一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

融合LTP与Fisherfaces的分块人脸识别

提出一种融合局部三值模式(LTP)和Fisherfaces进行人脸识别的方法,运用LTP算子提取分块人脸灰度图像的LTP直方图序列,采用Fisherfaces方法对采样后的特征进行特征选择,根据最近邻原则进行识别。该算法不仅能提取人脸纹理信息,大幅降低训练数据量,而且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验结果表明,该方法具有较高的识别率。     

LBP和HOG的分层特征融合的人脸识别

针对LBP描述子提取的纹理特征有限且不能有效地描述图像边缘和方向信息的问题,提出了LBP和HOG的分层特征融合的方法.首先利用LBP算子提取图像的分层纹理谱特征,然后利用HOG算子提取原始图像的边缘特征和基于分层LBP特征的分层HOG特征,最后将分层LBP特征分别与2种HOG边缘特征融合,得到2种不同的多层融合特征.通过在ORL,Yale和GT人脸库上进行实验,比较了15种算法的识别性能,结果证明了文中方法的有效性;相对于传统的经典降维算法、单一的LBP特征提取算法和HOG特征提取算法,该方法的识别率有很大的提高,分别达到99%,99.5%和99.14%.     

一种基于改进LBP算子的人脸识别算法研究

提出了一种基于改进LBP算子的人脸识别算法。局部二元模式（LBP）是一种灰度范围内的纹理描述方式,它从一种纹理局部近邻定义中衍生出来。然而,LBP算子本身还不够完善,在人脸识别的应用中还存在许多问题亟待解决。文章在此基础上,对其特征的组合方式等方面作了一些改进,并将改进后的LBP算子用于人脸识别。通过改进前后在YALE人脸库的实验比较,该方法在识别率上取得了较好的结果。     

基于多阈值局部二值模式的人脸识别方法

提出一种基于多阈值局部二值模式(MTLBP)的人脸识别方法。计算图像中每个像素点与其局部邻域点的灰度差,通过选择不同的阈值编码形成MTLBP,采用多区域直方图向量进行人脸特征描述,模糊化多阈值匹配结果进行人脸识别。实验结果表明,该方法能很好地结合人脸的纹理和梯度信息,对表情等变化具有较好的鲁棒性。     

基于完整LBP特征的人脸识别*

提出一种基于完整局部二值模式(CLBP)进行人脸识别的方法,CLBP算子包括三个部分:中心像素的LBP(CLBP_C)、符号部分的LBP(CLBP_S)、数值部分的LBP(CLBP_M)。该方法首先采用CLBP算子提取人脸灰度图像的直方图;然后融合成CLBP直方图,进行直方图相似性比较;最后根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明,该方法得到的结果比LBP效果更好,鲁棒性更高。     

联合 LTP 和 LPQ 的人脸识别方法

提出一种联合局部三值模式（LTP）和局部相位量化（LPQ）的人脸识别方法,该方法首先对预处理后的人脸分别采用LTP算子、LPQ算子提取各自的直方图,然后,通过特征选择将两者联合为LTP＿LPQ直方图,最后通过最近邻分类器进行分类识别。在ORL和YALE标准人脸数据库上的实验表明,该方法能有效地提高人脸的识别率。     

基于LDP特征和贝叶斯模型的人脸识别

针对现有的局部方向模式LDP(Local Directional Pattern)方法仅利用了图像自身的LDP特征的问题,提出将LDP特征直方图与贝叶斯(Bayes)模型相结合的方法,从而有效使用人脸图像的先验信息,以提高人脸的识别率。第一步,在相互独立的训练集上,学习同类样本图像和异类样本图像的LDP直方图特征相似度的先验信息,并估计类条件概率密度函数(同类样本与异类样本分别进行计算);第二步,利用人脸图像的LDP直方图来比较该图像是否为某一类型图像的概率数值大小;第三步,使用贝叶斯规则进行分类。仿真结果证明,在ORL库与Yale库上,与传统PCA,LBP和LDP算法相比,所提方法得到的人脸识别率均有显著提升。     

基于多级CS-LBP特征融合的人脸识别方法

通常,采用中心对称局部二值模式CS-LBP对人脸图像只进行一次特征提取,提取的纹理特征不够丰富。因此,本文利用CS-LBP多次提取人脸图像更丰富的纹理特征,提出了多级CS-LBP特征融合的人脸识别算法。首先,用CS-LBP对原始人脸图像进行特征提取;然后,对所得特征图像再进行相同方式的特征提取,这样能够得到原始人脸图像的多级CS-LBP特征图像;最后,将每一级特征图像的分块直方图特征进行融合并用于人脸识别。在ORL、Yale标准人脸库上的实验结果表明,相比人脸图像的一级CS-LBP特征,多级CS-LBP特征融合的方法能够显著提高识别精度。     

