陈勇[1]2002年在《基于小波子图与决策融合的人脸识别》文中认为人脸识别技术是计算机模式识别领域非常活跃的研究课题，在公安，商业等领域有着广泛的应用前景。由于人脸图象的特殊性，人脸识别问题也是模式识别领域的一个相当困难的问题，要使这一技术完全成熟至实际应用还有许多工作需要去做。 人脸识别可分为人脸检测、特征提取以及分类识别叁大部分，而人脸图象的特征抽取是人脸识别技术的最关键问题。自从上世纪90年代始，许多的人脸识别算法被提出，但总结起来可以分为二类：基于人脸部件的方法和基于整体的方法。在基于部件的方法中，人脸的辨识是利用了人脸的部件如眼睛、嘴、鼻子以及轮廓线等之间的相互关系。这种方法的成功性依赖于这些人脸部件的精确的检测，然而，要精确地抽取人脸的各部件是相当困难的。基于整体的人脸识别方法也称为基于代数特征的方法把人脸图象看作一个整体，人脸图象被看作是一个强度变换的二维模型。因此，基于整体的人脸识别算法在这些年受到了更多的关注。 基于代数特征的人脸识别算法中，特征脸算法、基于奇异值的算法和频谱脸算法是其中叁个较流行和较有前途的人脸识别算法。但是它们的识别率或识别速度还有待提高，离实用还有一段距离，因此，许多人在不断努力地改进这些算法。 在最近十多年，小波变换在图象分析中已经成为一个非常强有力的工具。实际上，小波变换是对信号用一种不同尺度的带通滤波器进行滤波，将信号分解到不同的频带上，再进行分析处理。小波变换的优点如具有良好的时频域局部性能，多分辨率分析等已经有许多文章讨论。这些年，小波变换也常被用于人脸识别，其主要因为：1)通过小波分解图象后，不同方向的子图的分辨率减少，计算复杂度就相应减少。2)小波分解在空域和频域都提供了良好的局部信息。 用小波对人脸图象进行适当层数的分解，不仅大大加快了图象的后续处理的速度，而且实验证明可一定程度地提高识别率。但是现在大多数算法只利用了小波分解后的最低频子图的信息，然而实际上小波分解后的其它子图也含有识别的信息，也可以利用其它子图来进行辅助识别。因此，本文提出了一种基于小波子图和决策融合的人脸识别算法。利用小波分解后的多个子图分别进行识别，对得到的识别结果再用一种融合方案进行融合，产生最后的识别结果。理论和实验均证明了本方案的有效性。识别率比不用小波分解或用单独一个小波子图有了较大的改进。
何坤[2]2006年在《人脸识别理论关键技术的研究》文中研究表明身份认证是人们在日常生活中经常遇到的问题,几乎每时每刻都需要证明身份,在信息技术飞速发展的今天,电子商务、网上银行、公共安全等领域对身份认证的可靠度和方式提出了新的要求,传统的身份认证方法已经不能满足这些要求。但人脸作为特征具有不易伪造、不会遗失、终身不变性和随身携带的优点,与指纹、视网膜、虹膜、基因等其他人体生物特征识别系统相比,人脸识别系统更加直接、友好,使用者无任何心理障碍。人脸检测识别要求对受检人的身体伤害以及人身自由的限制最少。由人脸检测和人脸识别两个关键环节组成。人脸检测是指利用计算机在输入图像中确定所有人脸的位置、大小,是人脸信息处理中的一项关键技术。人脸识别是利用计算机分析人脸图像,进而从中提取有效的识别信息,用来“辨识”身份的一门技术。人脸识别的研究涉及心理学、生理学、人工智能、模式识别、计算机视觉、图像分析与处理等多个学科领域。它是人类智能的基本体现,它是最典型、最困难的模式识别问题之一,对这一问题的研究和解决,有助于对其他对象识别问题的研究和解决。人脸识别也因此成为这些基础研究领域的重要课题之一,具有重要的理论研究价值。本文的主要工作包括:本文分析了复杂环境下人脸检测的本质。即在复杂环境下检测出人脸区域及人脸大小,这一任务决定人脸检测具有不确定性。不确定性的主要原因有:a:由于光照和当时人的行动速度等因素造成了图像质量的不确定;b:图像中是否存在人脸以及人脸区域的大小是不确定的;c:人脸与非人脸之间的区别没有明确界定造成了概念之间的不确定性。人脸检测的不确定性决定了人脸检测不能
