基于Gabor特征融合和LSSVM的人脸识别算法

针对Gabor特征维数高难题,提高光照人脸的识别性能,提出一种基于Gabor特征融合和最小二支持向量机的人脸识别算法(Gabor-LSSVM)。首先采用Gabor滤波器提取人脸图像的多尺度和多方向特征,并将相同尺度不同方向的特征融合,初步降低特征维数;然后采用核主成分分析对融合特征进行选择,进一步降低特征维数;最后采用最小支持向量机建立分类器对人脸进行识别,并采用Yale B和PIE人脸库进行仿真测试。结果表明Gabor-LSSVM的人脸识别正确率和识别效率都得到了提高。     

基于彩色Gabor特征的人脸识别技术

提出了一种利用所提取的彩色Gabor特征来提高人脸识别系统性能的方法。首先利用四元数表示彩色信息,考虑到Gabor滤波器具有空间局部性和方向选择性的特点,将其扩展到四元数空间。然后通过人脸图像特征点与Gabor滤波器的卷积来提取特征,这样就将传统的灰度Gabor特征拓展为彩色Gabor特征。最后对于所提取的特征利用PCA降维后送入支持向量机中分类。实验采用彩色FERET人脸库并利用ROC曲线进行交叉检验,结果说明通过提取和利用这种彩色纹理信息能显著提高人脸识别系统性能。     

融合Gabor和Gist特征的人脸识别

为了进一步增强人脸识别系统的实用性,提高人脸识别率,提出了一种新的融合Gabor小波特征和Gist特征的人脸特征提取方法。对一幅人脸图像提取其多个尺度和方向的Gabor特征图,再对这些Gabor特征图进行处理,分别提取其Gist特征,接着再把所有Gabor特征图的Gist特征级联起来作为一人脸图像的特征向量,经过PCA方法降维处理,最后输入到支持向量机里面训练识别。通过在ORL和FERET人脸库中进行实验检测,结果表明与传统的PCA-SVM方法和Gabor特征提取方法相比,给出的方法可以大幅度提高人脸识别率。     

基于双向统计量的Gabor特征描述和SVM的人脸识别

提出了一种新的Gabor特征描述人脸识别方法--双向统计量.首先对人脸图像进行Gabor小波变换,再用双向统计量的方法对Gabor特征进行描述.因为得到的Gabor特征维数较高,再用主成分分析(PCA)方法降维,最后通过支持向量机(SVM)分类器对人脸图像进行分类识别.在ORL人脸库上的实验结果对比表明,基于双向统计量...     

支持向量机在人脸识别中的应用研究

研究人脸图像自动识别问题,由于人脸的特征维数较高,正确识别有难度,利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的提取和模式识别.为此,提出了一种基于支持向量机的人脸识别方法.首先采用Gabor滤波器提取人脸图像的特征,PCA降维处理消除人脸特征之间的冗余信息,然后采用支持向量机对提取特征进行训练得到最优识别模型,用最优模型对人脸进行识别.对ORL人脸图像库进行仿真实验,识别率达98%,比传统算法高出5%,实验结果表明,既减少了计算复杂度,降低训练与识别时间,又保证实时性,提高识别正确率,为人脸识别的应用提供广泛的前景.     

基于Log-Gabor统计采样的人脸识别方法

针对传统人脸识别方法中二维Gabor滤波器及下采样方法的局限性,提出一种融合Log-Gabor的统计采样与支持向量机(SVM)的人脸识别方法。该方法使用Log-Gabor滤波器替代传统的二维Gabor滤波器提取特征,运用给出的统计下采样方法代替传统的下采样方法来初步降维,并使用主成分分析法进一步降维和应用SVM进行识别。在基于ORL与FERET人脸库的实验结果表明,该方法具有较高识别率和较强鲁棒性。     

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。     

基于Gabor小波和属性约简的人脸识别

人脸识别方法易受光照、姿态和表情变化的影响,针对这一问题,提出了一种基于Gabor小波和粗糙集属性约简的人脸识别方法。该方法先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后结合信息论中信息熵与互信息的概念定义了粗糙集里的一种新的属性重要度,并以此属性重要度为启发式信息进行约简数据集,从而对所得的人脸图像特征进行降维,并采用支持向量机进行分类。实验结果表明,该算法降低了支持向量机分类器的复杂度,有较好的识别性能。     

组合方法在人脸表情识别中的应用研究

研究人脸表情识别问题,应有效挺取脸表情特征,消除与识别无关的信息.传统的Gabor滤波器在人脸表情特征提取过程中,针对存在提取特征时间较长和特征数据存在冗余性的缺点,提出了一种Gabor和PCA相结合的特征提取,并通过支持向量机进行表情识别方法.方法首先对人脸表情进行预处理得到纯表情图像,采用Gabor提取表情特征,用PCA进行数据冗余处理和用支持向量机识别人脸表情并进行仿真.仿真结果表明,相对于传统的Gabor方法,不仅提高了人脸表情识别的正确率,而且加快了识别的速度.改进办法非常适合于人脸表情图像的分析.     

