全局与局部特征融合在人脸识别中的应用研究

摘　要 主成分分析（PCA）和线性判别分析（LDA）是基于全局结构的特征提取方法,局部保持投影（LPP）和正交拉普拉斯脸（OLF）是基于局部结构的特征提取方法,全局结构特征的弱点是忽略了局部结构特征,局部结构特征的弱点是忽略了整体结构。基于此,本文提出了一种全局与局部结构特征融合（GLSF）的提取方法,将PCA和LDA的提取结果融合到LPP中,既描述了全局结构,又考虑了局部结构。在ORL及Yale上的实验结果表明,GLSF方法比PCA、LDA、LPP、OLF等方法具有更高的识别率。     

基于Gabor特征的人脸识别算法的对比研究与实现

由于Gabor变换的核函数分布与哺乳动物视觉皮层简单细胞2D感受野剖面非常类似,并具有良好的方向选择性和空间局部性,从而为图像局部区域内多个方向的空间尺度信息和局部性结构特征的获取提供了更有效的方法。为了验证Gabor特征在人脸识别中的有效性和准确性,本文提出了一种采用目前四种传统特征提取的人脸识别方法与基于Gabor特征的人脸识别方法进行对比研究,同时提出利用ROC和CMC两个参量来验证基于Gabor特征人脸识别方法的有效性和准确性。在ORL人脸数据库上取得的实验结果表明,基于Gabor特征的人脸识别方法在同等条件下,得到了更高的人脸识别率,同时具有良好的鲁棒性。     

基于Gabor的特征提取算法在人脸识别中的应用

针对人脸识别中的特征提取问题,提出一种新的基于Gabor的特征提取算法,利用Gabor小波变换良好的提取区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高维特征采用PCA进行初次降维,再利用LDA实现再次降维,得到最终的特征向量。在ORL和YALE人脸库上的实验验证了该算法的有效性。     

分块双向2 DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。     

基于二维图像直接线性判别分析的人脸识别算法研究

针对直接线性判别分析(DLDA)人脸识别算法存在的小样本问题,以及图像二维线性判别分析(2D-LDA)算法需要较多存储空间的问题,文中结合二维方法与直接判决的优点,提出基于二维图像直接线性判别分析(2D-DLDA)的人脸识别算法.该算法在克服小样本问题的同时,不会丢失图像中的有用信息,而且可以避免采用奇异值分解导致的无法精确计算特征向量的问题.在ORL和Yale人脸数据库中的实验结果表明,该算法具有较高的识别率和鲁棒性.     

人脸识别技术综述

文章首先对人脸识别技术进行了介绍,其次回顾了人脸识别研究的发展历程及识别方法的基本分类,然后对当前主流的人脸识别方法展开了详细的论述,最后提出了人脸识别技术面临的问题及研究方向。     

一种有监督的LPP算法及其在人脸识别中的应用

为了提高局部保持投影算法(Locality Preserving Projections,LPP)对光照、姿态等外部因素的鲁棒性,该文对传统的LPP算法进行改进,提出了一种有监督的LPP(SLPP)方法。首先对LPP子空间进行判别分析,然后选择主要反应类内差异的基向量来构造子空间,最后在子空间上进行识别。通过Havard人脸库和Umist人脸库上的实验,结果表明该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的LPP方法和其它子空间分析法识别率提高了10%以上。     

一种有监督的LPP算法及其在人脸识别中的应用

为了提高局部保持投影算法（Locality Preserving Projections,LPP）对光照、姿态等外部因素的鲁棒性,该文对传统的LPP算法进行改进,提出了一种有监督的LPP（SLPP）方法。首先对LPP子空间进行判别分析,然后选择主要反应类内差异的基向量来构造子空间,最后在子空间上进行识别。通过Havard人脸库和Umist人脸库上的实验,结果表明该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的LPP方法和其它子空间分析法识别率提高了10％以上。     

一种应用于人脸识别的非线性降维方法

局部线性嵌入算法(locally linear embedding,LLE)作为一种新的非线性维数约减算法,在高维数据可视化方面获得了成功的应用.然而LLE算法获取的特征从分类角度而言并非最优,而且LLE算法难以获取新样本点的低维投影.为解决这两个缺陷,提出了将非线性的LLE算法和线性判别分析算法(linear discriminant analysis,LDA)相结合的一种新的非线性降维方法,通过ORL、Havard和CMU PIE三个人脸库的实验,结果表明,该方法能够大幅度提高识别率,对光照、姿态及表情变化具有一定的鲁棒性.     