李文娟[3]2017年在《基于局部特征提取的人脸识别方法研究》文中研究表明人脸识别作为一种生物识别技术,相比于指纹识别、虹膜识别等而言,具有采集方式友好、应用场合广泛、潜在的数据资源丰富等优点。随着人类迈入信息时代,计算机和网络技术日渐发达,信息安全日益重要,许多应用领域对与人脸有关的信息处理提出了更高的要求;而同时硬件和软件技术的发展,也为满足实际应用系统对人脸检测、跟踪及识别技术的实时化要求提供了可能性,人脸识别研究更加白热化。由于人脸识别容易受遮挡、光照、噪声等外部因素以及表情、姿态等内部因素的影响,建立对于这些因素不敏感的描述模型是一项艰巨而紧迫的任务。研究发现,相较全局特征描述,局部特征描述更便于削弱或者解除部分影响因素对识别功能的制约。二维离散小波变换(the two-dimensional discrete wavelet transform,2D-DWT)、Gabor小波变换、局部二值模式(local binary pattern,LBP)以及当前炙手可热的卷积神经网络(convolutional neural network,CNN)都是常用的具有一定局部细节描述能力的特征提取方法。本文以提取人脸局部有效判别特征为研究目标,以分块描述和融合描述为主要研究思路,对人脸识别方法进行研究,主要贡献概括如下:(1)提出了基于非一致分块的人脸识别方法(non-uniform patch based face recognition via 2D-DWT,NUPDWT)。该方法的核心内容为非一致分块策略(non-uniform patch,NUP),它是以2D-DWT子带的物理意义为依据,结合积分投影的思想,提出的一种对人脸不同区域进行区分性划分的分块方法。相较人工分块与平均分块而言,该种分块策略更为自动且在很大程度上保持了局部信息的完整性。它是基于平均人脸且实施于小波低频子带上的分块策略。分块后提取小波近似系数作为特征,再结合最近邻分类和多数投票法,就构成一种新的人脸识别方法——NUPDWT。在多个人脸数据库包括AR遮挡子库上的实验显示,该方法相比一些基于小波和当前比较流行的方法而言,识别效果更好,且对于处理遮挡等问题有一定的优越性。(2)提出了基于自适应分块的人脸识别方法(self-adapting patch based face recognition,SAPFR)。沿着非一致分块的思路,延伸提出了一种不仅对人脸不同区域具有区分性,而且对不同人脸样本也具有区分性的分块策略,即块的具体划分与每张图像的具体结构更有对应性,称自适应分块策略(self-adapting patch,SAP)。该策略比非一致分块更适合识别在自然状态下采集到的人脸图像。分块的主要依据是2D-DWT的边缘检测功能,且该分块策略实施在原图像上。之后再采用LBP这种提取局部特征的强有力工具,采用融合稀疏思想的有效分类方法,得到对应的人脸识别方法SAPFR。在Georgia和LFW两大具有挑战性的自然状态人脸数据库上的实验中,SAPFR方法展现了比相关的基于分块或其它局部特征的方法更明显的优势。这归功于自适应分块策略的提出及其与LBP特征提取方法和分类器的有效结合。(3)提出了采用局部二值模式(LBP)思想来分析Gabor小波子图的一种新人脸识别算子(LBP-like feature based on Gabor wavelets,GLLBP)。由于Gabor小波子图之间具有一定的关联性,可以采用LBP思想来分析其内在关联性,这样便提出了一种新的人脸描述算子,即GLLBP,它综合了LBP和Gabor的优点,如对光照、噪声不敏感。并根据Gabor小波的复值信息和LBP的等价模式将GLLBP进行推广,提出扩展算子GCLLBP以及二者对应的一致模式。相比其它相关方法,GLLBP及其扩展形式在ORL、FERET、Georgia以及LFW等人脸数据库中展现了更好的识别效果。这是因为新识别算子通过对Gabor系数的LBP形式的再加工,能提炼出对噪声更鲁棒、对判别更有力的特征信息。