基于Gabor小波和CNN的图像失真类型判定算法

针对图像失真分类问题,提出了一种基于Gabor小波和卷积神经网络（convolutional neural network,CNN）的失真类型判定算法。该算法先利用Gabor小波的良好特性对图像进行特征粗提取,再通过改进的CNN进一步提取关键特征。算法步骤包括：首先对图像进行预处理（包括标签设定、样本均衡和样本扩充）;然后对预处理后的图像进行八方向的Gabor小波变换,并将不同方向的子带叠加构成输入样本;最后通过自行设计的CNN和Softmax分类器对样本进行训练,训练过程中采用随机梯度下降和反向误差传播的方法对卷积核参数进行优化得到最终模型。对训练好的模型进行失真类型判定实验,在LIVE标准图像库上分类正确率达95.62%,表明本算法具有较高的准确性和鲁棒性。     

Eigenface算法与EBGM算法的适应性比较

Eigenface算法和EBGM算法是人脸识别的两种重要算法。前者基于图像的整体特征,后者通过Gabor变换提取图像的局部特征。在实际应用中,光照的变化、人物表情的变化和物体对人脸的遮盖等因素造成了人脸识别的困难。文章对上述两种算法在这些变化因素下的识别性能进行了研究和比较。实验结果表明EBGM算法对环境变化具有更好的适应性,能够在小样本条件下获得良好的识别能力。而Eigenface算法对环境变化较为敏感,需要大量的训练样本来保证识别效果。     

改进的Gabor滤波算法在指纹识别中的应用

指纹自动识别系统中图像的处理和匹配算法在系统的设计中起了尤为重要的作用,本文对Gabor滤波算法进行了简化,同时引入了HGF（Half Gabor Filter）对指纹图像进行了增强处理。实验结果表明经过这种改进的Gabor滤波算法提高了图像的处理速度,并很好的保留纹线的关键信息。     

基于Gabor变换的每类单个训练样本人脸识别研究*

基于高维仿生信息学理论思想,提出了一种运用图论中最小生成树算法构筑训练样本点覆盖的新算法。通过Gabor滤波变换,每个训练图像得到40个Gabor特征图,对这些特征图使用超香肠神经网络模型（HSN模型）进行识别,最后以投票策略对Gabor特征图判别结果作决策融合,以最多数为判别结果。对几个典型的人脸图像库在每类单个训练样本这种极端情形下,研究了光照变化的人脸识别问题,实验结果显示了其合理性。     

改进的基于Gabor小波的类圆形堆积物图像分割

以堆积在一起的棒材端面图像为背景,通过纹理分析的方法,提出了一套基于Gabor小波的类圆形堆积物分割方法及其预处理方法。对于Gabor小波构造出来的滤波器组,提出通过响应离散度来优选滤波器;对于得到的频谱响应图像,提出了桥模糊算法来优化频谱响应。通过提出的Gabor小波滤波器构造、选择和优化方法,可以无监督的成功将成捆棒材端面图像从任意背景图像中分割出来。该方法可以应用于该一大类的堆积物分割,具有很强的通用性和鲁棒性。     

基于二维Gabor小波变换的角点匹配算法

图像配准研究的核心问题在于提高配准的速度和精度,而图像配准的结果主要取决于特征的匹配精度。为了提高特征匹配精度,本文提出了一种基于二维Gabor小波变换的角点匹配算法。该算法首先采用改进的Harris角点检测方法提取角点,得到角点位置的坐标,利用多个二维Gabor小波模板对参考图像和待配准图像进行滤波,从滤波图像中提取角点坐标处的复Gabor小波系数,并以此作为角点的特征描述,然后引入两种相似性度量因子对角点进行匹配。通过对不同图像进行大量的实验,该算法在选择合适的参数,同时采用最长公共子序列度量因子的情况下,能成功提取较多的同名点对,并且能够取得较高的匹配率。     

基于Gabor变换和Adaboost算法的人体目标检测分类器

针对在图像中检测人体目标,提出一种基于Gabor变换和Adaboost算法的检测方法.首先利用二维Gabor小波变换进行特征提取,然后利用Adaboost算法对Gabor特征进行选取并训练强分类器.为了提高检测精度,提出采用单一正样本集合与多个负样本集合分别进行训练,形成多个强分类器级联的层级检测分类器.实验结果表明了该方法的有效性,同时显示该方法须与其它辅助手段相结合,才能提高检测的实时性.     

基于Gabor小波和局部线性嵌入的人脸识别

提出了一种新的人脸识别算法。该算法采用Gabor小波和一种新颖的方式来提取人脸特征,利用局部线性嵌入（Locally Linear Embedding,LLE）算法来实现数据的非线性降维处理,最后训练基于欧式距离的最近邻分类器进行分类判决。在ORL人脸库中与PCA方法、Gabor小波+PCA方法和直接的LLE算法进行了实验比较,实验结果表明,提出的Gabor小波+LLE的方法具有更优的性能。     

组合指纹匹配算法研究

组合不同的指纹匹配算法是提高身份认证识别率的有效手段。文章将指纹图像的细节特征引入到基于Gabor滤波器组的匹配算法中,并提出了一种基于细节特征算法和改进算法的组合匹配算法。该方法首先根据细节特征对输入指纹图像进行旋转平移,然后利用Gabor滤波器组对指纹编码区进行矩形分块编码,最后将匹配结果与基于细节特征匹配算法的匹配数进行组合,得到一个组合匹配数进行决策。通过对FVC2004DB1-A指纹库的实验,结果表明该文提出的组合算法与其它单纯利用细节特征或纹理特征的匹配算法相比较,该文的组合匹配算法具有更高的识别率。     

