基于QR分解与2DLDA的单样本人脸识别

提出了一种新的基于矩阵的QR分解与2DLDA的单样本人脸识别算法(QR decomposition+2DLDA).利用矩阵的QR分解,将单样本人脸图像进行QR分解后提取有效的部分信息构成虚拟图像,结合原训练图像生成新的训练样本集,应用2DLDA进行特征提取和识别.在ORL人脸数据库上对算法进行了实验,实验结果表明此算法的识别效果不仅优于PCA、SPCA、(PC)2 A、E(PC)2 A算法,而且对于光照、表情等因素具有良好的鲁棒性.     

基于子模式双向二维线性判别分析的人脸识别

针对表情和光照变化等对人脸识别影响的问题,提出一种基于子模式双向二维线性判别分析(Sub-pattern two-directional two-dimensional linear discriminant analysis,Sp-(2D)2 LDA)的人脸识别方法。该方法首先对原图像进行分块处理,并保持子块间的空间关系,然后对各个子训练样本集从行方向和列方向同时利用2DLDA进行特征抽取,最后把各个子特征矩阵拼接成一对应原始图像的特征矩阵,并采用最近邻分类器进行分类识别。在ORL及Yale人脸库上的试验结果表明,Sp-(2D)2 LDA有效降低了鉴别特征的维数,减少了表情和光照变化的影响,获得了较好的识别性能。     

人脸识别技术在门禁系统中的应用研究

近几年,作为生物特征识别技术中非常重要的一项,人脸识别技术具有独特的发展优势,逐渐成为人工智能以及模式识别的一项焦点,受到了很多研究者以及机构的关注。人脸识别技术具有方便、直接以及友好的优势,因此在很多领域得到了广泛的应用。文章将人脸识别技术应用于门禁系统,制定出一种设计方案有效提升人脸识别门禁系统的识别效率,在系统设计的过程中采用了较新的特征提取算法,即2DLDA算法来实现人脸特征的识别,最后使用邻分类器来实现分类识别的功能。     

自适应通用学习框架改进FLDA的人脸识别

针对传统的Fisher线性判别分析(FLDA)算法在处理单训练样本人脸识别时由于类内散布矩阵为零而不能进行特征提取的问题,提出了一种基于自适应通用学习框架改进FLDA的人脸识别算法。首先选取一个合适的通用训练样本集,计算其类内散布矩阵和样本平均向量;然后,利用双线性表示算法预测单训练样本的类内、类间散布矩阵,巧妙地解决了单训练样本类内散布矩阵为零的问题;最后,利用Fisher线性判别分析进行特征提取,同时借助于最近邻分类器完成人脸的识别。在Yale及FERET两大通用人脸数据库上的实验验证了所提算法的有效性及可靠性,实验结果表明,相比其他几种较为先进的单样本人脸识别算法,所提算法取得了更好的识别效果。     

基于身份感知模型的素描人脸识别方法

针对素描图像和光学图像之间存在较大的模态差异这一问题,提出了一种基于身份感知模型的素描人脸识别方法,实现跨模态图像生成和素描人脸识别。该方法应用新的感知损失来监督图像生成网络,生成更好的跨模态图像,减少模态差异带来的识别精度损失,并通过三元组损失来正则化类内和类间距离,增强识别模型的性能,用联合训练策略提升素描人脸识别能力。在UoM-SGFSv2、e-PRIP等素描人脸数据集上的实验结果表明,该方法识别效果优于其他对比算法。     

在小样本条件下直接LDA的理论分析

直接线性鉴别分析(DLDA)是一种以克服小样本问题而提出的LDA扩展方法,被声明利用了包含类内散布矩阵零空间外的所有信息。然而,很多反例表明事实并非如此。为了更深入地了解DLDA的特性,该文从理论上对其进行了分析,得出结论:基于传统Fisher准则的DLDA几乎没利用零空间,将丢失一些有用的鉴别信息;而基于广义Fisher准则的DLDA,若满足一定条件(在高维小样本数据应用中一般都满足)且最优鉴别矢量正交约束,则其等价于零空间LDA和正交LDA。在人脸数据库ORL和YALE上的比较实验结果亦与理论分析一致。     

基于样本-扩展差分模板的联合双稀疏表示人脸识别

在人脸识别中,每类数据分别位于由字典形成的高维空间中的多个低维线性子空间,考虑到这一结构信息对识别起到一定支持作用,利用块结构稀疏表示进行人脸识别。针对训练图像不能涵盖测试条件下的人脸变化这个问题,提出基于样本-扩展差分模板的联合双稀疏表示识别算法。它通过构造样本-扩展差分模板来表示训练样本与测试样本之间可能存在的差异,这些类内差异信息可被不同的类别所共享,即任何一类人脸图像的类内差异可表示为其他类别类内差异图像的原子稀疏线性组合。这样识别问题被转换为在训练样本空间和扩展差分模板空间寻找测试样本的块稀疏与原子稀疏的联合双稀疏表示。在AR和Extended Yale B数据库上的实验结果表明,在具有光照、表情变化和遮挡的情况下,本文提出的识别算法具有更好的有效性和鲁棒性。     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

样本扩充的稀疏表示单样本人脸识别

人脸识别中,表情、光照与遮挡变化引起的同类间的类内差异特征可在不同类间共享,为此,从已知样本数充足的样本库中可提取类内差异特征,从而达到扩充单样本训练库的目的。欠样本条件下扩展的稀疏表示人脸识别算法（Extended SRC,ESRC）利用类内图像相减,得到一个扩充的训练样本库,在一定程度上提高了单样本人脸识别率。但是,其扩充样本库的方法过于简单,样本库包含的特征信息有限。针对这点,本文引入联合稀疏模型（Jointly Sparse Model,JSM）提取类内差异特征,该模型将一连串相关联的信号表示成共同特征与差异特征之和,用该模型对样本数充足的人脸图像进行特征提取,把得到的类内差异特征与单样本一起作为稀疏表示识别算法的训练样本。基于AR人脸数据库的实验结果表明,该算法取得了较高的识别率,为单样本人脸识别问题提供了一个有效的解决途径。      