(4)基于卷积神经网络的模型框架,提出了叁种融合单元——非线性竞争单元(nonlinear competitive unit,NCU)、多层特征融合单元(multi-feature fusion unit,MFFU)和多层决策融合单元(multi-decision fusion unit,MDFU)。其中,NCU将特征进行对比和逐个挑选,择出对人脸认证更有效的特征,放在网络中就是将不同深度的网络层提取到的特征按竞争方式融合进而推动有效特征在网络中的传递和更新。MFFU和MDFU同样基于对网络中各层信息的研究和挖掘,将多个不同深度层的信息进行特征级或决策级融合,融合策略采用串联和加和两种方式。在人脸认证和数字识别上的实验结果都表明融合单元能够有效提升基础模型的性能,这体现出经过叁种融合方式得到的信息比原信息判别性更好,也证明了图像融合等传统策略在卷积神经网络中有一定的应用潜力。
沈永增, 陈勇[4]2003年在《基于小波子图和决策融合的人脸识别算法》文中指出提出了一种基于小波子图和决策融合的人脸识别算法。首先将图象进行适当层数的小波分解 ,每次分解只取最低频子图。然后对低频子图再进行一次小波全分解得到不同方向的四个子图。在这四个子图上分别进行传统的主分量分析 (PCA)或者进行傅立叶变换(即频谱脸算法 ) ,可得到四个识别结果 ,再跟据一种决策融合方案得出最终的识别结果。最后 ,我们用 Olivetti人脸数据库对本文的算法与传统的 PCA算法 ,基于单一小波子图的PCA算法以及频谱脸算法进行了比较。实验结果显示 :应用了多个小波子图以及决策融合方案后 ,识别率都有一定的提高
尹张飞[5]2010年在《基于子空间的人脸识别方法研究》文中认为人脸识别由于具有自然性和友好性的特点,因此成为生物特征识别领域中的一个热点研究问题。通过采用人脸识别技术,可以准确的识别出人的身份信息,进而保证信息安全。由于这个优势,人脸识别技术已经应用到国家安全、信息安全等多个领域中,具有科研价值和广阔的应用前景。子空间技术是目前人脸识别技术中的一个研究热点。与其他技术相比,子空间技术识别率高、鲁棒性强、计算量少。因此本文的主要工作都是对基于子空间的人脸识别算法进行研究。本文通过对人脸识别技术的深入研究,对比和总结了子空间下几种方法的优缺点,并根据目前涌现出的一些新改进的算法,提出了结合图像融合的主元分析与非负矩阵分解相结合的算法和结合图像金字塔的子空间算法的两种算法。首先本文对小波变换在人脸识别领域中的应用进行了深入的分析与探讨。引入图像融合技术,将叁个高频子图通过基于领域能量的方式进行融合,使其成为一个融合子图。由于单个的子空间方法识别效果无法优于多个子空间方法。因此,本文将主元分析与非负矩阵分解相结合起来,并利用图像的熵值作为加权值来进行决策,提升了识别率。然后本文将图像金字塔引入到人脸识别领域。通过先对图像进行多尺度分解,再进行特征抽取,并通过采用图像的熵值作为加权值来进行决策。在主元分析方法中,对于主元的选取目前并没有确定的方法。本文同时对主元的选取进行了探讨和研究,分别采用主元分析与二维主元分析两种方法进行了研究和仿真。实验证明,本文提出的结合图像金字塔的子空间算法的识别率获得提升,而基于二维主元分析的本文算法又优于基于主元分析的本文算法。本文的创新点包括：提出了一种结合图像融合的主元分析与非负矩阵分解相结合的人脸识别算法。该算法不仅充分利用了图像高频子图的特征,而且也使主元分析与非负矩阵分解相互补充,达到提高识别率的效果。将拉普拉斯金字塔分解引入到人脸识别领域,提出结合图像金字塔的子空间算法。分别采用主元分析与二元主元分析进行特征抽取,经验证本算法可以提高识别率。并对本算法中的主元维数的选取进行了实验仿真得出结论。
