基于稀疏张量的人脸图像特征提取

在多线性主成分分析(Multi-linear principal component analysis,MPCA)的基础上提出了用于特征提取的稀疏张量主成分分析(STPCA)方法。该方法把MPCA中的特征值分解问题转化为线性回归问题,以此得到稀疏的投影矩阵,并通过该投影矩阵来降低遮挡对特征提取效果的影响。最后在Georgia tech和AR人脸库上进行对比实验,结果表明:本文方法无论在识别的精确度上还是在对遮挡的鲁棒性上都优于原有的MPCA算法。

融合小波变换和张量PCA的人脸识别算法

张量主成分分析(PCA)方法用于人脸识别能获得比PCA方法更高的识别率.小波变换具有良好的时频分析特性,同时还能起到降维的作用.综合利用这两个算法的优点,提出了一种新的人脸识别算法,对人脸图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,实现人脸图像的高效识别.仿真结果表明,新算法的识别率比张量PCA方法提高了6%,识别时间为张量PCA方法的35.74%.

基于加权判别局部多线性嵌入的人脸识别

张量算法克服了传统向量算法的维数灾难和小样本问题,在人脸识别中取得了较好的效果。尽管如此,现有张量算法容易导致邻近类别在低维空间中重叠,为此,提出了一种加权判别局部多线性嵌入算法。该算法设计了一种自适应加权的判别准则,结合类别信息,保持了同类人脸图像之间的局部流形结构,同时利用高斯基函数作为加权函数,根据人脸图像对其他类别的影响,自适应产生权重系数,加大了类间样本的区分度。此外,该算法采用张量形式表示图像数据,保留了图像的结构,继承了张量算法的优点,并且有效地解决了out-of-sample问题。人脸识别实验表明,对于光照,姿态和表情的变化,该算法具有较好的稳健性和较高的识别率。

张量局部判别投影的人脸识别

经典的向量子空间学习算法是以数据流形的向量表示进行计算的,但是在现实世界中数据流形从本质上而言是以张量的形式存在,因此基于张量子空间的学习算法能够更好地揭示流形内在的几何结构.本文提出了一种新的张量子空间的学习算法:张量局部判别投影.首先构建类内和类间图,然后保持流形的局部结构并且利用数据的判别信息,推导出算法的计算公式,最后通过迭代计算广义特征向量,解得最优张量子空间.在标准人脸数据库上的实验表明该算法有效.

张量正交局部敏感判别式分析及其在人脸识别中的应用

针对人脸识别的特征提取问题,本文提出了一种张量正交局部敏感判别分析(Tensor-based Orthogonal Locality Sensitive Discriminant Analysis,Tensor-OLSDA)的人脸识别算法。张量正交局部敏感判别分析在保持了流形的局部几何结构的同时加强了全局判别结构,并克服了局部敏感判别分析算法中非正交性带来的度量失真和维数估计困难等问题,从而增强了数据的可分性,提高了识别效果。张量正交局部敏感判别分析首先将人脸数据表示成高阶张量形式,在进行特征提取时将高阶张量数据沿不同阶展开,再利用特征根之间的正交性约束条件,求解正交局部敏感判别式分析特征子空间,最后将高阶人脸数据投影于这个特征子空间,进行识别。在AT&T和YaleB人脸库上的实验结果表明,Tensor-OLSDA具有良好的分类性能,能获得较为理想的识别结果。

基于张量局部和全局信息的人脸识别算法

现有的基于张量子空间的流形学习算法能够很好地利用图像的空间几何结构,但对流形的局部和全局信息利用得不够充分,为此提出了一种新的张量子空间学习算法:基于局部和全局信息的张量子空间投影.新算法充分利用人脸图像数据的局部流形结构(即类内非线性流形结构)和人脸图像数据的全局信息,使数据在投影空间中的类间分离度最大,通过迭代和投影得到最优张量子空间.在标准人脸数据库上的实验表明,新算法识别率高于张量线性判别分析(TLDA)、张量临界Fisher分析(TMFA)、张量局部判别投影(TLDP)、张量子空间(TSA)算法.

利用粒子群优化的人脸特征提取识别算法

针对如何提高人脸图像识别率问题,提出了利用粒子群优化(PSO)的人脸特征提取识别算法.采用小波变换和张量主成分分析(PCA)方法对人脸图像进行特征提取,利用PSO对提取的特征进行加权处理,根据特征的每一维元素的聚类正确率进行优化选择,从而达到对人脸提取关键性特征的目的.实验结果表明,所提算法能减小光照、表情和姿态变化的影响,在英国曼彻斯特科技大学人脸数据库上的识别率比张量PCA方法提高了12.75%.

