基于深度学习特征的稀疏表示的人脸识别方法

本文针对传统的基于稀疏表示的人脸识别方法在小样本情况下对类内变化鲁棒性不强的问题,从特征的层面入手,提出了基于深度学习特征的稀疏表示的人脸识别方法。本方法首先利用深度卷积神经网络提取对类内变化不敏感的人脸特征,然后通过稀疏表示对所得人脸特征进行表达分类。本文通过实验,说明了深度学习得到的特征也具有一定的子空间特性,符合基于稀疏表示的人脸识别方法对于子空间的假设条件。实验证明,基于深度学习特征的稀疏表示的人脸识别方法具有较好的识别准确度,对类内变化具有很好的鲁棒性,特别在小样本问题中具有尤为突出的优势。

指节纹识别综述

相比其它生物特征,指节纹具有特征丰富,采集设备价格低,易于结合手形、手指静脉及掌纹组成性能鲁棒的多模态识别系统等优点.文中首先介绍指节纹的定义、数据采集、预处理方法等,之后详细介绍各种指节纹识别算法及多模态识别方案.根据特征提取及匹配方法的不同,将指节纹识别算法分为6类:基于结构的算法、基于子空间学习的算法、基于编码的算法、基于纹理特征的算法、基于相关滤波器的算法和基于局部特征描述子的算法.回顾和总结各种算法的特点,展望未来指节纹识别的发展方向.

基于非高斯二维Gabor滤波器的生物特征提取算法

Gabor滤波器是一种非常有效的图像纹理特征提取算子。Gabor滤波器可以看作是高斯核函数在频域由复正弦函数调制而成,其频谱仍是高斯函数。采用Gabor滤波器对图像进行滤波处理时,图像所包含的位于高斯函数的频带范围之外的非高斯频谱上的重要信息并不能被Gabor滤波器所提取。提出另外一种二维非高斯Gabor滤波器用于生物特征提取。在所提二维非高斯Gabor滤波器中引入了一个新的参数。这个新参数可以控制二维非高斯Gabor滤波器包络的形状。为了证明所提出的非高斯Gabor滤波器的优越性,在人脸和掌纹数据库中做了大量的实验。实验结果表明,提出的二维非高斯Gabor滤波器的性能相比于传统二维Gabor滤波器有较大的提高。

远距离复杂背景鲁棒的步态特征提取与表示方法

远距离复杂背景下步态图像通常受到噪声的影响很大。Gabor特征在此类步态识别中显示了良好的特性,然而一些基于Gabor特征的算法使用较多的模板从而导致计算量增大。为解决这个问题,本文提出了一种新的基于改进Gabor特征的步态特征提取与表示方法。首先突出步态能量图中的有效区域,并抑制易受噪声干扰的区域。然后构造一个同时具有两个方向互补特性的基本的滤波器,经过缩放和旋转,生成一系列滤波器。使用这些滤波器对改进的步态能量图以及步态差异图像进行卷积,得到两个特征向量集合以表示此步态对象。使用最近邻分类计算出本文方法在USF步态数据库上的识别率,与相关算法的比较证实了此步态特征提取与表示方法的有效性。对算法的计算量分析表明,本文算法所需的计算量比相关算法有较大降低。