VPC优化格拉斯曼流形的视频人脸识别北大核心

针对视频人脸识别中由于光照、表情、姿态等变化而严重影响识别性能的问题,提出了一种基于视频分块聚类优化格拉斯曼流形的视频人脸识别方法。首先通过去除孤立点、均匀采样、剪裁、姿势纠正等过程将视频数据集进行规范化;然后从训练视频的不同位置提取出可变长度的局部视频片段,使用基于谱聚类的高效算法将其表示为格拉斯曼流形上的点;最后,将所得到的聚类中心和测试视频中的点相匹配,并且利用基于表决的策略来完成测试视频的人脸识别。在视频人脸数据库Honda/UCSD、CMU Mobo及YouTube上的实验验证了该方法的有效性,实验结果表明,相比几种较为先进的视频人脸识别方法,该方法取得了更好的识别效果。     

模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。     

An Innovative Weighted 2DLDA Approach for Face Recognition

Two Dimensional Linear Discrimination Analysis (2DLDA) is an effective feature extraction approach for face recognition, which manipulates on the two dimensional image matrices directly. However, some between-class distances in the projected space are too small and this may produce a large erroneous classification rate. In this paper we propose a new 2DLDA-based approach that can overcome such drawback for the existing 2DLDA. The proposed approach redefines the between-class scatter matrix by putting a weighting function based on the between-class distances, and this will balance the between-class distances in the projected space iteratively. In order to design an effective weighting function, the between-class distances are calculated and then used to iteratively change the between-class scatter matrix, which eventually leads to an optimal projection matrix. Experimental results show that the proposed approach can improve the recognition rates on benchmark databases such as the ORL database, the Yale database, the YaleB database and the Feret database in comparison with other 2DLDA variants.     

基于三维特征的雷达信号脉内调制识别

针对低信噪比条件下雷达信号识别算法对噪声敏感的问题,提出了一种基于三维特征的雷达信号脉内调制识别算法。该方法通过提取信号的差分近似熵、调和平均分形盒维数和信息维数特征组成三维特征向量,使用遗传算法优化的BP神经网络分类器实现雷达信号的分类识别。仿真结果表明,所提取的三维特征在信噪比为-4~10 dB变化范围内具有较好的类内聚集度和类间分离度,可以实现对不同雷达信号进行识别,证实了该方法的有效性。     

FLDA方法在单样本人脸识别中的应用研究

在人脸识别应用中,当每个人有多个训练样本(MSPP)时,Fisher线性判别分析(FLDA)方法可以很好地用于特征提取.然而,当每个人只有一个训练样本(SSPP)时,因为类内散布矩阵为零矩阵,所以FLDA方法将不能使用.为了解决该问题,提出了一种比较新颖的方法来估计类内散布矩阵,借助于奇异值分解(SVD)方法,先将人脸图像分解成两部分,然后分别估计出类内散布矩阵及类间散布矩阵,使FLDA方法能够得到有效的应用.在ORL及Yale上的实验表明了提出的方法比现有的许多方法取得了更好的识别效果.     

Relevance‐Weighted (2D)2LDA Image Projection Technique for Face Recognition

In this paper, a novel image projection technique for face recognition application is proposed which is based on linear discriminant analysis (LDA) combined with the relevance‐weighted (RW) method. The projection is performed through 2‐directional and 2‐dimensional LDA, or (2D)²LDA, which simultaneously works in row and column directions to solve the small sample size problem. Moreover, a weighted discriminant hyperplane is used in the between‐class scatter matrix, and an RW method is used in the within‐class scatter matrix to weigh the information to resolve confusable data in these classes. This technique is called the relevance‐weighted (2D)²LDA, or RW(2D)²LDA, which is used for a more accurate discriminant decision than that produced by the conventional LDA or 2DLDA. The proposed technique has been successfully tested on four face databases. Experimental results indicate that the proposed RW(2D)²LDA algorithm is more computationally efficient than the conventional algorithms because it has fewer features and faster times. It can also improve performance and has a maximum recognition rate of over 97%.     

基于目标优先级的跟踪波束调度方法研究

针对协方差控制的策略不满足雷达跟踪目标的实时性要求,文中采用协方差和目标威胁度联合控制的方法来研究关于相控阵雷达波束调度的问题,建立相控阵雷达波束分配的最优化模型。该模型利用目标的运动状态信息,包括目标距离、目标径向速度、加速度和航向,利用层次分析法确定目标威胁度,然后与目标跟踪协方差相结合进一步确定目标优先级,实现目标动态的搜索加跟踪模式(TAS)的波束调度。将该算法与传统的顺序波束调度方法进行比较,仿真结果表明该算法具有较高的时间利用效率,同时也具有较好跟踪性能。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

基于图像去模糊的改进Gabor与LSSVM的人脸识别

为有效解决人脸识别中二维Gabor的维数灾难,LDA的小样本问题和因拍摄不慎造成的图像模糊的问题,提出一种图像去模糊的改进Gabor和最小二乘支持向量机(LSSVM)相结合的新算法。首先用约束最小二乘方(CLS)对模糊的人脸图像去模糊,然后将DLDA和二维Gabor相融合进行降维处理,最后利用训练速度快,泛化能力强的LSSVM进行分类识别。并通过ORL和Yale人脸库来做对比验证,证明了此方法的高效性。