一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法

为了克服光照、表情变化等因素对人脸识别的影响,本文提出了一种自适应的Gabor图像特征抽取和权重选择的人脸识别方法.该方法首先把每幅人脸图像经过Gabor小波变换后得到的40个不同尺度和方向下的图像都看作是独立的样本,再把不同人脸中的同一尺度和方向的变换结果进行特征重组,得到40个独立地新特征矩阵.为了增强对光照、表情变化的鲁棒性,每一新特征矩阵的识别贡献被本文所提出的自适应权重方法计算得到.其次,对每一新特征矩阵采用离散余弦变化进行降维,并采用了鉴别力量分析方法来选取最有鉴别力的离散余弦变换系数作为特征向量.最后,抽取线性鉴别分析特征进行识别.大量的实验证明了本文所提方法的有效性.

基于Gabor特征的人脸识别算法的对比研究与实现

由于Gabor变换的核函数分布与哺乳动物视觉皮层简单细胞2D感受野剖面非常类似,并具有良好的方向选择性和空间局部性,从而为图像局部区域内多个方向的空间尺度信息和局部性结构特征的获取提供了更有效的方法。为了验证Gabor特征在人脸识别中的有效性和准确性,本文提出了一种采用目前四种传统特征提取的人脸识别方法与基于Gabor特征的人脸识别方法进行对比研究,同时提出利用ROC和CMC两个参量来验证基于Gabor特征人脸识别方法的有效性和准确性。在ORL人脸数据库上取得的实验结果表明,基于Gabor特征的人脸识别方法在同等条件下,得到了更高的人脸识别率,同时具有良好的鲁棒性。

基于2D-Gabor与KLDA的特征提取

提出一种2D-Gabor小波与核线性鉴别分析(KLDA)相结合的特征提取方法。该方法对经过预处理的人脸图像进行多方向、多尺度的2D-Gabor滤波,将滤波后的图像看作独立样本加入原样本库中,对新样本利用KLDA方法进行二次特征提取,得到较理想的类内聚度和类间散度样本特征,再采用三阶近邻分类器进行特征分类处理。实验结果表明,该方法相比传统方法识别率更高,易于工程实现。

改进的基于Gabor-LDA的人脸识别方法

鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域取得成功应用,提出了一种改进的Gabor-LDA算法。首先对人脸图像进行多方向、多尺度Gabor小波滤波,然后对得到的特征向量使用改进的主成分分析方法(PCA)变换降维,采用自适应加权原理重建类内散布矩阵和类间散布矩阵,从而改进了最佳鉴别分析(LDA)判别函数,有效地解决了训练样本类均值与类中心的偏离问题。对Yale人脸库的数值试验表明,该算法比传统算法有更好的性能。

基于Gabor特征量和核函数判决分析方法的人脸识别

研究了基于Gabor特征量和核函数判决方法的人脸识别方法,即首先利用Gabor滤波器组对输入样本进行处理,获得Gabor特征量;然后利用核函数判决方法实现人脸识别。Gabor滤波器组通过提取具有空间频率、空间位置和取向选择性的特征,较好克服了实际中由于表情和光照不同带来的变化;而核函数判决分析方法具有提取输入样本空间的非线性最佳鉴别特征的优点。实验仿真表明了该方法的有效性。

结合Gabor小波变换与2DKDA特征提取的人脸识别

提出了一种结合Gabor小波变换和二维核判别分析(2DKDA)的新型特征提取方法。算法首先对人脸图像进行Ga-bor变换,然后通过二维核判别分析进行特征提取,可以很好地保留图像的几何特征和非线性特征。通过在标准人脸数据库上的测试表明,该方法较其他传统的二维特征提取方法具有更高的识别效率。

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。

一种基于空间变换的核Fisher鉴别分析

引入空间变换的思想,提出了一种基于空间变换的核Fisher鉴别分析,与KFDA不同的是,该方法只需在一个较低维的空间内执行,从而较大幅度地降低了求解最优鉴别矢量集的计算量,提高了计算速度。在ORL标准人脸库上的试验结果验证了所提方法的有效性。

