基于下颌轮廓线的人脸分类方法

在人脸正面图像中,下颌轮廓线是一种相对稳定的形状特征,但是如何提取和有效利用这个特征是一个难题。提出一种在识别中有效利用下颌轮廓特征进行人脸分类的方法。根据先验知识将人脸分为圆脸、尖脸和方脸,据此建立下颌形状模板：尖下巴、圆下巴和平下巴。对事先得到的下颌轮廓上的点进行模板匹配,根据匹配结果进行轮廓线分类。该算法采用了基于先验分布和局部判别的方法,先得到可能的轮廓点,然后进行滤波去除伪下颌点,得到真正位于下颌轮廓上的点,再通过模板匹配进行分类。试验表明,该方法分类效果良好,可以有效提高大库人脸识别的速度和识别率。     

人脸外轮廓线的提取方法

传统的边缘提取算子提取人脸的外轮廓线很难达到理想的效果。文中提出一种基于人脸的几何特征的外轮廓线提取方法：首先采用结合SOBEL和CANNY算子提取边缘信息,然后剂用人脸外轮廓特点去掉杂散的冗余边缘和边缘修补。该算法能够较好地提取人脸的轮廓线,而且定位精度高,满足人脸轮廓特征提取的要求。采用本方法对50多幅人脸图像进行实验,结果验证了方法的有效性。     

用于人脸识别的下颌轮廓线分类方法

研究了下颌轮廓线的分类方法,并通过下颌轮廓线分类改进人脸识别系统人脸识别系统的性能.将下颌作为人脸识别的新特征,并综合其他特征进行人脸分类,可以提高人脸识别的识别率;同时,人脸数据库根据下颌的类属分类,可以提高识别速度.通过对下颌轮廓线进行主元分析得到下颌的（PCA）特征字串,并用K mean自动聚类方法和两类划分进行了下颌轮廓线分类的尝试.实验结果表明,这种方法在人脸识别系统中取得了较好的应用,识别率和识别速度都有明显提高.     

人脸显性特征的融合构造方法及识别

 目前的人脸识别研究中,面部几何特征没有得到很好的利用.本文阐述了几何特征对于人脸识别的重要性,在此基础上提出了一种提取面部几何特征的新方法;通过融合几何信息和纹理信息构造出一种面部显性特征,并给出了相应的人脸识别方法.这种新的人脸识别方法相对于基于统计学习的子空间方法具有一定的优势,同时也可作为后者的有益补充.实验表明,本文提出的人脸表示特征及识别方法对人脸表情变化和环境光照变化均有一定的鲁棒性.     

基于局部彩色二元模式纹理特征的人脸分类方法

针对现有的局部纹理特征在光照变化下的人脸分类准确率不高的问题,提出一种局部彩色二元模式纹理特征提取和表示方法.该方法首先求取多个信号通道的彩色向量的模,以减少单独对每个信号通道提取 LBP 特征导致的量化误差;其次提取任意两个信号通道之间的像素彩色夹角来减少光照变化的影响.对于给定的测试人脸图像集,通过 SVM 的二分类器投票得到人脸图像的分类.在 Color FERET 和 XM2VTSDB 人脸图像数据库上的实验证明该方法在光照变化下可以有效地分类人脸图像.     

基于掌纹、人脸关联特征的身份识别算法

首先对掌纹、人脸图像进行融合;接着利用小波变换增强融合后图像;然后利用一种新的子空间分析方法--对角离散余弦变换和二维主元判别分析(Diagonal,Discrete Cosine Traasform and Two-Dimensional Principle Component Analysis,Dia-DCT+2DPCA)相结合的算法进行特征提取;最后运用最小距离分类器进行识别.实验结果表明,本文算法有效地提高了身份识别的正确识别率.     