陈勇[6]2010年在《基于样条二进小波的人脸识别研究》文中认为人脸识别是一项极具有发展潜力的生物特征识别技术,人脸识别技术的研究具有十分重要的理论价值和应用价值。经过了40多年的研究,人脸识别技术已经取得了重要的发展,涌现出了许多新技术、新方法,在受控环境下,许多算法已能取得令人满意的结果。但是,在光照、姿态变化较大的情况下要实现一个高识别率、高鲁棒性的人脸识别系统仍然是一个极具挑战性的课题。本文对小波变换在人脸识别中的应用进行了深入的思考,在分析当前各种基于小波变换的人脸识别算法的基础上,提出并深入研究了基于样条二进小波的人脸识别问题,论文的主要工作和贡献如下:1、对基于小波变换的人脸识别研究进行了综述小波变换按其连续性不同可以分为连续小波变换、离散小波变换和二进小波变换。根据小波变换类型的不同,将常见的基于小波变换的人脸识别算法分为二大类:(1)基于离散的正交、双正交小波变换的人脸识别方法,简称为离散小波方法。(2)基于连续的Gabor小波变换的人脸识别方法,简称为Gabor小波方法。并从小波在人脸识别中发挥的作用来分析,对这两类方法的特点进行了总结和评价。小波在离散小波方法中主要起到了降维和平滑去噪的作用,因此算法复杂度往往较低。但由于正交、双正交小波提取人脸细节特征的能力并不是很强,使得算法的识别性能还有待提高。而在Gabor小波方法中,Gabor小波具有很强的人脸纹理特征提取能力,因此算法的识别率较高,但由于Gabor小波变换的冗余性很大,造成算法的复杂度较高。2、在理论上合作研究论证了基于二进小波的Mallat分解算法的可行性和有效性首先,介绍了一种新的二维二进小波变换,称为二维平稳二进小波变换,它与正交小波的二维平稳小波变换类似,由一个低频分量和水平、垂直、对角线叁个方向的高频分量所定义,这是不同于由Mallat提出的传统叁分量形式的二进小波变换。实际上,二维平稳二进小波变换是正交、双正交小波的二维平稳小波变换的扩展;然后,推导并给出了二维平稳二进小波变换的快速分解和重构算法。接着,进一步引入了ε抽样的离散二进小波变换的概念,描述了它与二维平稳二进小波变换之间的关系;最后,讨论了基于二进小波的Mallat分解算法,它是ε抽样的二进离散小波变换的一个特例,此时ε是由全0所组成的一个二进序列,从而从理论上论证了基于二进小波的Mallat分解算法应用的可行性。另外,从理论上分析可知:基于二进小波的Mallat分解与基于正交、双正交小波的Mallat分解具有相同的计算量,但前者是二维平稳二进小波变换系数的一个子集,因此,比后者能够更好地提取图像的边缘特征信息,即在理论上论证了基于二进小波的Mallat分解算法的有效性。最后,与基于正交、双正交小波的Mallat分解算法的应用进行了直观的效果对比,结果显示:基于二进小波的Mallat分解算法能够产生具有非常好边缘效果的细节子图。总之,基于二进小波的Mallat分解算法的提出将进一步拓展二进小波的应用领域,使二进小波有望在模式识别、图像处理等领域取得好的应用,这也是本文提出的所有算法的理论基础。3、较详细地研究了样条二进小波变换在人脸识别中的应用提出了一类新的基于样条二进小波变换的人脸识别方法,简称为样条二进小波方法。在新方法中,小波既具有降维和平滑去噪作用,又有很强的人脸边缘特征提取能力;然后,提出了一种具体应用样条二进小波的人脸识别算法,并以此算法为例详细说明和实验了样条二进小波在人脸识别算法中的应用特点,大量的实验得出了一些有意义的结论:(1)基于样条二进小波分解得到的细节子图包含很多的特征信息,单独应用这些细节子图也具有很高的识别率。相比之下,基于正交、双正交小波分解得到的细节子图包含的特征信息要少的多。(2)样条二进小波分解产生的细节子图所包含的特征信息具有很强的互补性,对多个细节子图的有效融合可以较大地提高算法的识别率。相比之下,正交、双正交小波分解得到的细节子图之间的互补性要差的多。(3)在众多样条二进小波中,其中的正交的样条二进小波和一种非正交的零反对称样条二进小波具有最好的应用效果。总之,样条二进小波应用于人脸识别相比正交小波、双正交小波以及Gabor小波具有许多好的特性,算法在充分利用这些特性后取得了很好的实验结果。因此,基于样条二进小波的人脸识别方法是一个值得进一步深入研究的方向。4、研究了基于样条二进小波的多方向人脸边缘特征提取问题,提出了一种基于多方向人脸边缘特征和二维线性判别分析的人脸识别算法提出了基于样条二进小波变换的多方向边缘细节子图提取方法。