基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别研究

在分析人耳Gabor特征基础上,提出一种主成分分析降维并利用基于粒子群优化训练的人工神经网络对部分遮挡人耳进行识别方法。选取了PCA方法降维后人耳图像的Gabor特征值作为人工神经网络训练样本,利用粒子群优化算法与多层前馈网络结合算法训练神经网络。与多种方法对比的实验表明,针对部分遮挡人耳的测试实验,基于Gabor+PCA特征与粒子群算法的部分遮挡人耳识别方法具有高识别性能,取得好的效果。     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于二维Gabor小波与SPP算法的人脸识别研究

稀疏表示近年来在模式识别领域已经取得了成功的应用,如目标探测和分类。稀疏保留投影（ SPP）算法是基于稀疏表示理论所提出的一种特征提取方法,目标是获得一个线性投影空间,使得样本之间的全局重构关系得以在低维空间保留。 SPP算法无需选择任何模型参数,具有很强的适应性,其灵活性及有效性在人脸识别中得到了详细的验证。文中结合二维Gabor小波与SPP算法用于人脸识别系统,二维Gabor小波主要用于提取人脸图像特征,SPP对图像特征进行降维。最后,在ORL人脸数据库上的实验表明,该算法较传统方法以及单独使用SPP算法的方法有较好的识别结果。     

基于Gabor小波和流形的人脸识别研究

本文研究基于Gabor小波变换和流形学习的人脸识别方法,首先引入Gabor小波对人脸图像提取不同方向、不同尺度的多个Gabor幅值特征（Gabor magnitude feature）,然后使用能够提取子流形的NPE算法对GMF特征进行维数约简,最后使用线性判别分析进一步提取鉴别性特征。此算法利用了Gabor特征对人脸图像的优异表征能力、流形方法和传统的判别方法。在标准人脸库上的实验结果表明,与其他降维方法相比,新算法能够获得较好的识别效果。     

基于局部Gabor自适应三值模式的人脸识别

提出一种融合Gabor特征和局部三值模式（LTP）的人脸识别方法,并在算法中对局部三值模式（LTP）进行改进,提出能够自适应阈值的LATP算子。对归一化后的人脸图像进行多尺度、多方向的Gabor滤波提取其对应的幅值特征,在每个幅值图像上进行LATP运算,抽取局部邻域关系模式,这些模式的区域直方图再经过信息熵加权并串联得到最终的人脸描述,识别过程使用[χ2]距离对特征直方图进行相似度匹配。在ORL和Yale人脸数据库上实验,结果表明提出的算法对人脸表情和光照变化具有更好的适应性,对噪声干扰具有更强的鲁棒性。     

结合差图像和Gabor小波的人脸表情识别

提出一种结合差图像和Gabor小波变换的人脸特征提取方法,并使用支持向量机SVM(Support Vector Machines)进行人脸表情识别。对包含情感信息的静态灰度图像进行预处理,将眼睛和嘴巴等表情子区域从人脸中切割出来,求出其差图像,然后提取差图像的Gabor特征,使用下采样降维减少特征向量的维数并进行归一化,最后使用SVM进行分类。与只从表情子区域提取Ga-bor特征的识别方法进行了比较,结果显示识别效果更好。     

融合Gabor 特征与投影字典对学习的#br# 人脸识别算法

为了获得更好的人脸特征,有效地提高算法的识别率,提出了一种联合Gabor 特征 与投影字典对学习的人脸识别算法G-DPL。算法使用Gabor 小波提取人脸图像的局部特征,对特 征向量使用PCA 与LDA 的方法进行降维。将投影字典对学习算法与降维后的Gabor 特征融合, 然后进行分类识别。提出的G-DPL 算法在ORL 库上整体识别率达到99.00%,特征维数为39 维。 在AR 库上识别率达到96.14%,特征维数为99 维。提出的G-DPL 算法在占用较少空间的同时能 够获得更高的识别率,对实际应用具有一定的参考价值。     

多尺度中心误差补偿二值模式的表情识别

针对Gabor小波与局部二值模式（Local Binary Pattern,LBP）在表情识别上的局限性,提出了一种多尺度中心误差补偿二值模式（Center Error Compensation Binary Pattern,CECBP）的表情识别方法。对预处理后的人脸表情图像创建多尺度的金字塔,用中心误差补偿二值模式对金字塔中的各层图像进行编码,分块提取各层编码后的直方图序列作为特征,用支持向量机（Support Vector Machine,SVM）进行分类。在JAFFE、Cohn-Kanade以及Pain Expression表情库上的交叉验证表明,该方法可以抑制噪声,具有较高的识别率和较快的识别速度,比传统的Gabor小波以及LBP更具有优势。     

基于Gabor小波变换的人脸疲劳模式识别

疲劳是造成交通事故的主因之一,提出了一种基于Gabor小波变换的疲劳监控新方法。首先,在训练阶段采用频繁模式挖掘算法对疲劳脸部图像序列集进行疲劳模式挖掘;然后,在疲劳识别阶段,将待检测的脸部图像序列基于Gabor小波变换表示为融合特征序列;最后,采用分类算法进行人脸序列的疲劳检测。对自行收集的一天内500幅疲劳图像的仿真结果表明,所提方法正确检测率达到92.8%,错误检测率达到0.02%,优于比较算法。