基于多尺度张量类标子空间的人脸识别算法

提出一种基于多尺度张量类标子空间的人脸特征提取算法,提高人脸识别对光照的鲁棒性,同时不破坏原始数据固有的高阶结构和数据之间的相关性。采用多尺度小波变换组建人脸三维张量样本,将三维人脸张量空间投影到低维张量子空间,对高维人脸进行降维和特征提取,应用多线性主成分类标算法对样本进行类标号,同时使用最近邻算法完成人脸识别。利用CAS-PEAL-R1东方人脸库进行评测,实验结果表明,该识别算法比经典的主成分分析、线性判别分析和多尺度Gabor识别算法具有更好的识别效果。

基于黎曼张量的人脸图像多模态分解光照建模方法

目前,人脸光照建模方法总是假设人脸满足朗伯凸模型、已知人脸表面法向量和反射率等条件,这与实际情况不符,建立的人脸光照模型也存在较大的偏差。为了解决这一问题,提出了一种新的人脸光照建模方法。该方法首先采用黎曼张量人脸图像多模态分解,建立人脸光照模型;然后基于改进的广义拉格朗日算法对人脸光照模型进行优化。理论分析和实验结果表明,该方法比光度立体学、球谐函数方法具有较高的精度和较强的实用性。

基于MB-LBP和张量HOSVD的人脸识别算法

融合多尺度分块局部二值模式和张量高阶奇异值分解提出一种人脸识别算法。优选不同尺度的MB-LBP算子组合提取图像纹理特征,构造人脸图像的3阶张量模型;利用HOOI算法进行张量高阶奇异值分解;基于HOSVD分解结果采用最邻近算法设计识别分类器。运用Yale数据库和自制数据库进行算法对比实验,验证算法的有效性,实验结果表明,基于Yale数据库,提出算法与LBP-深度置信网络算法的识别精度一样高,均为98.667%;基于自制人脸数据库,该算法识别精度为100%。综上提出算法是一种有效的、可行的识别算法。

一种基于张量和洛仑兹几何的降维方法

传统的基于向量的降维算法,将大小为m×n的灰度图像,作为Rm×n中的向量进行处理.但这种表示方法往往造成图像像素空间局部信息的丢失,因此不能很好地描述图像的结构信息.本质上,灰度图像可以看成是一个二阶张量,而图像的各种特征(如Gabor和LBP特征等)往往需要用更高阶的张量来描述.本文从图像特征的张量表示出发,将新近提出的洛仑兹投影判别法(Lorentzian discriminant projection,LDP)推广到张量空间中,提出张量LDP.对于灰度图像,该方法直接利用图像的灰度矩阵(二阶张量)进行运算,从而很好地保持了图像像素的局部结构信息.另外,该方法还可以自然地推广到高维张量空间来处理更复杂的图像特征,如Gabor和LBP特征等.经人脸和纹理识别实验的验证,该算法效率高且能达到较高的识别率.

基于TTr1SVD的张量奇异值分解及其在人脸识别上的应用

张量是一种数据组织形式,它的实质是高维数组。很多数据都可以被组织成张量的形式,可以考虑将人脸图像组织成张量的形式。人脸识别过程中最重要的一个环节是特征提取,后续的匹配识别过程是建立在它的基础上。TTr1SVD是一种新型的张量分解算法,可以认为该算法是矩阵SVD在张量领域的扩展。实际数据库中图片的图像模态往往是最大的,结合TTr1SVD算法,得到张量的高阶奇异值分解,改变图片的组织形式,可以加速人脸特征的提取。基于TTr1SVD的高阶奇异值分解算法,实现人脸特征的提取和识别,并且保持了较好的准确性。实验结果表明,该算法比传统的使用Tensor Toolbox的高阶奇异值分解算法更加灵活高效。

一种快速张量分解算法及其在人脸识别中的应用

基于张量代数的人脸识别技术对姿态、光照和表情的变化具有很好的鲁棒性。本文在高阶奇异值分解的基础上,提出了一种基于特征空间的快速张量分解算法。首先使用传统的子空间学习方法对观测图像进行降维,然后在低维的特征空间对训练数据进行张量分解。通过在Weizmann人脸数据库上进行人脸识别实验,验证了本文方法的有效性。