通过对人脸图像进行旋转45度、二进小波变换、反向旋转45度以及一定的剪切等一系列简单的操作,可以得到原始人脸图像的45度方向、135度方向以及十字线方向的边缘细节子图。从直观的视觉观察和实验比较证明了该方法是简单有效的。然后提出了一种基于多方向人脸边缘特征结合二维线性判别分析的人脸识别算法,实验证明该算法是有效的。5、提出了两个基于二进小波变换和多分类器融合的人脸识别算法研究了基于样条二进小波变换和多分类器融合的人脸识别算法,针对人脸识别中的表情识别和光照人脸识别问题,提出了两个具体的人脸识别算法。(1)对人脸表情识别进行了研究,提出了一种基于样条二进小波和多分类器融合的人脸表情识别算法。算法在JAFFE人脸库上实现了100%的人脸识别率和85.34%的表情识别率。(2)对人脸光照识别进行了研究,提出了一种结合对数域DCT光照补偿和多分类器融合的光照人脸识别算法,该算法结合了对数域DCT光照补偿、样条二进小波分解、二维线性判别分析以及多分类器融合等多种对光照变化鲁棒的方法。算法在CAS-PEAL人脸库光照子集上实现了最高83.91%的识别率,而在YaleB人脸库上实现了100%的识别率。
刘冬梅[7]2013年在《基于数据融合的人脸识别研究》文中进行了进一步梳理人脸识别在安保、金融、电子政务、电子商务、人机交互及网络等领域有着广泛应用,提高人脸识别性能对于扩大人脸识别应用领域和实用化具有非常重要的作用。人脸的鲁棒性特征表示、更有鉴别力的特征选择以及良好分类能力的分类器设计是提高人脸识别鲁棒性的关键。本文在阐述人脸识别技术、小波变换和数据融合的相关理论及方法的基础上,沿着多分辨率分析、小波子图选择、数据融合、人脸识别的路线开展相关研究。论文的研究内容和创新点包括以下几点内容：1、总结了人脸识别的重要研究成果,系统介绍人脸识别相关方法的原理及研究现状。综合介绍了数据融合的相关知识及其在人脸识别中的应用,由此得出了课题的研究方向,为本文的研究提供了思路。2、提出基于fisher准则的小波子图选择算法。针对光照变化对人脸识别的影响,结合多尺度分析技术对人脸图像进行小波变换,同时,为了减轻计算的复杂性,对所有小波子图进行fisher投影,应用fisher准则函数实现对具有重要信息的小波子图的选择。3、研究并提出了基于数据融合的人脸识别算法。对选择的小波子图,应用数据融合理论,分别在数据级、特征级和决策级进行小波子图融合,并对融合结果进行识别。通过在人脸数据库上的实验对比验证了本选题所提出的基于数据融合理论的人脸识别方法具有较好的识别性能,选题具有一定的创新性和研究意义。
张成元[8]2009年在《基于子空间分析的人脸识别算法研究》文中进行了进一步梳理随着网络与通讯技术的飞速发展和人类物理与虚拟活动空间的不断扩展,人们对于信息安全性的要求日益提高,需要进行人的身份识别的场合也越来越多。生物特征识别技术是利用人的生物特征(生理特征或行为特征)通过计算机来判别一个人的身份。生物特征具备“人人拥有、人各不同、长期不变”的特点,并且不会被遗忘或丢失,具有先天的便利性和技术上的高效性,因此,生物特征识别技术已经成为当今身份识别的一种有效手段。人脸识别技术是生物特征识别技术领域中重要的组成部分,它根据人面部影象中的有效信息进行个人身份识别。与其它生物特征识别技术相比,人脸识别具有方便快捷、非接触无侵犯性采集、可交互性等诸多优势,已成为了生物特征识别技术中的一个研究热点,并且具有广阔的应用前景。在当今众多的特征提取及人脸识别算法中,子空间分析算法因其计算简单、有效等特性引起了人们的广泛注意,现已成为人脸图像特征提取和识别的主流方法之一。本文以基于子空间分析的人脸特征提取和信息融合为重点进行了相关研究,提出了几种高效的人脸特征提取和识别的算法。本文主要工作及创新如下:1.为解决基于线性判别分析的人脸识别算法中的小样本问题,本文提出了完全Fisher判别分析(Complete Fisher discriminant analysis,CFDA)方法。