全局融合卷积神经网络的边缘分类的人脸性别识别

人脸性别识别是人脸识别领域研究的热门课题。为了进一步提高人脸性别识别的准确率,在传统的融合模型基础上,提出一种新型全局融合卷积神经网络模型(NFDCNN)。在NFDCNN模型结构上,每两采样层之间的卷积层在卷积特征提取之前融合前一级的子采样特征,这种方法可以保留原始的特征信息同时与深层纹理融合,具有高度的还原度,缩小网络误差。NFDCNN模型分类函数在常规的Softmax上做了改进,引入了区域边缘分类函数AM-Softmax,该分类函数在归类上是以一块区域为界限来划分,挤压同类,扩大类间距离,缩小类内距离。实验是在不同的人脸数据集上采用该模型方法与其他先进方法对比,验证了提出的NFDCNN模型分类识别是有效的。     

基于平均序列SRC的视频人脸跟踪和识别研究

为了从大字典视频中跟踪和识别人脸,提出了一种基于平均序列的稀疏表示分类端到端识别方法。首先,利用所有可用视频数据和属于同一个人的人脸跟踪帧进行联合优化;然后,将严格的时间约束添加到l1-最小化;最后,运用人脸跟踪中所有单个帧重建各个身份,利用稀疏重建完成人脸分类。在You Tube人脸数据集上的实验验证了本文方法的有效性,在You Tube名人数据集和本文搜集的电影预告片数据集上的实验结果表明,相比几种较为新颖的分类方法,该方法取得了更高的识别精度,并且在拒绝不明身份上的准确率比SVM高8%。     

基于机器学习算法的图像边缘识别

文章首先改进边缘检测算法对图像边缘进行定位,使用双边滤波代替高斯滤波进行去噪处理,利用灰度相似性与几何相似性的权值分配边缘特征,提高精度;其次,在提取边缘坐标工作中利用多项式插值的方式提取出亚像素级精度的图像边缘坐标表示;最后,利用边缘轮廓追踪分析法实现了边缘线段分割,并将直线型、圆弧型以及椭圆弧型边缘进行曲线拟合,实现边缘几何属性提取。     

AN EVEN COMPONENT BASED FACE RECOGNITION METHOD

This paper presents a novel face recognition algorithm. To provide additional variations to training data set, even-odd decomposition is adopted, and only the even components （half-even face images） are used for further processing. To tackle with shift-variant problem, Fourier transform is applied to half-even face images. To reduce the dimension of an image, PCA （Principle Component Analysis） features are extracted from the amplitude spectrum of half-even face images. Finally, nearest neighbor classifier is employed for the task of classification. Experimental results on OR.L database show that the proposed method outperforms in terms of accuracy the conventional eigenface method which applies PCA on original images and the eigenface method which uses both the original images and their mirror images as training set.     

Research on two-dimensional lda for face recognition

The letter presents an improved two-dimensional linear discriminant analysis method for feature extraction. Compared with the current two-dimensional methods for feature extraction, the improved two-dimensional linear discriminant analysis method makes full use of not only the row and the column direction information of face images but also the discriminant information among different classes. The method is evaluated using the Nanjing University of Science and Technology （NUST） 603 face database and the Aleix Martinez and Robert Benavente （AR） face database. Experimental results show that the method in the letter is feasible and effective.     

Linear collaborative discriminant regression classification for face recognition

This paper proposes a novel face recognition method that improves Huang’s linear discriminant regression classification (LDRC) algorithm. The original work finds a discriminant subspace by maximizing the between-class reconstruction error and minimizing the within-class reconstruction error simultaneously, where the reconstruction error is obtained using Linear Regression Classification (LRC). However, the maximization of the overall between-class reconstruction error is easily dominated by some large class-specific between-class reconstruction errors, which makes the following LRC erroneous. This paper adopts a better between-class reconstruction error measurement which is obtained using the collaborative representation instead of class-specific representation and can be regarded as the lower bound of all the class-specific between-class reconstruction errors. Therefore, the maximization of the collaborative between-class reconstruction error maximizes each class-specific between-class reconstruction and emphasizes the small class-specific between-class reconstruction errors, which is beneficial for the following LRC. Extensive experiments are conducted and the effectiveness of the proposed method is verified.     