应用特征串行融合的人脸识别算法

针对光照和姿态变化对人脸识别性能的影响,文章提出一种融合局部特征和全局特征的人脸识别算法。该算法首先对图像作Gabor变换,提取局部特征,再对图像作奇异值分解,提取全局特征,然后将全局特征和局部特征串行融合作为图像的特征,最后运用最近邻分类方法得出识别结果。在ORL标准人脸库上的实验结果表明,该算法能够有效消除光照和姿态变化对人脸识别效果的影响。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

人脸与虹膜特征层融合模型的研究

多生物特征的融合与识别可提高身份识别系统的整体性能.本文在研究特征层融合的基础上,结合二维Fisher线性判别分析(2-Dimensional Fisher Linear Discriminant Analysis,2DFLD),提出了一种人脸与虹膜特征融合与识别模型.首先,对人脸图像与虹膜图像分别进行压缩降维处理,得到相应的初始特征矩阵.然后将人脸与虹膜的初始特征矩阵进行组合,获得组合特征矩阵.同时,利用2DFLD算法对组合特征矩阵进行融合,获得了人脸与虹膜的融合特征.最后运用最小距离分类器进行识别.基于ORL(Olivetti Research Laboratory)人脸数据库和CASIA(Chinese Academy of Sciences,Institute of Automation)虹膜数据库的实验结果表明,该模型实现了特征层融合,不仅克服了"小样本"效应,而且有效提高了身份识别的正确识别率,为多生物特征身份识别提供了一种有效模型.     

基于多特征融合的人脸识别算法

针对局部二值模式描述子提取的纹理信息以及梯度幅值量化算子提取的边缘特征无法有效且全面地描述人脸信息的问题,文中提出一种基于马尔可夫稳态特征模型的多特征融合算法。首先,将通过GMQ算子提取的边缘特征以及通过LBP描述子提取的纹理特征分别与马尔可夫稳态特征模型进行融合,然后再将两者进行有效地线性加权融合。最后,在ORL数据集上进行的实验显示,文中提出算法的识别精度可达到 95.83%。与单一的特征提取算法以及常见的人脸识别算法对比结果表明了该方法的有效性。     

Hierarchical Feature Extraction for Image Recognition

This paper applies a hierarchical classifier to two image recognition tasks. At the heart of this classifier, like many other classifiers, is a distance metric for determining the similarity of pairs of images. As the generalisation performance is often strongly related to the effectiveness of this measure, this paper develops a measure that is statistically more reliable than some metrics, but does not discard discriminating information, often regarded as noise. In addition, it may be computed quickly. This paper also experimentally shows that the metric may be used in the hierarchical classifier to yield error rates far lower to those based on the Euclidean distance metric on the two image recognition tasks. Furthermore, it gives the lowest reported error rate (2.63%) as well as the best training and classification times for a face recognition task.     

小样本条件下基于全局和局部特征融合的人脸识别

针对线性判别分析的小样本空间问题,提出了一种基于类向量的融合全局和局部特征的人脸识别算法.首先,提取人脸的全局特征;然后将人脸分割成6个关键部分,并用一种新的基于Gabor小波的方法提取特征;其次,将全局和局部特征融合,得出样本的特征向量;再次,得出每类样本的类向量并据此得出一种新的投影准则;最后,将类向量和试验样本分别进行投影,根据其欧氏距离的大小得出试验人脸的最终类.试验表明本文算法不仅能有效解决小样本空间问题,而且计算速度快,识别率高,应用前景良好.     

一种低维空间线性人脸识别方法的研究

本文在基于成分方法的基础上提出了一种低维空间线性人脸识别分析方法.该方法着重强调和突出判别能量较高的特征,从而提高在低维空间的人脸识别正确率.通过对ORL人脸数据库的实验,表明了本文提出的方法在低维空间比传统的线性判别分析法LDA和主成分分析法PCA有更高的识别正确率.     

用于人脸识别系统的一种新PCA算法

在人脸识别系统设计中引入了一种新的基于加权主分量分析的人脸算法,该算法利用加权主分量分析的原理,将特征加权和主分量分析相结合,构造了一个新的3个中心的高斯分布函数作为加权函数对人脸各维特征进行加权,从而利用主分量分析的方法进行人脸识别.实验证明,该方法与已有的WPCA算法相比,具有更高的识别率.     

多核学习融合局部和全局特征的人脸识别算法

提出一种基于词袋模型的新的人脸识别算法.该方法将词袋模型和词袋模型的全局模式分别作为人脸图像的局部特征和全局特征描述,最后使用多核学习方法将二者进行融合.AR、FERET、CMU PIE以及LFW公开人脸数据库上的实验结果表明,本文方法能够更好的解决小样本问题,并且对人脸的表情变化、姿态变化以及面部遮挡具有更优良的鲁棒性.     

一种用于人脸识别的矢量三角形局部特征模式

 现有特征描述方法存在对像素点信息表达不充分的问题.本文提出了一种基于矢量三角形模式的局部特征描述方法,该方法以矢量三角形为基本模式,通过多尺度模式的结合,不局限于提取对称相邻像素点的信息,能更全面地挖掘不同位置像素点之间的信息,并能根据实际应用进行灵活地表达.将这种局部特征描述方法应用于人脸识别中,实验结果表明,基于矢量三角形模式的特征描述及识别方法取得了比LBP等经典算法更精准的效果,证明了该方法的有效性.