首先证明了基于Fisher判别准则的所有判别信息都存在于样本总散度矩阵S_t的秩空间Ψ_t中,可以在不损失任何有用判别信息的前提下,将搜索范围从高维的原始数据空间缩小到较低维的Ψ_t空间,大大降低了计算复杂度和存储复杂度。其次分别从样本的类内散度矩阵S_w的秩空间Ψ_w和零空间Ψ_w~⊥内提取两类判别特征DF1和DF2,这两类特征构成了样本基于Fisher判别准则的完整描述。2.提出一种基于整体与局部特征的完全Fisher判别分析和模糊积分(GLCFDA-FI)的人脸识别算法。眼部局部图像包含有大量的判别信息,它受表情变化的影响相对较小,而且还不会受到有无胡须、有无口罩以及张口闭口的影响,因此针对人脸识别而言,眼部局部特征是整体面部特征的重要补充。GLCFDA-FI算法首先在预处理阶段根据两眼的坐标,剪裁出整体面部图像和眼部局部图像;然后将它们分别进行基于完全Fisher判别分析的最佳投影变换,得到四类不同类型的判别特征:整体DF1、整体DF2、局部DF1和局部DF2;最后基于模糊测度与模糊积分的决策级融合进行人脸识别。GLCFDA-FI算法在进行人脸识别时,综合考虑了包含于整体面部和眼部局部的判别信息,以及存在于S_w秩空间和零空间的判别信息,给出最终的识别结果。GLCFDA-F1人脸识别算法可以将小样本问题由不利因素转化为有利因素,在光照变化或表情变化情况下,通过调整各类特征所对应的模糊密度,得到较理想的识别结果。3.提出一种基于小波分解的完全Fisher判别分析和模糊积分(WCFDA-FI)的人脸识别算法。在WCFDA-FI人脸识别算法中,首先将人脸图像进行适当层次的二维小波分解,选择低频分量和合适的高频分量构成表示人脸的低频特征和高频特征;然后将这两类特征分别进行基于CFDA的最佳投影变换,得到四类判别特征:低频DF1、低频DF2、高频DF1和高频DF2;最后基于模糊积分的决策级融合进行人脸识别。因为,小波分解得到的低频和高频子图受表情、光照、噪声等干扰的影响不同,通过调整各类特征所对应的模糊密度,就可以尽可能的利用人脸内在的判别特征,减小干扰因素的影响,得到较为理想的识别结果。4.提出一种基于整体与局部的完全核Fisher判别分析和模糊积分(GLCKFDA-FI)的人脸识别算法。基于核映射(Kernel Mapping)的非线性子空间分析方法是当今人脸识别领域中的主流方法之一,该方法很好的解决了人脸图像在原始样本空间中分布的非线性问题,并且可以通过核方法避免直接在高维特征空间进行特征提取的海量计算。完全核Fisher判别分析(CKFDA)在高维特征空间F中再进行完全Fisher判别分析,提取完整的判别特征。GLCKFDA-FI算法是本文提出的GLCFDA-FI算法的非线性分析版本,首先整体面部图像和眼部局部图像分别进行基于CKFDA的最佳投影变换,得到四类不同类型的判别特征:整体KDF1、整体KDF2、局部KDF1和局部KDF2;最后基于模糊测度与模糊积分的决策级融合进行人脸识别。实验结果表明,GLCKFDA-FI适合于复杂环境下的人脸识别问题,在人脸样本受到光照、表情等干扰因素影响时也能获得较理想的识别效果。5.为解决人脸样本在原始样本空间的非线性流形嵌入问题,本文提出了局部Fisher判别分析(LFDA)算法。与Fisher判别分析中具有全局意义上的类内散度S_w和类间散度S_b不同,LFDA定义了能够代表数据局部结构特征的局部类内散度S_w~L和局部类间散度S_b~L,且在Fisher判别准则下,使局部类内散度最小的同时,局部类间散度达到最大,从而提高样本的可分性。为解决小样本问题,本文提出两种基于LFDA的人脸识别算法:(1)基于局部Fisher脸(L-Fisherface)的人脸识别算法,L-Fisherface算法首先基于PCA变换对原始样本进行降维,以确保局部类内散度矩阵非奇异,然后在PCA变换子空间内进行局部Fisher判别分析。(2)基于局部完全Fisher判别分析(LCFDA)的人脸识别算法。为了不损失基于Fisher准则下任何有用的判别信息,首先在S_w~L的秩空间中提取样本的第一类局部判别信息,同时在S_w~L的零空间中提取样本的第二类局部判别信息;然后基于特征融合将两类局部判别信息融合起来进行人脸识别。实验结果表明,本文所提出的L-Fisherface算法和LCFDA算法既考虑了数据的局部结构特征又考虑了样本的可分性,得到比较理想的识别结果。
