两种Adaboost方法在人脸检测中的比较研究

Adaboost方法是目前较流行的一种人脸检测方法,本文根据传统Adaboost方法与改进的Adaboost方法分别设计实现了相应的boosting分类器,采用基于bioid的人脸库进行训练。测试阶段对包含单个人脸和不包含人脸的图片进行检测,并对检测结果进行统计,最好检测率可达到86.875%。最后比较分析了两种方法的性能,解释了影响分类器效果的原因。

基于最近特征线的二维非参数化判别分析算法

提出一种基于最近特征线(NFL)的二维非参数化判别分析算法,用于人脸识别等模式分类问题。该算法在子空间学习阶段运用NFL思想计算训练集中各样例的最近特征距离,计算得到低维投影空间,在低维投影空间中进行分类。通过ORL标准人脸数据库进行实验,结果表明该算法的鲁棒性优于传统算法。

分数次幂多项式核函数在核直接判别式分析中的应用

提出了在核直接判别式分析(KDDA)中采用分数次幂多项式核函数的方法,并在ORL人脸库中对多头部姿态、尺度等变化进行了实验。实验结果表明,采用分数次幂多项式核函数比采用整数次幂多项式核函数时的KDDA误识别率明显要低(取36个特征数时,误识别率低2%),且随着使用的特征数不断减少,这种优势愈加明显。实验充分证实了在KDDA中采用分数次幂多项式核函数的有效性及其对人脸的光照、头部姿态、面部表情等变化的鲁棒性。

基于子图特征组合的人脸识别技术研究

提出了一种基于子图特征组合的人脸特征提取方法,并结合BP神经网络给出一种人脸识别模型.模型首先将人脸图片分割为子图,然后对每个子图进行离散余弦变换并选择最大的余弦系数表示该子图,最后将这些系数组合为向量作为整幅图像的特征.我们选择BP神经网络作为人脸识别模型中的分类器,并通过实验优化相关参数.基于ORL数据库的模拟实验表明,所提出的特征提取算法是有效的,并且模型具有较高的识别率.

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。

基于快速PCA算法的人脸识别

对人脸识别算法进行研究,采用K-L变换计算训练样本特征值及特征向量,得到特征脸向量,进而计算测试样本投影到特征脸子空间的坐标系数,最后使用SVM分类器分类匹配得到识别结果。该系统以ORL人脸库中的人脸图像作为测试样本,实验结果验证该方法可以有效地进行识别,对实际的应用具有一定的参考价值。

边缘检测算法在人脸表情识别中的应用与研究

针对人脸表情自动识别系统的具体情况和要求,详细分析了边缘检测的算法[5],并以ORL人脸数据库中某一人脸表情为例以VC++为开发工具,实现了5种算子[1]的边缘检测。经过对其实例进行的详细分析与比对,得出了一些有益的结论。