融合局部gabor相位特征和全局本征脸的人脸识别算法

提出一种融合局部gabor相位特征和全局本征脸特征进行人脸识别的方法.该方法采用多个分类器的集成,首先利用gabor滤波良好的空间位置与方向选择特性,用gabor滤波器对图像进行滤波,采用局部XOR算子提取滤波图像的局部gabor相位特征,通过Fisher判别式对每个频率和方向下的相位特征进行降维,融合各个频率和方向下的分类概率,得出局部特征分类信息;然后利用本征判别式方法,得出人脸图像的全局分类信息;最后融合局部和全局分类信息进行识别.通过在三个人脸库中的实验结果显示,本文提出的方法具有很好的识别性能.

基于Gabor相位编码的手背静脉识别算法

提出了一种基于Gabor相位编码的手背静脉识别算法。该算法主要分为两部分:一个是对手背静脉图片的预处理部分,包括滤波去噪和感兴趣区域(ROI)提取;另一个是静脉特征提取和匹配识别部分,该部分主要利用静脉图像的Gabor相位编码作为静脉识别的有效特征,同时利用海明距离实现特征匹配识别。该算法应用于自制的手背静脉图库,可达到100%的识别率和0%的误识率。结果表明,该算法是一种有效的生物特征识别方法。

基于局部Gabor相位特征的手背静脉识别方法

文章介绍了一种新的手背静脉识别方法,和以往的手背静脉识别方法相比,本文的方法能够通过低质量的手背静脉图片来获得高质量的识别效果。本文提出的方法分文两个部分:一个是手背静脉的预处理和感兴趣区域(ROI)提取;另一个是静脉的特征提取和匹配,该部分利用静脉图像的局部的2DGabor相位编码变化特征来表示其局部特征,并且结合直方图全局特征来表达静脉图像的全局特征,采用卡方距离来实现特征匹配。在自制的手背静脉库的实验结果表明,本文的方法得到了100%的识别率和0%拒识率,这意味着该识别方法可以有效的运用于生物识别。

基于Gabor相位纹理表征的人脸识别方法

为降低Gabor特征的维数,提出一种基于Gabor相位的纹理表征(GPTR)方法,将其应用于人脸识别。GPTR采用广义高斯分布(GGD)拟合Gabor相位的分布,将拟合的GGD参数作为纹理特征。采用保局投影方法对纹理特征向量进行子空间分析,进一步降低其维数并增强鉴别力。在FERET及Yale人脸库上的实验结果表明,相比传统的Gabor幅值特征,GPTR具有更高的人脸识别准确率。

基于Gabor相位谱和流型学习的步态识别方法

提出了一种有效的基于步态能量图像的身份识别方法.首先生成合成步态能量图像(GEI)丰富训练集样本数量.然后利用在以前文献中被忽略的具有良好识别性能的Gabor相位信息作为身份特征,并采用流型学习算法保局影射(LPP)将此高维数据在低维空间表示.通过使用简单的分类策略在USF步态数据库上进行对比实验,结果表明本方法的正确识别率优于现有其他的自动步态识别算法.

基于Gabor相位和局部二值模式的AAM纹理表示

提出一种基于Gabor相位与局部二值模式(local binary patterns,LBP)算子的活动表观模型(activeappearance model,AAM)。与基于亮度的AAM相比,改进模型在三个方面提高了算法性能:提供多尺度多方向的Gabor纹理,提高了模型的匹配精度;增强了对外部环境变化(如光照)的鲁棒性;基于LBP的纹理编码去除了大量冗余。实验结果表明该模型能够有效提高模型的匹配精度。

多通道Gabor相位特征在人脸识别中的应用

提出一种基于Gabor相位特征的多通道组合模型人脸识别方法。该算法对各方向上的Gabor相位特征采用双向二维主元分析进行维数约简,然后组合各方向上约简后的特征而构建最终人脸模板。算法主要包括4个步骤:(1)通过Gabor滤波器组与人脸原始灰度图像的卷积来提取不同尺度和不同方向的人脸相位特征;(2)双向二维主成分分析对人脸各方向上的Gabor相位特征进行维数约简;(3)组合各方向上约简后的特征矩阵得到一个增强型的特征矩阵,量化该矩阵得到最终的二元人脸模板;(4)采用基于海明距离的最近邻分类器进行分类。ORL和Yale人脸数据库上的人脸识别试验表明:该算法是一种有效的人脸识别算法,而且理论分析表明计算量相对而言也明显减少。

Gabor小波幅值和相位特征人脸识别方法比较

对采用Gabor幅值、Gabor相位以及Gabor幅值加相位结合这三种方法,在同等条件基础上对所提取的特征进行分块,用PCA降维,采用最近邻分类规则进行识别并比较结果。在ORL、Yale、Indian、YaleBE、PIE和FERET六个数据库进行比较研究的结果表明,Gabor小波相位特征对光照有较高的鲁棒性,在光照变化明显的Yale和YaleBE数据库识别效果最好,而Gabor小波幅值加相位特征具有表情和时间变化的鲁棒性,在FERET的fb、dup1、dup2测试集上获得了较高的识别率。

基于改进纹理表示的主动形状模型

主动形状模型(Active shape model,ASM)是一种基于参数化的统计模型,它主要应用于图像处理中的特征定位和提取.本文在分析传统ASM方法不足的基础上,提出一种基于改进纹理表示的ASM方法.改进的纹理表示方法是直接用联合Gabor相位特征和局部二元模式(local binary patterns,LBP)特征代替传统的灰度值.改进的方法提供多尺度多方向的Gabor纹理信息,而且基于LBP的纹理编码能对光照更加鲁棒,而且可以去除大量冗余信息.实验结果表明改进的ASM能有效提高特征点的匹配精度.