基于核典型相关分析的多特征组合人脸识别

为了提高人脸的识别率,利用多特征和分类器之间的互补优势,提出一种基于核典型相关分析的多特征组合人脸识别方法（KCCA-MF）。提取人脸图像的LBP特征和Gabor特征,采用核典型相关分析算法对两种特征进行融合,以消除冗余特征,采用K近邻算法和支持向量机建立组合人脸分类器,并采用3个经典人脸库进行仿真分析。结果表明,相对于其他人脸识别方法,KCCA-MF提高了人脸识别的识别准确率和效率,可以满足人脸识别的实时性要求。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。     

一种新颖的核学习算法用于小波特征的人脸识别

文中将一种新颖的核学习算法一核最近邻凸包分类算法用于人脸的小波特征识别。该算法的设计受到支持向量机几何解释启发，利用核函数方法将数据映射到高维核空间，并在核空间构造以训练集凸包为扩展类集的最近邻分类器。文中采用的人脸图像的小波低频特征对人脸识别十分有效。人脸的小波低频特征不但保留了人脸的主要信息，而且具有较少的维度。在ORL人脸图像库上的“leave-one-out”测试方法的实验中，这种基于小波低频特征的核最近邻凸包分类算法取得了99．25％的识别率。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中，待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息，然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略，能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

基于自适应核边际费希尔分析的人脸识别算法

为解决人脸识别中的维数灾难问题,提出一种基于自适应核边际费希尔分析的人脸识别算法。在考虑图像流形结构的基础上给出与图像数据相关的自适应核函数,采用核边际费希尔分析对高维人脸图像进行非线性降维,利用最小二乘支持向量机在降维后的低维特征空间中进行分类识别。实验结果表明,该算法的识别性能优于其他常用的人脸识别算法。     

基于Gabor滤波器的快速人脸识别算法

针对传统人脸识别方法中所提取特征维数高、计算量大等缺点,提出一种新的正面人脸识别算法。新算法融合了半边人脸识别方法、Gabor滤波器、基于互信息判据的Gabor特征筛选来进行人脸识别。新算法将人脸图像分为左右两个部分,计算并比较人脸图像左右半边脸的熵,选取熵值较大的半边人脸图像进行Gabor特征提取。利用二值分类器判别单个Gabor特征的分类能力,选取分类能力较强的特征（最具判决力的特征）。再利用互信息判据对Gabor特征进行第二次筛选,以减小特征之间的冗余度。最后利用最近邻判别器来进行人脸识别。实验结果表明,新算法的识别率优于传统半边脸识别方法,识别速度也优于传统的利用Gabor滤波器进行特征提取的方法。     

人脸识别中基于核的子空间鉴别分析

尽管基于Fisher准则的线性鉴别分析被公认为特征抽取的有效方法之一，并被成功地用于人脸识别，但是由于光照变化、人脸表情和姿势变化，实际上的人脸图像分布是十分复杂的，因此，抽取非线性鉴别特征显得十分必要。为了能利用非线性鉴别特征进行人脸识别，提出了一种基于核的子空间鉴别分析方法。该方法首先利用核函数技术将原始样本隐式地映射到高维（甚至无穷维）特征空间；然后在高维特征空间里，利用再生核理论来建立基于广义Fisher准则的两个等价模型；最后利用正交补空间方法求得最优鉴别矢量来进行人脸识别。在ORL和NUST603两个人脸数据库上，对该方法进行了鉴别性能实验，得到了识别率分别为94％和99．58％的实验结果，这表明该方法与核组合方法的识别结果相当，且明显优于KPCA和Kernel fisherfaces方法的识别结果。     

一种基于改进BP神经网络的PCA人脸识别算法

人脸识别作为模式识别领域的热点研究问题受到了广泛的关注。传统BP算法虽然具有自学习、自适应以及强大的非线性映射能力并且在人脸图像识别准确率上占有很大的优势,但算法具有收敛缓慢、训练过程振荡、易陷入局部极小点等缺点。针对传统BP算法的不足提出一种基于改进BP神经网络的PCA人脸识别算法,该算法采用PCA算法提取图像的主要特征,并结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,通过使用该算法对ORL人脸数据库的图像进行识别,其结果比传统算法具有更快的收敛速度和更高的识别率。     

基于Gabor滤波特征和支持向量机的人脸检测

人脸检测是人脸识别与图像及视频检索的一项重要任务。论文提出了一种基于Gabor滤波特征和支持向量机的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器。最后应用SVM分类检测人脸。实验结果证明该方法行是十分有效的。     

基于混合核函数支持向量机和遗传算法的人脸识别

提出了一种基于混合核函数支持向量机和遗传算法的识别方法,用于人脸识别。该方法结合了支持向量机的学习性能和遗传算法的寻优性能,与传统的方法相比,具有速度快、误差少、效率高的特点,在实验中能够较精确地对人脸进行识别。     

