图像处理_Single face dataset(AVSS 2007单个脸检测数据库)

合集下载

利用图像处理技术解决人脸识别中小样本问题

Computer Engineering and Applications 计算机工程与应用
2011， 47 （27）
195
利用图像处理技术解决人脸识别中小样本问题
刘晓龙，张元标 LIU Xiaolong， ZHANG Yuanbiao
暨南大学珠海学院数学建模创新实验基地，广东珠海 519070 Mathematical Modeling Innovative Practice Base， Zhuhai College， Jinan University， Zhuhai， Guangdong 519070， China LIU Xiaolong， ZHANG Yuanbiao.Solution of small sample size problem in face recognition using image processing puter Engineering and Applications， 2011， 47 （27）： 195-198. Abstract： This paper uses PCA and 2DPCA to do the face recognition， and obtains dimensions of eigenvalues and recognition accuracy by using different pre-set thresholds of biggest eigenvalues， and gives the optimalizing dimensions and the threshold of two above methods.Then， using the image rotation technology by bilinear interpolation algorithm to add the numbers of the samples when there is small sample size for same person.It gets higher recognition accuracy and solves the small sample size problem in some degree.If some new predicted information of the small sample images can be generated for same person such as increasing the different expressions and depth of the face for each sample， the effects of the test will be more obvious. Key words： Principal Component Analysis （PCA）； two Dimensional Principal Component Analysis （2DPCA）； dimension； small samples size； bilinear interpolation； image rotating 摘要：通过应用 PCA 及 2DPCA 算法进行人脸识别，得到了在取不同特征值门限情况下的特征提取维数和识别率，给出了以上

人脸检索标准

人脸检索标准
人脸检索标准是指使用人脸图像进行检索时所遵循的一些标准或方法。

以下是一些常见的人脸检索标准：
1. 特征提取：人脸检索的第一步是提取人脸图像中的关键特征，常用的特征提取方法包括局部二值模式（Local Binary Pattern，LBP）、主成分分析（Principal Component Analysis，PCA）
和人脸识别网络（例如基于深度学习的卷积神经网络）。

2. 检索算法：根据提取到的人脸特征，使用相似度度量算法来计算不同人脸之间的相似性。

常见的相似度度量算法包括欧氏距离、余弦相似度和哈希函数等。

3. 数据集：为了进行有效的人脸检索，需要一个包含大量人脸图像的数据库作为检索的基础。

常用的人脸数据库包括LFW （Labeled Faces in the Wild）、Yale Face Database和CASIA-WebFace等。

4. 准确率评估：为了评估人脸检索系统的准确率，通常使用指标如准确率（Precision）、召回率（Recall）和F1-score等来
度量系统在给定数据库上的性能。