在频谱直方图中应用DT-CWT的人脸检测技术

提出了一种利用双树-复小波变换（DT-CWT）构成频谱直方图并通过支持向量机（SVM）进行人脸检测的方法。在人脸图像的表示中,基于DT-CWT在不同尺度上具有的很好方向选择性,对原始图像滤波,并与其它滤波器卷积滤波后得到原始图像的不同频率特征一起构成频谱直方图,该直方图在图像的表示上具有很好的本质扩展性。通过支持向量机（SVM）对频谱直放图向量进行分类训练,得到了有效区分人脸与非人脸的分类函数。实验显示,DT-CWT具有与Gabor变换类似的性质,而且计算冗余度更小,计算速度更快。应用DT-CWT频谱直方图的人脸检测算法取得了令人满意的结果。     

基于Gabor小波变换和支持向量机的人脸识别

将Gabor小波变换和支持向量机分类方法结合起来进行人脸识别。通过由Gabor小波变换系数表示的若干个人脸模板和人脸图像之间的匹配来确定特征点的近似位置；在所有的特征点位置计算Gabor小波变换系数并将其串联成表示人脸图像的向量；采用一种层次分解的支持向量机二叉决策树进行分类识别。实验结果表明了该方法的可行性。     

基于免疫算法和层次支持向量机的人脸识别方法

给出了一种基于免疫算法及层次支持向量机的人脸识别方法,该方法先利用Gabor小泼变换提取待识别的人脸图像的特征向量,然后利用层次支持向量机初步判断该图像最可能所属的人,最后利用免疫算法对待识别的人脸图像进行确认.实验表明,该算法效果较佳.     

基于Gabor小波的人脸检测

提出了一种新的正面人脸检测算法。该方法组合了Gabor小波变换、输入图像的Gabor特征分析和Bayes分类器来进行正面人脸检测。对训练集的平均脸作Gabor小波变换得到40个投影向量；通过计算输入图像和这40个投影向量间的内积来提取图像的Gabor特征向量；训练Bayes分类器来进行正面人脸检测。实验结果表明，该算法的计算效率和检测精度均优于特征脸方法。     

基于Gabor系数分块统计和自适应特征选择的人脸描述与识别

提出一种新的人脸描述及识别方法,首先对归一化后的人脸图像进行多方向多尺度Gabor变换;然后对人脸区域进行分块,以块为单位统计Gabor系数的均值和方差,求得块特征矢量(block feature vector,BFV),按先行后列的顺序将各块的BFV拼接,构成整幅人脸图像特征矢量(face feature vector,FFV).在分类器设计阶段,引入两两比对和投票机制,用多个两类分类器组合成多类分类器.在训练某个具体的两类分类器时,根据隶属训练样本计算FFV中每项的分辨力,以分辨力大小为依据选出最优特征子集(best subset feature vector,BSFV).基于Yale人脸数据集展开实验,与已发表的算法和结果进行对比,证明了该方法的有效性.     

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。     

基于聚类算法和层次SVM的姿态人脸识别方法

提出了一种基于神经网络和层次支持向量机的多姿态人脸识别方法.该方法在训练阶段先利用神经网络把姿态人脸图像特征向准标准人脸图像特征映射,再根据聚类结果来训练支持向量机.识别阶段是先利用神经网络变换得到待识别图像所对应的准标准图像的特征,再让层次支持向量机初步判断待识别图像最可能所属的人,最后利用否定算法对待识别的人脸图像进行确认,实验表明该算法效果较佳.     

Gabor特征与深度信念网络结合的人脸识别方法

提出了一种基于Gabor特征和深度信念网络(DBN)的人脸识别方法,通过提取Gabor人脸图像的不同尺度图进行卷积融合,将融合后的特征图作为DBN的输入数据,训练多层来获得更加抽象的特征表达,整个训练的过程中采用交差熵来微调DBN,模型的最顶层结合Softmax回归分类器对抽取后的特征进行分类.在AR人脸库测试的实验结果表明:将Gabor特征与DBN结合应用于人脸识别,其准确率可高达92.7％,与其他浅层学习模型相比,DBN学习了数据的高层特征的同时还降低了特征维数,提高了分类器的分类精度,最终有效改善了人脸识别率.     

Gabor 滤波器参数设置

利用Gabor滤波器进行特征提取时,不同的Gabor滤波器参数所提取的特征具有不同的特点,首先从理论上分析了Gabor滤波器不同的时域（频域）窗口尺寸、不同的Gabor滤波器方向对所提取特征的影响;然后分析不同Gabor滤波器模板尺寸对所提取特征的影响;最后利用CAS-PEAL-R1人脸库进行仿真实验.     

基于能量的自适应局部Gabor特征提取的人脸识别

为了解决传统Gabor滤波器组在人脸识别过程中特征提取时间长、计算量大的问题,从不同方向、不同尺度以及全局角度按照能量大小构建了3种不同的局部Gabor滤波器组用来提取人脸特征。首先,分析数据库中部分图像Gabor变换后的图像能量,从不同角度选出能量较大的图像构建对应的局部Gabor滤波器组; 其次,根据所选滤波器组提取局部Gabor特征; 然后,采用线性判别分析(LDA)法进一步提取Fisher特征; 最后,利用最近邻法识别人脸图像。基于ORL人脸库和YALE人脸库的实验结果表明提出的人脸识别方法降低了人脸图像的特征维数,缩短了特征提取的时间,有效地提高了人脸识别率。     

基于独立纹元矩的纹理图像检索

基于统计方法和视觉感知机制,提出一种新型的纹理特征--独立纹元矩.首先通过独立成分分析方法从图像集中学习得到独立纹元滤波器,该滤波器表现出与图像集的良好相关性;然后利用独立纹元滤波器对纹理图像进行滤波分解,抽取滤波系数的一阶矩和二阶矩组成图像的纹理特征向量.在Brodatz纹理库中的实验结果表明,独立纹元矩特征的查准率和查全率比Gabor提高了6%,达到79.27%,而且在特征向量维度相同的条件下,独立纹元矩抽取的速度比Gabor快2个数量级.