一种应用于小样本人脸识别的2DLPP算法

LPP是一种局部特征提取算法,被广泛应用于模式识别中,然而在人脸识别中会遭遇小样本问题,为解决这个问题,提出了一种应用于人脸识别的二维LPP算法,直接对图像矩阵进行特征提取,既解决了传统LPP算法的小样本问题,又加快了特征提取速度.YALE人脸库和Extended Yale B人脸库上的实验结果表明2DPP具有较高的识别率,对光照、姿态的变化具有一定的鲁棒性.     

一种基于分块个体子空间的人脸识别方法

针对传统PCA算法的局限性,本文提出了一种基于个体子空间和分块特征提取的人脸识别方法。该方法不同于传统的PCA算法,它为每一个体人脸对象建立一个该个体对象所独有的人脸子空间,并且运用分块特征提取,加强了对样本局部特征信息的提取。在识别过程中,将待测人脸图像对不同个体人脸子空间进行投影后,再运用最近距离分类原则进行分类识别。该方法相对于传统的PCA算法能够更好地描述不同个体人脸之间的差异性,克服各类噪声。本文的实验结果表明,该方法的识别率相对于传统PCA特征脸算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。     

具有学习功能的自动人脸识别

人脸识别是模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题。传统的基于K－L变换的自动人脸识别方法,不用过多地考虑人脸的局部特征,利用特征脸方法进行识别,取得了一定的。但是,人脸作为一个特殊的场景,脸像会受年龄、心情、拍摄角度、光照条件、发饰等因素影响,所成图像存在差异。传统的基于K－L变换的自动人脸识别方法不能很好地克服这些畸变的影响。文中就主成分分析方法引入人脸识别,模拟人脸脸像的各种变化,事先对脸像做相应的变化,产生一系列变形脸。然后对变形脸进行主成分分析,提取它们的主成分。最后应用遗传算法选择最优特征向量构造子空间,提出一种能抗御一定脸像变化的人脸识别方法,并运用该方法进行了实验。实验结果证明了该方法的可行性和良好的抗畸变能力。     

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.     

一种基于Fourier变换的人脸识别算法

针对现有的多数人脸识别算法在单训练样本时识 别性能并不理想这一问题,提出一种基于Fourier-Mellin变换的频域不 变性以及时域不变性的特征提取算法。首先,采用图像亮度作为原始特征,将对图像亮度标 准化以改善光照变化,通过应用2D小波变换降维来管理频域不变量的复杂度;然后,为进一 步改进识别性能,根据分析的Fourier-Mellien变换(AFMT) 以及正交Fourier-Mellin矩(OFMM)法不变量的特征,将两种算法混合,进行特征提取; 最后,利用分值标准化度量频域不变量与时域不变量,并存储到一个特征向量中用于分类。 通过最近邻分类器(NNC)和相关性系 数法(CCM)进行分类和融合。通过在YALE与ORL人脸数据库上进行了大量实验的结果表明, 本文提出方法的性能要优于传统的人脸识别算法。     

一种局部敏感的核稀疏表示分类算法

为了克服核稀疏表示分类(KSRC)算法无法获取数据的局部性信息从而导致获取的稀疏表示系数判别性受到限制的不足,提出一种局部敏感的KSRC(LS-KSRC)算法用于人脸识别。通过在核特征空间中同时集成稀疏性和数据局部性信息,从而获取具有良好判别性的用于分类的稀疏表示系数。在标准的ORL人脸数据库和Extended Yale B人脸数据库的试验结果表明,本文方法的分类性能优于传统的(KSRC)算法、稀疏表示分类(SRC)算法、局部线性约束编码(LLC)、支持向量机(SVM)、最近邻法(NN)以及最近邻子空间法(NS),用于人脸识别能够取得优越的分类性能。