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。     

融合小波和自适应类增广PCA的人脸识别

提出了融合小波变换和自适应类增广PCA（CAPCA）的人脸识别算法。用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。Yale和FERET库上的实验表明了该算法的有效性。     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

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。     

基于局部小波变换与DCT的人脸识别算法

提出了一种基于局部小波变换和离散余弦变换(DiscreteCosineTransform,DCT)相结合的人脸识别方法,该算法首先利用小波变换对人脸图像做适当层次的小波分解,然后通过离散余弦变换对低频分量作进一步的特征提取和压缩,得到人脸识别特征,最后利用欧氏距离和最近邻分类器进行识别。基于ORL人脸数据库的实验结果表明了该算法的有效性。     

基于WT/PCA的自适应神经网络人脸识别方法

提出一种基于小波变换和自适应人工神经网络的PCA人脸识别方法。该方法首先在预处理中对图像进行光照强度的补偿，然后用小波变换的方法提取人脸图像的低频子带，再用PCA方法提取特征分量，并用BP人工神经网络进行训练和识别。此算法将PCA优化的特征抽取与神经网络的自适应性相结合，取得了较高的识别率和优良的抗噪声性能。     

对称分数B样条小波的PCA图像融合

有良好逼近能力的对称分数B样条小波,在刻画图像纹理方面优于传统小波,为图像融合提供了有利条件。将其与PCA（Principal Component Analysis）变换相结合之后对高分辨率全色图像和低分辨率多光谱图像进行融合,提出了一种新的图像融合算法。对两幅源图像应用PCA变换,得到的两个第一主分量分别进行对称分数B样条小波变换,再对产生的两组高、低频小波系数采取不同的规则进行融合,生成两组新的高、低频系数,对其进行小波反变换得到新的第一主分量,与多光谱图像的其他主分量进行PCA反变换,得到最终的融合图像。实验结果表明,该方法使融合图像既提高了分辨率又保留了丰富的光谱信息。     

基于深度学习与二维离散小波分解特征相融合的adaboost人脸识别模型

为了提高人脸识别的效率,本文提出了一种将小波分析、深度学习和adaboost分类器相结合的人脸识别方法。传统的基于小波变换的人脸识别算法仅仅提取了小波分解的低频分量用于分类图像的特征,为了更有效地提取人脸图像特征,提出了一种将传统特征和深度特征相融合的人脸识别算法。首先,通过二维离散小波变换函数对人脸图像进行二维离散小波变换,提取出人脸图像的低频部分作为特征值,接着通过深度残差网络提取人脸深度特征,最后将融合后的特征应用adaboost分类器进行分类识别。通过在ORL人脸库实验证明,融合后的方法能有效地提高分类识别率。     

基于曲波变换的红外/可见光图像融合

和小波变换相比较,曲波变换能更好地表示图像的边缘信息.在此基础上给出了一种基于曲波变换的图像融合方法,并将其应用于红外和可见光图像融合.首先,对红外图像和可见光图像分别进行曲波变换,得到两幅图像的低频分量和不同尺度的高频分量.在对源图像的各分量融合时,对低频分量采用平均加权进行融合.对高频分量采用取绝对值较大的方法进行融合,得到融合后的低频分量和不同尺度的高频分量,最后对这些融合后的分量进行重构,得到融合图像.仿真结果表明:和基于小波变换的融合算法相比较,该算法较好地保留了源图像的细节信息,提高了融合的效果.     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

基于小波和余弦变换的神经网络人脸识别法

提出了利用小波变换和余弦变换与 BP 神经网络相结合的人脸识别方法。将人脸图像归一化后进行小波变换,再用余弦变换对低频信号提取特征向量,达到降维和去除干扰的目的,并把特征向量送进 BP 神经网络训练。识别时,对人脸图像进行相同的变换后,送入神经网络进行辨别。实验结果表明,该算法优于传统的人脸识别法。     

融合小波与2D PCA的贝叶斯人脸识别

提出了融合小波和2DPCA进行贝叶斯人脸识别的方法。对原始图像采用小波分解后,利用2DPCA计算人脸的特征矢量空间。首先对低频子图进行贝叶斯人脸识别,然后对得分前五名的图像再次利用高频子图并行进行识别,通过加权排序得到最后结果。实验表明,与传统的方法相比较,该方法降低了运算量,提高了识别率。     

基于小波变换和二维非负矩阵分解的人脸识别算法

结合二维离散小波变换(2DDWT)和二维非负矩阵分解(2DNMF)两者的优点,提出了一种新的人脸识别融合算法2DDWT+2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域,并对三个高频子块进行图像融合,然后对低频子块和融合图像进行二维非负矩阵分解以提取特征,进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明,与PCA、SVD、NMF以及2DDWT+NMF算法相比,新融合算法能有效缩短训练时间和提高识别率。     

基于二进小波变换和仿生模式识别的人脸识别

针对人脸图像易受光线和表情影响的特点,提出了一种基于二进小波变换和仿生模式识别的人脸识别方法。应用样条二进小波对人脸图像进行处理,对得到的细节子图进行融合。在FFT和PCA处理与降维后,用仿生模式识别进行学习和识别。实验结果表明,该方法比传统方法具有更高的识别率。     

基于小波变换和隐马尔可夫模型的人脸识别方法

提出了基于小波变换和隐马尔可夫模型的人脸识别方法。对原始图像采用小波分解后,原始图像被分解到不同的频带上。利用小波理论分析可知,在每一级分解中,低频子图像包含了原始图像的主要描述信息,而其他3个高频子图像包含的信息较少,对模式分类的作用也较小,所以可忽略不计。该算法首先对图像进行3级小波分解,然后把3个不同分辨率的低频子图像由小到大排列成树状结构,形成低频小波树。接着利用主元分析对每个小波树枝进行去相关、降维,形成特征小波树枝,并把它作为观测向量对隐马尔可夫模型进行训练,把优化的模型参数用于人脸识别,实验结果表明,该方法识别率较高,具有很好的发展前景。     

基于PCA和自适应区域方差的图像融合方法*

在对源图像进行提升小波变换的基础上,针对分解得到的低频分量和高频分量各自的特点,选取不同的融合规则,采用基于PCA和自适应区域方差的图像融合方法,即低频近似系数采用基于主元分析(PCA)加权法,高频细节系数采用自适应局部区域方差的融合方法,最后进行提升小波逆变换得到融合图像。实验结果表明,与传统算法相比,该算法不仅提高了信息量和清晰度,而且提高了融合图像与源图像的相关系数,降低了扭曲程度,有效地保留了源图像的细节信息,得到了清晰的融合图像,具有良好的目视效果。