基于支持向量的Kernel判别分析

提出了一种新的基于支持向苗的核化判别分析方法（SV—KFD）．首先深入地分析了支持向量机（SVM）以及核化费舍尔判别分析（Kernel Fisher）方法的相互关系．基于作者证明的SVM本身所同有的零空间性质；SVM分类面的法向量在基于支持向量的类内散度矩阵条件下，具有零空间特性，提山了利用SVM的法向量定义核化的决策边界特征矩阵（Kernelized Decision Boundary Feature Matrix，KDBFM）的方法．进一步结合均值向量的差向量构建扩展决策边界特征矩阵（Ex—KDBFM）．最后以支持向量为训练集合，结合零空间方法来计算投影空间，该投影空间被用来从原始图像中提取判别特征．以人脸识别为例，作者在FERET和CAS—PEAL—R1大规模人脸图像数据怍上对所提出的方法进行了实验验证，测试结果表明该方法具有比传统核判别分析方法更好的识别性能．     

基于稀疏性非负矩阵分解和支持向量机的时频图像识别

针对机械故障诊断领域对反映设备运行状态的图像识别困难以及选择和提取敏感特征困难的问题, 将基于图像的机械设备运行状态判别问题当作图像的识别问题来处理, 提出使用稀疏性非负矩阵分解(Sparse non-negative matrix factorization, SNMF)和支持向量机(Support vector machine, SVM)对时频图像进行识别进而判断机器运行状态, 从而避免特征的选择和提取. 稀疏性非负矩阵分解在对时频图像进行大规模压缩的同时, 能够很好地保留图像的隐含特征, 从而大大减少自动识别时频图像的计算复杂度, 并有效地提高支持向量机的识别精度. 此外, 本文还对影响识别率的稀疏性非负矩阵分解的各参数进行了讨论. 实验结果表明, 该方法对时频处理方法依赖性低, 在大多数情况下都能获得较传统方法高的识别率.     

基于改进灰狼算法优化支持向量机的人脸识别

针对二维主成分分析法(2DPCA)与主成分分析法(PCA)相结合提取人脸特征时效率不高的问题,提出一种2DPCA和快速PCA结合与改进灰狼算法(EGWO)共同优化支持向量机的人脸识别方法。该方法在特征提取方面运用2DPCA与快速PCA相结合,以减少提取特征的维数和提取时间,从而缩短了SVM所需的识别时间。为了提高灰狼算法的全局搜索能力,引用精英反向学习策略初始化种群个体,有效增强GWO的勘探和开采能力,再将其使用到SVM中,迭代获取最佳核参数和惩戒参数,将训练得到的最终分类器应用于人脸识别中。通过6个基准测试函数与GWO和反向学习灰狼算法(OGWO)进行性能比较,改进灰狼算法的收敛精度和收敛速度更优;经ORL和Yale中的人脸图像实验,证明了改进算法相对于GWO、粒子群算法(PSO)和差分进化算法(DE)结合SVM模型的识别结果更佳且稳定性更强。     

Wavelets-based facial expression recognition using a bank of support vector machines

A human face does not play its role in the identification of an individual but also communicates useful information about a person’s emotional state at a particular time. No wonder automatic face expression recognition has become an area of great interest within the computer science, psychology, medicine, and human–computer interaction research communities. Various feature extraction techniques based on statistical to geometrical data have been used for recognition of expressions from static images as well as real-time videos. In this paper, we present a method for automatic recognition of facial expressions from face images by providing discrete wavelet transform features to a bank of seven parallel support vector machines (SVMs). Each SVM is trained to recognize a particular facial expression, so that it is most sensitive to that expression. Multi-classification is achieved by combining multiple SVMs performing binary classification using one-against-all approach. The outputs of all SVMs are combined using a maximum function. The classification efficiency is tested on static images from the publicly available Japanese Female Facial Expression database. The experiments using the proposed method demonstrate promising results.     

基于核主元分析和支持向量机的人脸识别

核主元分析(KPCA,Kernel Principal Components Analysis)具有能较好地提取非线性特征的优势;支持向量机(SVM,Support Vector Machine)具有较好的非线性映射能力,且泛化能力强。结合核主元分析与支持向量机的特点,提出了一种基于核主元分析与支持向量机的人脸识别方法。该方法首先利用核主元分析对人脸图像进行特征提取,然后依据支持向量机与最近邻准则对所提取的核主元特征进行分类识别。基于ORL(Olivetti Research Laboratory)人脸数据库的实验结果表明了该方法的有效性。     

基于支持向量机的人脸识别研究

研究基于支持向量机的人脸识别技术.在识别过程中,首先将人脸图片分为子图片,再利用离散小波变换提取子图片特征组合为多维向量作为整幅人脸图片特征.在此基础上,为每个类构造一个支持向量机进行识别.基于ORL人脸数据库的模拟实验表明,算法实现较简单,并具有较好的性能.     

Facial expression recognition based on local region specific features and support vector machines

Facial expressions are one of the most powerful, natural and immediate means for human being to communicate their emotions and intensions. Recognition of facial expression has many applications including human-computer interaction, cognitive science, human emotion analysis, personality development etc. In this paper, we propose a new method for the recognition of facial expressions from single image frame that uses combination of appearance and geometric features with support vector machines classification. In general, appearance features for the recognition of facial expressions are computed by dividing face region into regular grid (holistic representation). But, in this paper we extracted region specific appearance features by dividing the whole face region into domain specific local regions. Geometric features are also extracted from corresponding domain specific regions. In addition, important local regions are determined by using incremental search approach which results in the reduction of feature dimension and improvement in recognition accuracy. The results of facial expressions recognition using features from domain specific regions are also compared with the results obtained using holistic representation. The performance of the proposed facial expression recognition system has been validated on publicly available extended Cohn-Kanade (CK+) facial expression data sets.