郭志强[9]2010年在《基于子空间分析的人脸识别算法研究》文中研究说明人脸识别是当前生物特征识别中的研究热点,提取稳定可靠、区别于其它个体的特征是人脸识别的关键。其中基于子空间投影的特征提取方法,因其算法简单、识别高效而备受人们的亲睐。本文以人脸识别为目标,针对现有人脸图像特征提取存在的几个问题,以子空间分析方法为中心,多种特征提取手段相结合,采用特征提取的混合模型,得到更加可靠有效的识别特征,取得了如下成果。对奇异值分析的人脸识别方法进行了改进,给出了一种包含平均脸奇异值分解的线性鉴别人脸特征提取方法。首先选用练训样本的均值图像作为标准图像,把训练样本投影到标准图像经奇异值分解产生的基空间中,其次提取投影系数矩阵左上角信息作为初步特征,最后再采用LDA降维,提取最终的特征。该方法改善了奇异值分解用于人脸识别基空间不一致的缺陷,同时又增加了特征的类别信息,也避免了LDA的小样本问题。将该方法扩展到非线性方式,给出了包含平均脸奇异值分解的核线性鉴别分析特征提取方法,进一步提取人脸的非线性特征。实验证明,文中提出的方法在识别率上,优于现在有奇异值分解及其改进人脸识别方法。对二维特征人脸识别方法进行了研究,提出了横向2DPCA纵向2DLDA的、双向压缩投影的子空间人脸识别方法,该方法在进行一次2DPCA运算后,对特征矩阵进行转置,再进行2DLDA运算。与(2D)2PCA与(2D)2LDA相比,该方法充分利用了2DPCA和2DLDA的优点,既包含了样本的类别信息,又消除了图像矩阵行和列的相关性,有效地提取了行和列的识别信息,识别特征维数也大幅度减少,在ORL和FERET人脸库上实验表明了其有效性。文中对了分块多投影和分块双向多投影二维特征提取方法进行了研究。分块多投影特征提取方法,针对现有分块单投影特征提取方法中每一子图均采用相同投影矩阵,而对人脸局部信息不加以区别这一问题,构造了分块多投影矩阵,使不同的子图对应不同：的投影矩阵,有效地利甩了人脸局部信息,使识别率得到了提高,在ORL人脸库上实验表明；了其有效性。提出一种基于小波包和PCA变换相结合的特征级融合人脸识别方法,首先对人脸图像进行小波包分解,对分解后的低频子图进行PCA分解,得低频主分量,然后选取含有丰富人脸特征的高频子图进行加权融合,对融合后的高频子图再进行PCA分解,得高频主分量,最后对高低频主分量进行融合处理,得到最终的鉴别特征。分别在ORL和YaleA人脸库上进行试验,实验结果表明该方法提高了识别率。针对保局投影人脸识别方法进行了研究,提出了核判别保局投影算法,即KDLPP。该算法通过核技巧将人脸样本映射到高维空间,在高维空间中有效结合人脸局部的流形结构和人脸的判别信息构建了新的目标函数,其优点是在保持人脸流形结构的基础上,充分利用了样本的类别信息,并采用核方法提取了人脸的非线性特征。在ORL和UMIST人脸库上的实验表明,该方法的识别率整体优于LPP、DLPP和KLPP。针对二维保局投影只在图像的横方向进行数据压缩,提取的特征维数高的问题,首先给出了可选的二维保局投影(A2DLPP)方法,然后将二维保局投影和可选的二维保局投影结合,设计了双向压缩二维保局投影方法,即(2D)2LPP算法。该算法分别从横向和纵向两个方向施实2DLPP,使图像的横向和纵向的维数都得到有效的约简。实验结果表明,(2D)2LPP无论是从识别率还是识别时间上都优于2DLPP和A2DLPP。
