结合LBP和Fisherface的人脸识别算法研究

局部二值模式LBP是一种有效的纹理描述算子,能够度量和提取图像的局部纹理信息,对光照具有不变性。针对LBP在人脸识别特征提取时存在维数过高、识别效果不佳的问题,在FERET人脸库上对LBP和Fisherface的结合算法进行实验。实验结果表明:相对于原始LBP表达方法,结合LBP和Fisherface的人脸表达能有效降低计算复杂度,同时也提高了识别精度。

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.

核保局鉴别分析人脸识别算法

针对人脸图像的高维、非线性特性,本文结合核函数和鉴别保局投影分析,提出了一种新的非线性子空间特征提取方法——核保局鉴别分析(kernel locality preserving discriminant analysis,KLPDA)。该算法首先利用核函数将输入空间内线性不可分的人脸样本通过非线性映射投影到高维特征空间,以增强样本的可分性,然后在该特征空间内通过保局鉴别分析算法寻求保持样本局部近邻结构的鉴别特征。实验结果指出,在ORL和UMIST人脸图像库上KLPDA的识别结果相较于其对应的线性方法(LPDA)分别高出6.16%和3.48%,而相较于其他几种典型的核方法(KPCA、KFDA和KCLPP)的最高识别率也分别高出1.28%和2.60%,验证了本文提出方法的有效性。

基于能量的自适应局部Gabor特征提取的人脸识别

为了解决传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,从不同方向、不同尺度以及全局角度按照能量大小构建了3种不同的局部Gabor滤波器组用来提取人脸特征。首先,分析数据库中部分图像Gabor变换后的图像能量,从不同角度选出能量较大的图像构建对应的局部Gabor滤波器组;其次,根据所选滤波器组提取局部Gabor特征;然后,采用线性判别分析(LDA)法进一步提取Fisher特征;最后,利用最近邻法识别人脸图像。基于ORL人脸库和YALE人脸库的实验结果表明提出的人脸识别方法降低了人脸图像的特征维数,缩短了特征提取的时间,有效地提高了人脸识别率。

基于二维局部保持鉴别分析的特征提取算法

提出了一种二维局部保持鉴别分析(Two-dimensional Locality Preserving Discriminant Analysis,2D-LPDA)特征提取算法。该算法直接对图像矩阵进行运算而不需要将矩阵转化为向量后进行运算,较好地保持了图像相邻像素之间的空间结构关系;在LPP算法的基础上,利用训练样本的类别信息计算二维类间散度矩阵和二维类内散度矩阵,并在2D-LPDA的目标函数中引入最大间距准则(Maximum Margin Criterion,MMC),从而求得具有良好鉴别能力的投影向量,同时还避免了小样本情况下矩阵的奇异性问题。通过在ORL人脸图像库上的人脸识别和新生儿面部图像库上的疼痛表情识别实验,验证了所提出的算法的有效性。

基于大间距准则的不相关保局投影分析

局部保持投影(Locality preserving projections,LPP)算法只保持了目标在投影后的邻域局部信息,为了更好地刻画数据的流形结构,引入了类内和类间局部散度矩阵,给出了一种基于有效且稳定的大间距准则(Maximum margin criterion,MMC)的不相关保局投影分析方法,该方法在最大化散度矩阵迹差时,引入尺度因子α,对类内和类间局部散度矩阵进行加权,以便找到更适合分类的子空间并且可避免小样本问题;更重要的是,大间距准则下提取的判别特征集一般情况下是统计相关的,造成了特征信息的冗余,因此,通过增加一个不相关约束条件,利用推导出的公式提取不相关判别特征集,这样做,对正确识别更为有利.在Yale人脸库、PIE人脸库和MNIST手写数字库上的测试结果表明,本文方法有效且稳定,与LPP、LDA(Linear discriminant analysis)和LPMIP(Locality-preserved maximum information projection)方法等相比,具有更高的正确识别率。

改进双向二维局部保持投影的人脸识别算法

为更好地处理图像小样本问题,且克服二维局部保持投影(2DLPP)算法只能保持数据局部性质的缺陷,通过结合二维主成分分析(2DPCA)和二维线性鉴别分析(2DLDA)的算法特性,提出了一种改进的双向二维局部保持投影的人脸识别算法.首先,引入样本类别信息改进权重矩阵,增强2DLPP算法对样本变化的鲁棒性;其次,提出改进2DLPP+2DPCA、2DLPP+2DLDA两种融合算法并分别用于输入样本图像数据的行、列方向特征提取.在特征选择后得到行、列方向上的最优投影;最后,通过对样本数据进行行、列方向投影,利用最近邻分类器对样本数据进行分类并获得在给定数据集上的识别结果.在人脸数据集ORL、YALE和AR上的实验结果表明,该算法在人脸识别性能上总体优于2DPCA、2DLDA、2DLPP、(2D)2PCA、(2D)2LDA、(2D)2PCALDA和(2D)2LPP-PCA等算法.