基于小波特征的非线性鉴别特征抽取技术

该文提出了一种基于小波特征的非线性鉴别特征抽取方法,即在进行非线性映射之前,首先利用小波变换对原始输入图像进行预处理,获取低频平滑、水平细节和垂直细节等3个子图的小波特征,然后在频域上,对它们分别进行核Fisher鉴别分析。对最终获得的3组鉴别特征设计了一种特征融合的方法。在ORL标准人脸库上的试验结果表明所提方法不仅在识别性能上优于现有的核Fisher鉴别分析方法,而且,在ORL人脸库上的特征抽取速度提高了近13倍。

基于小波分析与KFisher的人脸与虹膜融合和识别

小波变换将样本图像分解为低频分量和高频分量,去除其高频分量,用低频分量来做人脸识别能有效削弱光照的影响;核方法可以将非线性可分的低维样本空间变换为线性可分的高维空间;人脸与虹膜融合包含更多有用的鉴别信息。因此,先用离散小波变换(DWT)分别获取人脸与虹膜的低频分量;然后,核Fisher辨别分析(KFDA)提取人脸与虹膜融合后的KFDA特征;最后,采用最小距离分类器(KNN)完成识别。基于ORL人脸数据库与CASIA虹膜数据库的实验结果表明,该方法实现了人脸与虹膜的特征融合识别,有效地提高了识别率,克服了Fisher算法的"小样本"效应,为多生物特征身份识别提供了一种新途径。

基于轮廓波变换和核Fisher判别分析的人脸识别

Contourlet变换是一种新的多尺度几何分析方法,它不仅具有小波变换的多分辨率特性和时频局域特性,还具有很强的方向性和各向异性。提出基于Contourlet变换和核Fisher判别分析的人脸识别方法,研究了Contourlet变换的低频系数、各层高频系数与核Fisher判别分析相结合进行人脸识别的识别率和识别时间。实验表明,Contourlet变换的低频系数与核Fisher判别分析相结合,有优异的识别率,也减少了识别时间;高频成分有一定的识别性能,但识别率较低。将低频成分与高频方向子带相结合能获得最优的识别率。

ASM姿态矫正结合字典学习优化的人脸识别

针对人脸图像中姿态变化而导致识别率降低的问题,提出一种基于主动轮廓模型(ASM)姿态矫正结合字典学习优化的人脸识别方法。利用ASM提取人脸图像局部特征,对人脸进行矫正对齐;将人脸图像进行Gabor小波变换以提取初始特征,执行KPCA获得最终特征空间,利用非约束字典学习进行优化;利用人脸样本特征空间构造稀疏字典,形成稀疏表示分类器。在构建分类器时,使用错误分类的人脸图像更新训练基向量,提高分类器的分类精度。实验结果表明,该方法在LFW人脸数据库上识别一幅人脸图像仅需1.05s,对姿态变化、低分辨率具有很好的鲁棒性。相比其它几种方法,其取得了更高的识别率。

非下采样Contourlet变换在人脸识别中的应用

非下采样Contourlet变换(NSCT)是Contourlet变换的改进,解决了Contourlet变换因下采样而不满足平移不变性、频谱泄露和频谱混叠等缺陷,在图像表示上能更好地表现图像的细节特征.基于非下采样Contourlet变换的优点,结合核Fisher判别分析,将其应用在人脸识别中,较好地克服了Contourlet变换的缺点,提高了识别率.

基于Hermite特征和核函数判决分析的人脸识别

提出了基于Hermite特征和核函数判决分析(KDA)方法的人脸识别技术,即首先利用多分辨Hermite分析提取人脸图像特征,然后用KDA方法进行分类识别。采用拟Gabor的多分辨Hermite分析能够提取人脸图像中具有空间频率特性、空间位置和方向取向选择特性的判决特征,从而较好地克服由于光照强度、脸部表情变化带来的影响。KDA方法能够提取高维特征空间中的最佳判决特征,本质上对应于原始空间中的非线性最佳判决特征,具有较好的聚类判决分析性能。实验仿真表明了所提方法的有效性。