5. 应用场景：人脸检索广泛应用于各个领域，包括人脸识别门禁系统、安全监控系统、图像搜索引擎等。

因此，根据具体的应用场景，可以对人脸检索的标准进行定制，以满足特定需求。

需要注意的是，并没有一个统一的人脸检索标准，因为不同的
应用场景和需求可能需要不同的方法和度量指标。

因此，在实际应用中，需要根据实际情况选择合适的标准和方法。

图像处理算法在人脸特征提取中的应用教程

图像处理算法在人脸特征提取中的应用教程人脸特征提取在计算机视觉和人工智能领域中具有重要的应用价值。

通过图像处理算法，我们可以从图像中提取出人脸的关键特征，如眼睛、嘴巴、鼻子的位置和形状等。

这样的人脸特征提取可以用于人脸识别、表情分析、年龄和性别识别等应用中。

本文将介绍一些常用的图像处理算法，在人脸特征提取中的应用。

一、人脸检测人脸检测是人脸特征提取的第一步，它的目标是找出图像中所有的人脸位置。

其中，Viola-Jones算法是一个经典的人脸检测算法。

该算法利用图像中人脸和非人脸的特征差异，通过级联分类器进行多级分类，最终找到图像中的人脸位置。

该算法具有高速和高效的特点，因此被广泛应用于人脸检测领域。

二、人脸对齐人脸对齐是指通过变化和校正，将图像中的人脸调整为一个统一的标准形态。

通过人脸对齐，可以减小图像中人脸之间的差异，并且便于后续的特征提取。

常用的人脸对齐算法包括基于几何变换的方法和基于深度学习的方法。

基于几何变换的方法通常基于面部关键点的检测，如眼睛、鼻子和嘴巴等关键点。

通过计算这些关键点之间的距离和角度，并进行相应的旋转、缩放和平移等几何变换，可以将人脸对齐到标准形态。

这些关键点的检测可以使用传统的图像处理算法，如Harris角点检测和基于模型的方法。

然后，使用最小二乘法或非线性优化方法，对图像进行变换。

基于深度学习的方法则通过训练神经网络，学习如何进行人脸对齐。

这些方法利用大量标注好的人脸样本，训练网络模型来预测关键点的位置，并进行相应的变换。

由于深度学习模型具有良好的泛化能力，因此在不同光照、姿态和表情的情况下，都能较好地进行人脸对齐。

三、人脸特征提取人脸特征提取是人脸识别的核心内容，它的目标是将人脸的关键特征转化为数值表示。

这些特征向量应该具有一定的区分度，以便在不同的人脸间进行区分。

常用的人脸特征提取算法有Eigenface、Fisherface和Local Binary Patterns (LBP)。

人脸识别中人脸检测与识别方法的使用教程

人脸识别中人脸检测与识别方法的使用教程人脸识别作为一种现代化的生物识别技术，广泛应用于安全领域、金融行业和社交媒体等各个领域。

而人脸识别的核心技术就是人脸检测与识别。

本文将介绍人脸识别中人脸检测与识别的方法和使用教程。

一、人脸检测方法的使用教程人脸检测是人脸识别的第一步，它主要是通过算法从图像或视频中识别出人脸的位置和大小。

以下是几种常见的人脸检测方法及其使用教程：1. Haar特征分类器法Haar特征分类器法是一种基于Haar小波特征的检测方法，其优点是速度快、准确率高。

使用OpenCV库中的HaarCascadeClassifier类可以轻松实现人脸检测。

首先，导入必要的库和模型文件，然后加载图像或视频，创建HaarCascadeClassifier对象，使用detectMultiScale方法进行人脸检测，最后将检测结果绘制在图像或视频上即可。

2. 基于深度学习的方法深度学习在人脸检测中取得了巨大的突破，例如使用卷积神经网络（CNN）进行人脸检测。

可以使用开源深度学习框架如TensorFlow、Keras等来构建和训练CNN模型，并使用该模型对图像或视频进行人脸检测。

使用教程较复杂，需要具备一定的深度学习知识和编程技巧，但可以获得更高的检测准确率。

3. 基于特征点的方法基于特征点的方法使用一组关键的面部特征点（如眼睛、鼻子、嘴巴等）进行人脸检测。

这些特征点通常是通过机器学习算法训练得到的。

使用dlib库可以实现基于特征点的人脸检测。

首先导入必要的库和模型文件，加载图像或视频，使用dlib.get_frontal_face_detector检测人脸的位置，使用dlib.shape_predictor获取特征点，最后将检测结果和特征点绘制在图像或视频上。

二、人脸识别方法的使用教程人脸检测完成后，下一步就是对检测到的人脸进行识别。

以下是几种常见的人脸识别方法及其使用教程：1. Fisherfaces算法Fisherfaces算法是一种基于线性判别分析（LDA）的人脸识别算法，其优点是对光照和表情变化具有较好的鲁棒性。

FLDA 在单样本人脸识别中的应用研究

FLDA 在单样本人脸识别中的应用研究马龙;万康康;韩小纯【摘要】随着人脸识别技术的不断发展，单样本人脸识别已成为当今的一个热点。

针对单样本人脸识别问题，提出一种基于通用框架学习的人脸识别方法。

以大量的通用样本与各个单样本按一定比例叠加的方式，增加每个类的训练样本总数，有效地运用 FL-DA 方法进行特征抽取，将所有样本投影到特征子空间，再利用最近邻方法完成人脸识别，一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响，提高了识别率。

该方法的有效性分别在 ORL 及 Yale 两大人脸库上得到了验证。

%With the constant development of face recognition technology,single sample face recognition has become today’s focus.In light of this issue,in the paper we present a face recognition method which is based on general frame learning.The method increases the total number of training samples of every class in the way of superimposing each single sample with a great deal of general samples in certainproportion,effectively utilises FLDA method to extract the features,and maps all the samples onto feature subspace,then makes use of the nearest neighbouring method to complete the face recognition,this mitigates the impacts of those factors including facialexpression,attitude,illumination,etc.on recognition effect and raises recognition rate.The effectiveness of the proposed method has been verified on two major face libraries of ORL and Yale respectively.【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)004【总页数】3页(P175-177)【关键词】人脸识别;单训练样本;通用框架学习;Fisher线性判别分析【作者】马龙;万康康;韩小纯【作者单位】南京理工大学计算机科学与技术学院江苏南京 210094;南京理工大学计算机科学与技术学院江苏南京 210094;南京大学电子科学与工程学院江苏南京 210093【正文语种】中文【中图分类】TP3人脸识别是指基于已知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别一个或多个人脸[1]。