基于非负张量分解的人脸识别算法研究

人脸识别是生物特征识别中一个活跃的研究领域。非负张量分解作为非负矩阵分解的多线性推广,已被成功应用到人脸识别等领域。提出了基于非负张量分解的人脸识别算法。该方法无需将人脸矩阵向量化,从而保持了人脸矩阵的内部结构,即人脸图像的整体结构,使人脸特征提取更精确。实验结果表明,与经典的人脸识别算法如PCA和NMF相比,该算法提供了一种更好的脸部表示模式,提高了人脸识别的正确率。

基于测地距离逼近的降维算法

TRIMAP算法可以较好地解决一个"将处于某一不明确的黎曼流形上的高维张量数据投影到一低维子空间,而不改变原流形中任一对数据点的测地距离,同时保留识别能力"的问题。但发现了TRIMAP算法中对于图上距离定义的不足,并对其做出了新的定义,重新定义了图上距离的TRIMAP算法,不仅汲取了原算法的优点,并考虑到了不同类之间的大小及各类的疏密程度对属于不同类的样本点之间的距离的影响,可以更有效地识别出待识别样本的类别,提高识别率。经初步的实验验证,在ORL人脸图像的分类问题中获得了比原TRIMAP算法更好的识别性能。

基于局部测地距离的TMFA的人脸识别

人脸嵌入在高维观测空间中的低维流形上,为了更精确地描述人脸空间的细微结构,提出了一种基于局部测地距离的张量边界Fisher分析的人脸识别方法。采用二维张量表示人脸空间中的样本图像和局部测地距离来计算样本近邻点。该方法更好地揭示了流形内在的几何结构,能够更精确地选择位于流形上数据点的同类和异类近邻点,同时避免小样本问题。在PIE和FERET人脸数据库上的实验表明,用该方法能够获得更高的识别率,验证了其改进的有效性。

基于张量的稀疏保持投影降维方法

传统的基于向量的降维算法需要将图像数据进行向量化处理。然而,向量表示难以考虑数据各维度上的变化,容易丢失有效的结构信息和判别信息。为此,从数据的张量表示出发,将新近提出的稀疏保持投影方法(sparsity preserving projections,SPP)推广到张量空间中,提出了基于张量的稀疏保持投影降维方法。该方法可直接将图像数据作为张量目标进行运算,保留了数据的完整性以及数据的原始结构和判别信息。降维的同时保持了原始张量空间中数据样本的稀疏重构信息。人脸数据库的识别实验结果表明,基于张量的稀疏保持投影降维方法能有效地提高识别率。

基于二维判别典型相关分析的人脸识别算法

本文提出了一种新的基于典型相关分析的人脸识别算法,叫做二维判别典型相关分析(2D-DCCA)。该算法将2阶张量的概念引入了典型相关分析方法中。传统的典型相关分析方法中,样本是用高维的向量表示的,不仅计算量大,而且常常出现内存不足,协方差矩阵有奇异性等问题。本文算法不仅将样本的向量表达改为矩阵表达,并且充分利用样本的类内和类间信息来优化目标函数,从而使得该算法获得了诸多优点:首先,使得学习出的子空间维数降低,从而计算量和计算时间都大大减少;其次,有效地避免了协方差矩阵的奇异性问题;最后,由于目标函数的优化利用了样本的类信息,从而更有利于最邻近分类器进行判别。实验表明,在人脸角度变化时,该方法具有稳定的识别性能。

RSOTP子空间学习方法

为增强张量子空间学习的稳定性、可重现性,及其分类能力,提出了一种鲁棒的子空间学习方法——RSOTP。该方法以MFA为鉴别准则,采用稳定的初始化向量和交替形式的正交来去除了权重因子,从而使整个学习过程不仅具有鲁棒性、可重现性,而且具有较强的分类能力,该方法在大小型人脸数据库上进行的实验均取得了较高的识别率。

用于人脸识别的张量图优化的Fisher判别分析

最近提出的图优化的Fisher判别分析(Graph-based Fisher Analysis,简称GbFA)具有很强的判别性能,并成功地应用于人脸识别。但GbFA需要将二维的人脸图像矩阵转化为向量,因此容易丢失像点的空间关系。为此,提出用于人脸识别的张量图优化线性判别分析(Tensor Graph-based Fisher Analysis,简称TGbFA)。该算法把二维的人脸图像矩阵看作二维张量数据,并通过GbFA方法迭代求得两个投影矩阵。在Yale和YaleB的人脸库的实验表明,TGbFA算法继承了GbFA的特性,与现有的张量线性判别分析算法相比,TGbFA具有较好的判别性能。