改进D-S证据理论的多分类器决策层融合系统

针对传统D-S证据理论中基于识别率和误识率构造的基本概率赋值函数(Basic Probability Assignment,BPA)没有考虑训练样本分布的缺点,提出了一种将整体错误率分配给除了正确判别命题以外各个焦元的BPA构造新方法.针对传统D-S证据理论中所采用的基于正交和运算的合成规则不能融合矛盾证据的缺陷,提出一种能融合矛盾证据的大概率赋值法.在此改进D-S证据理论的基础上,给出了两分类器决策层融合流程和多分类器决策层融合系统.在ORL和Yale数据库上的实验结果表明,对几种典型分类器的决策层融合提高了系统人脸识别的正确率,且改进D-S证据理论比传统D-S和投票融合方法的正确率更高.

多尺度加权LBP的人脸识别

针对传统局部二值模型(LBP)算子容易受到周围噪声点的干扰的缺点,提出了首先对图像进行Gauss滤波预处理,去除图像中的干扰噪声。针对传统LBP算子无法提取出非局部特征信息,提出一种新的基于多尺度加权的改进LBP(MWLBP)算子。MWLBP算子以不同大小的方型邻域为研究对象,将不同大小区域的LBP直方图进行加权求和。MWLBP比传统LBP算子提取的特征范围更大,在提取了局部特征的同时,保留了一定的非局部特征。相对于Gabor和其它特征提取方法,MWLBP算子在保留了多尺度特征的同时,能控制计算量大小。在ORL和Yale人脸数据库上的实验表明,Gauss滤波预处理确实能去除图像中的干扰噪声,提高识别准确率;MWLBP算子比传统的LBP算子、Gabor和其它特征提取方法减少了计算量,加快了分类器训练和人脸识别的速度,提高了准确率。

典型代数统计的人脸特征提取融合

针对人脸识别领域中的经典特征提取算法PCA、LDA、SVD的一些不足,提出一种基于典型代数统计的人脸特征提取的融合算法.该特征提取方法将PCA、LDA、SVD特征有机融合起来,并能通过调整权值系数使组合前不同特征向量的信息贡献比例达到最优,从原理上实现了Fisherface特征和SVD特征在物理意义上的互补.在ORL和Yale人脸数据库上的BP神经网络分类器仿真实验表明,融合算法无论在识别正确率上还是识别效率上均高于传统的PCA、SVD、LDA和经典的Fisher脸特征提取方法.