基于虚拟图像的单样本人脸识别方法

基于虚拟图像的单样本人脸识别方法许孝勇【摘要】针对单训练样本情况下的人脸识别问题,提出一种基于虚拟图像的人脸识别方法.为给定的训练图像增加虚拟图像,以增强单训练样本的分类信息,对其进行离散小波变换,并将变换的低频子带图像作为人脸识别特征,利用二维主成分分析法分析“低频脸”.实验结果表明,该方法能过滤因表情变化和少量遮掩而带来的高频信息,提高识别率.%In view of face recognition with only one sample problem, this paper presents a method of face recognition based on virtual image. In order to enhance the classification information of single training sample, it first adds some virtual images generating from the given training image. By using Discrete Wavelet Transform(DWT), the low-frequency band is used as feature for recognition. Two-dimensional Principal Component Analysis(2DPCA) is performed on the low-frequency faces. Experimental results show that this method can filter the high frequency of informations which are caused by a expression change and little cover, and promote the recognition rate.【期刊名称】《计算机工程》【年(卷),期】2012(038)001【总页数】3页(P143-145)【关键词】虚拟图像;离散小波变换;单样本;人脸识别【作者】许孝勇【作者单位】南京航空航天大学计算机科学与技术学院,南京210016【正文语种】中文【中图分类】TF391.91 概述在单训练样本的情况下，传统方法的识别效果都不是很理想。

单样本人脸识别综述

单样本人脸识别综述南京杭空航天大学ELSEVIER摘要当前人脸识别技术主要挑战之一在于样本收集的困难性。

很少的样本意味着在收集样本时付出更少的劳动，在存储和处理它们是付出更少的代价。

不幸的是，许多现有的人脸识别技术很大程度上依赖于训练样本集的规模和代表性，如果系统中仅有一个训练样本，则将会导致严重的性能下降甚至无法工作。

这种情况称之为“单样本”问题，即给出每人一幅人脸的存储数据库，目标是仅根据单幅人脸图像在不同的姿态、光照等条件下从数据库中识别人脸图像的身份。

由于训练集非常有限，这样的任务队当前大多数算法而言都是非常具有挑战性的。

现有许多技术正试图解决该问题，本文的目的是对这些算法进行分类和评估，对较为突出的算法进行了描述和批判的分析。

并讨论了诸如数据采集、小样本规模的影响、系统评估等一些相关问题，同时提出了一些未来研究中具有前景的方向。

关键词：人脸识别；单训练样本1 引言作为少数几个同时具有高精度和低干涉的生物特征方法，人脸识别技术在信息安全、法律事实和监控、智能车、访问控制等方面具有大量的潜在应用。

因此，在过去20年中人脸识别技术已经受到了来自学术和工业方面的极大关注。

近来，一些作者已经从不同方面调查和评估了现有的人脸识别技术。

例如，Samal et al. [4] and Valentin et al. [5]分别对基于特征和基于神经网络的技术进行了调研。

Yang等[6]评述了人脸识别技术，Pantic and Rothkrantz[7]对自动面部表达分析进行了调研，Daugman [3]指出了涉及人脸识别系统有效性的几个关键问题，而最近的综述应该是Zhao et al. [1],他对许多最新的技术进行了评论。

人脸识别的目的是从人脸图像的数据库中的静态图像或视频图像中识别或验证一个或多个人。

许多研究工作集中在怎样提高识别系统的精度，然而，大部分研究工作似乎忽视了一个可能来源于人脸数据库的潜在问题，即可能由于样本采集的困难或由于系统存储空间的限制，数据库中可能对每一个人只存储了一副样本图像。