完备自适应近邻图嵌入的局部鉴别投影算法

针对基于自适应近邻图嵌入的局部鉴别投影算法(Neighborhood graph embedding based local adaptive discriminant analysis,LADP)仅仅利用局部类内离差矩阵主元空间的鉴别信息而丢失了其零空间内大量鉴别信息的不足,结合全空间的基本思想提出了完备的基于自适应近邻图嵌入的局部鉴别投影算法(Complete LADP,CLADP)。在局部类内离差矩阵的零空间内,通过最大化局部类间离差矩阵提取不规则鉴别特征,在局部类间离差矩阵的主元空间内,通过最大化局部类间离差矩阵的同时最小化局部类内离差矩阵提取规则鉴别特征,最后将不规则鉴别特征和规则鉴别特征串联形成CLADP特征。在ORL,Yale以及PIE人脸库上的人脸识别实验结果证明了CLADP的有效性。

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。

基于二维判别局部排列的特征提取算法

提出一种基于二维判别局部排列的特征提取算法,用于人脸识别等模式分类问题。该算法集成局部判别排列和二维特征提取算法的思想,在部分优化阶段,对每一个训练样例,通过寻找最近邻的方式构建局部面片,设计目标函数保持局部判别信息。在整体排列阶段,利用排列技术,整合各个局部面片,得到一个全局的坐标系。通过求解特征值问题可得到低维投影矩阵。在ORL标准人脸数据库上的实验结果表明,该算法具有较好的优越性和鲁棒性。

增强的无监督人脸鉴别技术

增强的独立分量分析(EICA)是一种基于样本整体特征的无监督特征抽取方法,并没有考虑样本的局部特征,因此EICA不利于处理人脸识别这类非线性问题的。无监督鉴别投影技术(UDP)用于高维数据压缩,其基本思想是寻找一组有效的投影方向,使得样本投影后,局部散度最小同时非局部散度最大。UDP同时考虑到样本的局部特征和非局部特征,能够反映样本内在的数据关系,因此UDP能够对样本有效地分类。提出了一种增强的无监督人脸鉴别技术,该方法结合了EICA和UDP的优点,能够:(1)反映样本高阶统计特征;(2)发掘样本内在的几何结构,从而有利于分类。在Yale人脸库和FERET人脸库上的实验验证了该算法的有效性。

一种光滑局部敏感鉴别分析方法

传统的局部敏感鉴别分析方法未考虑原有图像样本像素关系信息,识别效果受到影响。为此,提出一种光滑局部敏感鉴别分析方法。针对图像样本构造一个基于离散拉谱拉斯图的正则化项,该正则化项包含图像像素关系的先验信息,并将其嵌入到局部敏感鉴别分析的目标函数中,使抽取的特征具有空间光滑的特性,从而增强局部敏感鉴别分析算法的泛化能力。在ORL和IMDB人脸数据集上的实验结果证明了该方法的有效性。

人脸识别中适合于小样本情况下的监督化拉普拉斯判别分析

提取有效特征对高维数据的模式分类起着关键的作用.无监督判别投影,通过最大化非局部散度和局部散度之比,在数据降维和特征提取上表现出较好的性能,但是它是一种非监督学习算法,并且存在小样本问题.针对这些问题,提出了监督化拉普拉斯判别分析,算法在考虑非局部散度和局部散度时考虑了样本的类别信息;通过丢弃总体拉普拉斯散度矩阵的零空间,并将类内拉普拉斯散度矩阵投影到总体拉普拉斯散度矩阵的主空间中,然后在该空间中进行特征问题的求解,从而避免了小样本问题.通过理论分析,该算法没有任何判别信息损失,同时在计算上效率也较高.在人脸识别上的实验验证了算法的正确性和有效性.

基于最大边距局部敏感鉴别分析的人脸识别

局部敏感鉴别分析(LSDA)是一种基于向量学习的提取特征的算法,该算法使得属于同一类的相邻数据经投影后尽量靠近,但不同类的邻近数据则相远离.在实际应用中,由于小样本问题,通常先利用PCA算法对原始数据进行降维处理,然后再使用LSDA算法提取特征.然而,这种方法会丢掉一些重要的鉴别信息.提出了最大边距局部敏感鉴别分析(MM-LSDA)算法,直接从原始数据中提取特征,避免了鉴别信息的损失,同时使得同类中的近邻数据尽量靠近,而不同类之间的样本远离.在ORL和Yale人脸库上的仿真实验表明此算法更有效.

