基于DCT和稀疏表示的人脸识别

文章叙述了离散余弦变换的原理以及稀疏表示用于人脸识别的原理,并提出了一种基于DCT(离散余弦变换)和稀疏表示的人脸识别算法。该算法对人脸图像采用离散余弦变换,并截取左上角部分,按列优先组成特征向量,然后用稀疏表示的方法来进行识别。在ORL人脸库上的验证表明本文所提出的识别方法,具有训练样本运算时间短、识别率高的优点。     

基于离散余弦变换和主成分分析的光照条件人脸识别

在光照变化条件下,人脸识别的正确率急剧下降,为了解决该难题,提出了一种离散余弦变换和主成分分析相融合的光照变化条件人脸识别方法.首先对人脸图像进行分块,并采用离散余弦变换对每一个子块提取DCT系数,然后采用主成分分析提取人脸特征,并采用深度学习算法建立人脸识别的分类器,最后采用ORL和Yale B人脸库进行仿真实验,测试其有效性和优越性.实验结果表明,相比其它光照人脸识别方法,本文方法提高了光照人脸图像的识别率,消除了光照变化的不利影响,具有较强的鲁棒性.     

基于稀疏表示的人脸识别鲁棒性研究

针对人脸识别算法对光照变化敏感的问题,提出一种基于光照鲁棒稀疏表示的人脸识别方法。该方法对图像作小波变换,得到光照归一化图像,通过对光照归一化后人脸图像作稀疏变换,稀疏表示分类得出测试识别结果。本文方法在Yale B人脸库上仿真实验,识别率较高,对光照、表情、遮挡具有一定的鲁棒性。     

一种新的HOG特征人脸图像识别算法研究

针对人脸在非均匀光照下识别率的降低,提出了拉普拉斯滤波和离散余弦变换(DCT)融合梯度方向直方图(HOG)人脸识别算法。首先通过拉普拉斯滤波对人脸图像进行处理,突出其纹理特征,其次进行离散余弦变换(DCT),有效滤除高频分量,然后利用离散余弦逆变换(IDCT)重建人脸图像,降低其维数,最后通过梯度方向直方图(HOG)算子提取人脸图像固有特征,并利用最近邻方法进行分类识别。实验结果表明,该算法在不同特征维数下的Yale B人脸数据库中识别率高达95％以及课题组自建的维吾尔族人脸数据库中其识别率高达98.5％,优于其他传统算法?具有很强的鲁棒性和实时性。     

Gist特征和概率协从表示的人脸识别算法

为了进一步提高基于协从表示的人脸识别系统的 性能,在概率协从表示(ProCRC)算法和字典学习的基础上提出了一 种基于Gist特征和ProCRC的GL-PCRC人脸识别算法。首先提取每副人脸图像的G ist特征,再把人脸图像的Gist 特征采用线性判别算法(LDA)方法投影到最优判别子空间,使得到的LDA特征拥有最小的类内 离散度以及最大的类间离散度;然后利用 LC-KSVD方法对LDA特征进行迭代训练从而得到新的学习字典;继而通过ProCRC算法快 速得到稀疏系数;最后通过计算测 试样本属于各个类别的概率进行分类。分别在ORL和扩展的YaleB人脸库上进行实验检测的 结果表明,与传统的协从表示方法 相比,本文给出的方案可以使人脸识别系统的性能得到显著的提升。     

云环境下基于复合混沌的加密人脸识别鲁棒算法

传统人脸识别方法的人脸数据图像数据存储在互联网上,可能会受到黑客的攻击而导致个人隐私的泄漏和数据安全问题。因此,提出一种云环境下基于复合混沌的加密人脸识别鲁棒算法。首先利用Henon映射与Tent映射产生混沌序列,再对ORL人脸数据库图像进行离散余弦变换,在变换域内对ORL人脸数据库进行加密;再结合PCA算法与BP神经网络实现人脸的识别;最后进行常规攻击、几何攻击、遮挡攻击测试其鲁棒性。实验结果表明,加密算法识别率为83%,高于未加密算法识别率81.5%,并且具有良好的加密效果与较强的鲁棒性。     

采用双字典协作稀疏表示的光照及表情顽健人脸识别

提出一种采用小波变换(WT)及双字典协作稀疏表示分类(CSRC)的人脸识别方法-WT-CSRC.WT-CSRC首先利用PCA(主成分分析)将小波分解后的人脸高频细节子图融合成高频细节图像;然后用PCA分别对人脸低频图像和高频细节图像进行特征提取,构造低频和高频特征空间,并用训练样本在两种特征空间上的投影集构造低频字典和高频字典;最后将测试样本在两种字典上进行稀疏表示,并引入互相关系数以增强人脸识别的可靠性,实现了人脸的协作分类.实验结果表明,提出的方法提高了人脸识别率,对光照变化及表情变化具有较强的顽健性,并且具有较高的时间效率.     

基于离散小波变换和主成分分析的人脸识别

提出了一种基于离散小波变换、主成分分析和余弦相似度分类器的人脸识别方法。首先对图像进行二维离散小波变换,得到近似分量以及水平、垂直和对角细节分量,然后对每幅图像进行二维主成分特征提取。最后,使用余弦分类器对4种特征进行分类并融合得出最终结果。实验表明,此方法准确率要优于单一的二维主成分分析,且余弦相似度分类器拥有比欧几里得距离更好的分类效果。     

融合半监督降维与稀疏表示的人脸识别方法

由于人脸图像数据的维数都较高,将稀疏表示分类用于人脸识别时计算量很大,为了提高人脸识别系统的效率,提出了一种融合半监督降维和稀疏表示的人脸识别方法。首先利用半监督降维算法对图像进行降维处理,在较低的维数空间快速取得较高的识别率,然后利用稀疏表示分类进行人脸识别,取得比传统的最近邻分类器更高的识别率,最后在ORL人脸库上进行实验验证。结果表明,利用该融合算法可快速有效地提高人脸图像的识别效果。     

基于多特征联合稀疏表示的人脸识别方法

针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。三种特征从线性、非线性以及非负表示三种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对三种特征进行综合决策,考察它们的内在关联。最后,基于三种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。