典型的人脸数据集中的实验,实验结果表明,所提算法优于原稀疏表示算法SRC,特别是当训练样本足够多时,效果更明显。

用于人脸识别的改进MKD-SRC方法

稀疏表示是近年来图像处理、模式识别及计算机视觉领域中的一个研究热点,广泛应用在图像压缩、图像去噪及修复、目标检测、物体识别等各个方向.在人脸识别的应用背景下,一种基于局部特征的多任务稀疏表示分类方法,即基于多任务多关键点特征描述子(multi-keypoint descriptors,MKD)的稀疏识别(MKD-SRC)方法虽具有良好的旋转、尺度不变性,但计算复杂度较高,且对光照的鲁棒性并不理想.本文就此问题分析了MKD-SRC方法的原理和前提,提出基于线性子空间和极大似然概率的改进方法,并在公开人脸数据库上对方法的性能进行了测试.实验结果表明,改进的MKD-SRC方法在计算效率以及对大块噪声污染和光照不均匀的鲁棒性这两个方面取得了良好的效果.