Gabor小波变换与图像分块的人脸识别算法研究

以二维Gabor小波变换提取人脸图像特征作为全局特征,对图像进行不等分块,人脸图像区域所在块加大权重,并提取每个子块的特征作为局部特征,对全局特征结合局部特征采用DCT进行降维处理,用支持向量机分类模型进行人脸识别。实验表明:与较同等分块的识别算法相比,该算法可提高人脸识别率。     

蚁群算法优化支持向量机的人脸识别

针对角点特征检测进行人脸识别中特征配准度低、识别精度不高的问题,提出基于蚁群算法和支持向量机的人脸识别算法。首先采用支持向量机算法进行人脸多重特征检测提取,然后对提取到的特征信息采用蚁群算法进行训练分类,实现对人脸特征的准确检测和分类识别,最后在Matlab仿真平台上进行性能测试,仿真结果表明,采用该算法进行人脸识别的精度较高,训练过程的收敛性较好,计算开销降低。     

基于多分类投影极速学习机的快速人脸识别方法

提出了一种基于多分类投影极速学习机的快速人脸识别方法.首先采用2DGabor小波提取所有人脸样本图像的人脸特征,然后将学习样本的人脸特征用于训练多分类投影向量机,最后将训练好的多分类投影极速学习机用于分类.采用CMU-PIE和ORL人脸数据库进行了对比实验,大量实验结果证实所提方法的识别正确率和速度均优于极速学习机和支持向量机方法.     

基于离散小波变换和ICA支持向量机的人脸识别

为了实现对具有不同光照、姿势和噪声的人脸进行识别并提高识别精度,设计了一种基于离散小波变换和最小二乘支持向量机的人脸识别方法。首先,采用二维离散小波变换对人脸图像进行压缩和降噪,以提取低频特征信息分量,然后采用快速独立成分分析法ICA对经过离散小波变换后的人脸低频分量进行特征提取,以进一步减少人脸特征向量维数。在获取图像特征向量的基础上,采用径向基函数作为核函数,将训练样本数据输入最小二乘支持向量机进行训练以获得最终的分类模型。在ORL数据库下采用MATLAB仿真工具进行仿真,实验结果表明,该方法能有效地实现对人脸识别,与其他方法相比具有较高的识别精度。     

基于分块小波变换和2DPCA的人脸特征提取与识别算法

从最优化的角度出发,提出了一种基于分块小波变换和二维主成分分析法(2DPCA)的人脸特征提取与识别算法。该方法首先对人脸图像进行分块小波变换,并对各分块的高、低频分量进行组合处理,然后对小波系数特征应用2DPCA方法进行变换并将分块特征进行融合得到人脸鉴别特征,最后在ORL人脸库上应用支持向量机(SVM)对该特征进行分类识别。试验结果表明,该算法能有效地提高人脸识别性能,具有较短的识别时间和较高的识别准确率,优于传统的人脸识别方法。     

基于图像隶属度的主分量分析人脸识别算法

提出了基于图像隶属度的主分量人脸识别算法.该算法首先用小波变换对人脸图像进行小波分解,形成低频小波子图,然后用主分量分析法构造特征脸子空间.计算训练样本和待测样本在人脸特征空间中的投影向量间的距离.引入图像隶属函数,作为识别分类器进行人脸识别.针对ORL人脸库的实验结果表明该方法具有良好的识别分离能力.     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量的人脸识别方法。该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的能力强,达到了很高的人脸识识别率。在对训练图像进行预处理之后,使用主成分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向最训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别。文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比。发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同。总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能。     

基于支撑向量机的人脸识别技术

文中提出了一种基于支撑向量机的人脸识别方法.该方法与传统方法相比,克服了后者固有的过学习和欠学习问题,并且对复杂模式的识别能力强,达到了很高的人脸识别率.在对训练图像进行预处理之后,使用主成分分析方法对人脸图像进行特征提取和选择,用所选择的人脸特征向量训练多个支撑向量机,最后用训练好的支撑向量机进行人脸识别.文中将支撑向量机性能和传统方法进行了对比,并且对不同核函数的支撑向量机的性能也进行了对比.发现当特征脸数量不同时,不同核函数支撑向量机的性能也不同.总体而言,二阶多项式支撑向量机在人脸识别问题中具有更好的性能.     