基于半监督LDA特征子空间优化的人脸识别算法

人脸特征提取是人脸识别流程最重要的步骤,特征的好坏直接影响了识别效果。为了得到更好的人脸识别效果,需要充分利用样本的信息。为了充分利用训练样本和测试样本包含的信息,提出了利用样本散度矩阵将主成分分析PCA算法和线性判别分析LDA算法加权组合的半监督LDA（SLDA）特征提取算法。同时,受组合优化问题的启发,利用二进制遗传算法对半监督特征提取算法得到的特征空间进行优化。在ORL人脸数据库上的实验结果表明：与人脸识别经典算法和部分改进算法相比,SLDA算法获得了更高的识别率。     

全局和局部特征相融合的人脸识别算法

为了进一步提高特征提取效率和人脸识别正确率,提出一种融合全局和局部特征的人脸识别算法。引入局部散度矩阵和全局散度矩阵,两者分别表征样本的全局特征和局部特征;基于同类样本尽可能的紧密而异类样本尽可能远离的事实,构造最优化问题,采用支持向量机建立人脸分类器,并通过仿真实验测试算法的性能。仿真结果表明,该算法不仅提高了人脸识别正确率,而且提高了人脸识别效率。     

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。     

基于特征面的分层特征识别

为降低特征识别的复杂度,提出基于特征实体、特征实面和特征虚面概念的层次性特征分类方法.通过构造2类神经网络输入矩阵,利用神经网络在特征识别中所具有的优势,实现基于特征面的分层特征识别方法.实例表明：该方法在识别去除材料的特征时比较有效,但识别特征的范围受到一定限制.     

基于局部定性表达的光照不变人脸识别方法

提出一种局部定性特征表达方法称为局部序映射(LOM)作为光照不变表达用于人脸识别。该特征表达像素在其邻域中所处的序阶位置,反应了图像像素在局部区域内的相对关系,因而对光照引起的图像大面积灰度变化有很好的不敏感性。同时提出一种针对序定性特征的逻辑距离度量,用于特征空间中最近邻分类器的相似性度量准则。 在Extended YaleB 光照变化人脸测试库中的实验表明了本文局部序映射表达的光照鲁棒性及逻辑距离度量的有效性。     

基于距离限定优化的人脸识别

针对现有人脸识别方法对人脸角度、表情、姿态等因素较为敏感且准确率低的问题,提出了一种基于距离限定优化算法的人脸识别模型。该模型对人脸识别方法的改进有两点：a)利用LBP算子提取人脸图像纹理谱特征图,然后与原始人脸图像的R、G、B通道进行融合,将融合后的图像矩阵作为神经网络的输入,丰富了人脸的纹理特征;b)对误差函数进行改进,使用阈值和边界值约束特征向量的距离,对模型构建新的优化目标,使得相同对象的人脸图像在特征空间中具有较小的欧氏距离,不同对象的人脸图像在特征空间中具有较大的欧氏距离。通过在非限制场景下的LFW人脸库上进行实验,表明该模型准确率分别达到99.15%,能有效地提高人脸识别准确率,具有很好的鲁棒性。     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。     

LBP与LNMF特征融合的人脸识别

提出一种融合局部二值模式(LBP)和局部非负矩阵分解(LNMF)进行人脸识别的方法,采用LBP算子提取分块人脸图像的LBP直方图序列(LBPHS),根据每块的贡献度,得到权重的直方图序列(WeightLBPHS),采用LNMF方法提取其非负子空间及其系数矩阵,根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明,该方法具有较高的识别率。     

基于分块非负矩阵分解人脸识别增量学习*

非负矩阵分解(NMF)算法可以提取图像的局部特征,然而NMF算法有两个主要缺点：a）当矩阵维数较大时,NMF算法非常耗时;b）当增加新的训练样本或类别时,NMF算法必须进行重复学习。为克服NMF算法这些缺点,提出了一种新的分块NMF算法(BNMF)。特别地,该方法还可用于增量学习。通过在FERET和CMU PIE人脸数据库上进行实验,结果表明该算法均优于NMF和PCA算法。