赵葛宏[10]2011年在《基于小波多层次LBP算法的生物特征识别与分类》文中指出生物特征(Biometrics)识别作为计算机视觉和模式识别中的一个重要内容,被广泛用于政府管理、银行安全、社会福利保障、电子商务、国防安全等重要领域。已经成为当今信息化的重要领域之一。目前多生物特征融合已成为生物特征识别技术中一项重要、有效的解决方案。本文从人脸和人耳识别出发,首先研究在单一生物特征下的识别效果,然后再融合两种生物特征进行识别实验。生物特征识别的关键问题之一是特征提取。本文在大量文献调研的基础上,为了更有效地提高生物特征的识别率,深入研究了针对图像纹理的局部二值模式(LBP)算法。在此算法的基础上,进一步采用了一种小波与多层次LBP算子复合特征提取算法。该算法首先利用小波对图像进行多尺度分解并把两幅低频近似图像合并成一幅多尺度综合图像。然后采用多层次LBP算子计算综合图像的特征值,得到多尺度多层次LBP特征谱直方图。最后将直方图作为特征用分类器进行分类识别。该算法分别在ORL及Yale人脸库中取得了100%和98.1%的高识别率,在Spain人耳库中也获得了98.04%的识别率。实验证明,此复合算法比其他传统算法有更高的识别率,同时还对表情、尺度和光照变化具有较高的鲁棒性。由于具有高的识别率,此种复合算法可以在计算机视觉(Computer vision)和身份鉴定方面找到广泛的用途。在生物识别中,分类器(算法)也是关键因素之一。除了有效的特征提取算法,不同分类器算法对分类精度也会有较大的影响。本文利用最邻近法(NN)和支持向量机(SVM)两种分类器在人脸识别、人耳识别和多生物特征识别中都进行了分类识别实验,并做了识别精度的对比。实验结果发现,NN在处理小样本数据时比SVM效果好,而面对大样本时,SVM有运算速度快的优势。当训练样本较多时,SVM能够计算出更为精确的分类模型,从而能够取得比NN更高的识别率。此外,本文还对人脸和人耳的多姿态情况进行了研究,重点分析了不同姿态下的训练样本对识别精度的影响。为测试有遮挡情况下的识别效果,利用本文提出的算法基于AR库进行了两种人脸遮挡实验,实验结果表明该算法提取的人脸特征在有遮挡情况下依然能够为识别提供较好的判别。最后论文通过多生物特征识别实验获得了比单一生物特征下更好的识别精度,不仅验证算法的有效性还说明该融合方法简单可行。利用本文算法,处理了国际着名6个数据库的3035幅人脸人耳库图片,进行了上千次的不同参数的实验研究和对比,获得了很高的识别率和满意的识别效果。在不同参数和算法中,实验和验证了多层次LBP特征、小波多层次LBP特征、不同小波基、不同分类器、不同核函数、在人脸和人耳识别、人脸人耳融合识别的作用和效果,获取了比较特性和结果。本论文的研究工作为后续研究提供了丰富、详实的实验数据和实验曲线。对相关的研究工作具有指导和参考意义。
参考文献：
[1]. 基于小波子图与决策融合的人脸识别[D]. 陈勇. 浙江工业大学. 2002
[2]. 人脸识别理论关键技术的研究[D]. 何坤. 四川大学. 2006
[3]. 基于局部特征提取的人脸识别方法研究[D]. 李文娟. 天津大学. 2017
[4]. 基于小波子图和决策融合的人脸识别算法[J]. 沈永增, 陈勇. 浙江工业大学学报. 2003
[5]. 基于子空间的人脸识别方法研究[D]. 尹张飞. 湖南大学. 2010
[6]. 基于样条二进小波的人脸识别研究[D]. 陈勇. 浙江工业大学. 2010
[7]. 基于数据融合的人脸识别研究[D]. 刘冬梅. 福建师范大学. 2013
[8]. 基于子空间分析的人脸识别算法研究[D]. 张成元. 北京交通大学. 2009
[9]. 基于子空间分析的人脸识别算法研究[D]. 郭志强. 武汉理工大学. 2010
[10]. 基于小波多层次LBP算法的生物特征识别与分类[D]. 赵葛宏. 昆明理工大学. 2011
标签：计算机软件及计算机应用论文; 小波变换论文; 人脸识别论文; fisher论文; 人脸检测技术论文; 特征提取论文; 图像融合论文; 判别分析论文; 正交变换论文; 特征分解论文; 正交投影论文; 二维论文; 图像识别论文; 算法论文;