多流形判别分析在人脸识别中的研究

局部保持投影LPP(Locality Preserving Projection)是一种有效的非线性降维方法,能够使投影降维后的数据与原输入空间中的相似局部结构保持一致,但是该方法没有充分利用类间样本点的权重等重要信息。为了解决这个问题,提出基于Fisher准则的多流形判别分析FMMDA(Fisher Multi-Manifold Discriminant Analysis)方法。结合Fisher准则训练样本类内拉普拉斯图和样本均值类间拉普拉斯图,既保持了原样本的相似局部结构,又充分地利用了不同类别之间的权重。在ORL及Yale人脸库上验证了该方法的有效性。与其他几种最先进的方法相比,FMMDA方法取得了更好的识别效果。

面向局部线性回归分类器的判别分析方法

局部线性回归分类器(locality-regularized linear regression classification,LLRC)在人脸识别上表现出了高识别率以及高效性的特点,然而原始特征空间并不能保证LLRC的效率。为了提高LLRC的性能,提出了一种与LLRC相联系的新的降维方法,即面向局部线性回归分类器的判别分析方法(locality-regularized linear regressionclassification based discriminant analysis,LLRC-DA)。LLRC-DA根据LLRC的决策准则设计目标函数,通过最大化类间局部重构误差并最小化类内局部重构误差来寻找最优的特征子空间。此外,LLRC-DA通过对投影矩阵添加正交约束来消除冗余信息。为了有效地求解投影矩阵,利用优化变量之间的关系,提出了一种新的迹比优化算法。因此LLRC-DA非常适用于LLRC。在FERET和ORL人脸库上进行了实验,实验结果表明LLRCDA比现有方法更具有优越性。

基于自适应判别局部块对齐的人脸识别

针对有监督学习下的人脸识别问题,提出自适应判别局部块对齐SALDA(Self adaptive Local Discriminative Alignment)算法用于提取人脸特征。SALDA算法利用各样本点所具有的独特的局部近邻点分布,通过同类近邻点自动构造各样本点的局部邻域;基于已构造的局部邻域,SALDA提出一个自适应局部判别分析模型,所得到的局部判别信息通过全局排列转化为统一的全局特征表示。SALDA算法具有自适应构造局部邻域和自适应局部判别分析两个特点。通过在人脸数据库上的仿真实验,证明了所提出的SALDA算法在人脸识别上的有效性。

一种基于局部保持的图嵌入有监督降维方法

为了能够在降维时,保持数据的全局结构和局部流形信息并利用数据的类别信息来保持数据的判别信息,提出一种新的基于局部保持的图嵌入有监督降维算法。从基于流形学习的图嵌入方法入手,结合最小化重构误差的主成分分析思想,生成一个判别图,可以保持数据的判别性和局部流形结构,然后结合图嵌入方法,通过一个平衡因子去平衡数据的全局结构和局部流形之间的权重,最终得到一个低维投影。通过该方法得到的低维投影既能较好地保持数据的判别性,也让数据的全局结构和局部流形信息得以保留。通过对多种人脸图像和手写数字数据集进行大量的实验,结果表明,该方法实现了较低降维维度并且取得了最好的分类准确率,在特征提取方面,其分类识别效果优于传统降维算法。

改进的ULBP与2DLDA融合人脸识别算法研究

ULBP容易受到随机噪声以及边缘对图像的影响,提出一种改进的Uniform LBP算子和2DLDA融合的算法。首先对人脸图像进行局部纹理特征提取,对子块的人脸图像进行改进后的ULBP特征提取,其次结合全局特征的子空间学习2DLDA的识别方法,对人脸进行识别。在YAlE人脸识别库和ORL人脸识别库中分别进行人脸识别实验。实验结果表明提出的改进的ULBP和2DLDA融合的方法相对于局部纹理分析的ULBP及全局子空间学习的2DLDA,以及ULBP与2DLDA融合的识别方法具有很好的识别率。

基于局部保持投影的鉴别最大间距准则

提出一种基于流形学习的特征提取方法——鉴别最大间距准则.该方法采用线性投影,保留最优的局部和全局信息数据集.试图找到具有最好鉴别能力的原始信息,使类间离散度最大的同时类内离散尽可能的小.该方法在识别率上比其它方法都有较大提高,通过在YALE和JAFFE人脸库上的实验验证该方法的有效性.