基于Gabor小波和支持向量机的人脸识别方法

基于Gabor小波在图像表征方面的优越性，提出了将Gabor小波和支持向量机(SVM)相结合用于人脸识别的方案。用Gabor小波对人脸图像进行特征提取，再利用SVM策略对特征向量进行分类识别，实验的仿真结果验证了本算法的有效性。     

K近邻和最小二乘支持向量机相融合的人脸识别

为了获得更加理想的人脸识别结果,提高人脸识别正确率,提出一种K近邻和最小二乘支持向量机相融合的人脸识别方法(KNN-LSSVM)。首先采集人脸图像,提取人脸图像特征,并采用KNN删除特征向量中的重复特征,得到人脸图像的特征向量;然后将特征向量输入到最小二乘支持向量机训练,建立相应的人脸分类器;最后采用ORL人脸数据库和Yale人脸库进行仿真实验。仿真结果表明,KNN-LSSVM提高了人脸识别的正确率和识别效率,且具有较强的鲁棒性。     

一种快速彩色图像中复杂背景下人脸检测方法

本文提出了一种快速的彩色图像中复杂背景下人脸检测方法.该方法首先利用进化Agent计算对彩色图像中与人的肤色相似的像素进行聚类和区域分割.然后利用小波分解对每一个侯选区域进行人脸特征分析,如所检测到的区域特征分布相似于某一预先定义的人脸模型,则确认该区域代表人脸.实验结果表明,该方法不仅速度快、效率高,而且正确检测率高.     

RESEARCH ON FACE RECOGNITION BASED ON IMED AND 2DPCA

This letter proposes an effective method for recognizing face images by combining two-Dimensional Principal Component Analysis （2DPCA） with IMage Euclidean Distance （IMED） method. The proposed method is comprised of four main stages. The first stage uses the wavelet decomposition to extract low frequency subimages from original face images and omits the other three subimages. The second stage concerns the application of IMED to face images. In the third stage, 2DPCA is employed to extract the face features from the processed results in the second stage. Finally, Support Vector Machine （SVM） is applied to classify the extracted face features. Experimental results on the AR face image database show that the proposed method yields better recognition performance in comparison with the 2DPCA method that is not combined with IMED.     

Recognition of the Communication Signals Using Particle Swarm Optimization and Support Vector Machine Based on the Multi-Resolution Wavelet Analysis

Automatic recognition of the communication signals plays an important role for various applications. This paper presents a novel intelligent system for recognition of digital communication signals. This system includes three main modules: feature extraction module, classifier module and optimization module. In the feature extraction module, multi-resolution wavelet analysis is proposed for extraction the suitable features. In the classifier module, a multi-class support vector machine (SVM) based classifier is proposed as the multi-class classifier. For optimization module, a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. In this module, it is optimized the SVM classifier design by searching for the best value of the parameters that tune its discriminant function, and upstream by looking for the best subset of features that feed the classifier. Simulation results show that the proposed hybrid intelligent system has high performance even at very low signal to noise ratios (SNRs).     

基于不变性特征的SVM遥感图像飞机类型识别

根据遥感图像飞机目标的特点,提出一种基于不变性特征的支持向量机(SVM)识别算法。首先结合小波分解进行平移、旋转、缩放不变性特征提取;然后对基于遗传算法(GA)的SVM模型参数选择方法在核函数的选择、搜索空间的确定等方面进行改进,并用改进后的算法实现SVM模型参数选择。对480幅遥感图像进行仿真实验,得到97.56%的正确识别率。与BP神经网络相比,识别率高,验证了算法的有效性。     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

Matching pursuit filters applied to face identification

We present a face identification algorithm that automatically processes an unknown image by locating and identifying the face. The heart of the algorithm is the use of pursuit filters. A matching pursuit filter is an adapted wavelet expansion, where the expansion is adapted to both the data and the pattern recognition problem being addressed. For identification, the filters find the features that differentiate among faces, whereas, for detection, the filters encode the similarities among faces. The filters are designed though a simultaneous decomposition of a training set into a two-dimensional (2-D) wavelet expansion. This yields a representation that is explicitly 2-D and encodes information locally. The algorithm uses coarse to fine processing to locate a small set of key facial features, which are restricted to the nose and eye regions of the Face. The result is an algorithm that is robust to variations in facial expression, hair style, and the surrounding environment. Based on the locations of the facial features, the identification module searches the data base for the identity of the unknown face using matching pursuit filters to make the identification. The algorithm was demonstrated on three sets of images. The first set was images from the FERET data base. The second set was infrared and visible images of the same people. This demonstration was done to compare performance on infrared and visible images individually, and on fusing the results from both modalities. The third set was mugshot data from a law enforcement application.     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法。通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进行描述后,提取出人脸图像各子图像的直方图特征并连接,得到人脸LBP纹理特征,通过统计法运算该特征距离,并通过K近邻分类器实现人脸特征分类识别。以Yale-B与AR人脸库为测试对象,结果表明,所研究方法对复杂光照鲁棒性较强,识别人脸的准确率与效率较高,整体识别效果较好。     

基于GPCA的KNNY与SVM融合的人脸识别方法

针对K近邻和支持向量机人脸识别率较低的问题,采用一种KNN和SVM融合的识别方法。提出了一种Gabor小波和主成分分析进行人脸特征提取,KNN-SVM进行分类的人脸识别方法。基于ORL和YALE人脸库中进行实验,结果表明该算法较KNN和SVM中任何一个的识别率都要高,且识别率最高可达到98.89%。