一种基于压缩感知的单样本人脸识别方法

一种基于压缩感知的单样本人脸识别方法周建华【摘要】针对人脸姿态、光照和表情等各方面原因引起人脸识别率不高的问题,提出了一种基于单样本特征点形变成冗余样本的压缩传感人脸识别方法.将人脸图像信号进行小波变换得到系数的稀疏表示,采用高斯随机测量矩阵进行测量得到离散人脸单样本,基于特征点形变人脸三维模型生成冗余样本,通过稀疏特征点正交匹配追踪非线性重建算法重建冗余图像进行人脸识别.仿真实验结果表明,所提出的算法相对于同类算法,时间复杂度较低、精确度较高、鲁棒性较强,且随复杂环境变化,其优势更明显.【期刊名称】《佳木斯大学学报（自然科学版）》【年(卷),期】2015(033)006【总页数】3页(P855-857)【关键词】压缩感知;稀疏特征;单样本;冗余样本;人脸识别【作者】周建华【作者单位】湖南警察学院,湖南长沙410138;湖南大学信息科学与工程学院,湖南长沙410082【正文语种】中文【中图分类】TN912.340 引言近年来，压缩感知在图像处理理论与实践方面均匀重大突破，作为一种全新的信号采样理论，采用非线性重建模型以较高质量地重构原始信号，在压缩感知框架下进行人脸识别能利用信号的稀疏结构和不相关性，可以大大提高识别效率.1 人脸图像压缩感知过程将人脸图像一维化成n 的离散信号x，记作x(n)，n ∈［1，2，…，N］［1］.根据信号表示变换理论，X 用一组基ΨT=［Ψ1，Ψ2，…，Ψn，…，ΨN］的线性组合表示，则式中，λp=＜X，Ψp ＞假设人脸图像信号X 在某个变换基Ψ 上有且仅有K 个大系数(其他系数等于零或者接近于零)，则认为变换基是X 上的其中一个稀疏基(可以找到图像信号多个稀疏基).如果只有k 项非零系数，而其他系数均为零，定义其图像信号为严格稀疏信号，但在复杂背景、光照及表情变化下导致拍摄人脸图像信号基本上满足不了其要求，若信号在某变换基下系数快速衰减，并呈指数级变化趋向于零，则认为该图像信号是广义上的稀疏信号(有时定义为可压缩信号)，则(1)式经压缩观测变换表示为式中:Φ 称为测量矩阵，大小为M×N，y 为观测所得向量M×1，x 为原信号N×1(M ＜＜N)，但x 一般不是稀疏的，但在某个变换域Ψ 是稀疏的，即x=Ψθ，其中θ 为K 稀疏的，Ψ 称为变换矩阵，大小为N×N，是信号x 在Ψ 变换域的稀疏表示，即θ 只有K 项非零项.此时y=ΦΨθ，令A=ΦΨ，A 称为CS信息算子，大小为M×N，则y=Aθ.Ψ 在对拍摄的原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，在满足约束等距性RIP 条件下构建一个与小波正交基线性不相关的观测矩阵Φ，RIP性质能保证观测矩阵Φ 把两个不同的K 稀疏信号映射到同一个集合中(保证原空间到稀疏空间的一一映射关系)的概率为零，构成的条件为观测矩阵中抽取的任意M 个列向量构成的矩阵是非奇异的［2］.将人脸图像信号矩阵与观测矩阵Φ 乘积运算，经过降维计算后得到与观测矩阵维度相同的观测测量值Y 矩阵，对其小波域系数以特征点为中心进行重新排列分块，通过块稀疏的正交匹配算法BOMP 求解最优化重建恢复，其问题核心是获取测量矩阵值y 和给定观测矩阵Φ 的基础上，通过变换求解上式(2)得到原人脸图像信号矩阵X，重建过程是求解下式最优问题为上式可通过匹配追踪算法BP、正交匹配追踪算法OMP、梯度投影算法GP 等来实现人脸模糊图像信号重建，本文考虑人脸图像分块特性，采用基于图像小波域特征点为中心的分块采样策略，分块分频率重建.上式中但我们常对将0 范数转化为1范数问题进行求解，使病态问题具体化求解［3］.2 基于稀疏特征的冗余样本定义三角网络人脸模型中前额、眉毛、瞳孔、眼白、耳朵、面颊、鼻子、嘴唇、下颚等特征点，通过文献［3］算法在三维网络人脸模型定位后确定其N个特征点的三维坐标并创建特征点数据库.令其对象N 个特征点υ1，υ2，…，υN，设π(υi)(i=1，2，…，M)是从输入源空间到特征目标空间的映射，设其均值为Ψ，即=Ψ(其中Ψ →0)，假定在特征目标空间中的协方差矩阵ζ =通过λσ=ζσ 来计算ζ 的特征值λ，可变换成由(4)、(5)、(6)综合，可得令k ij=π(υi)π(υj)，可将(4)式化简为Mλa=ka，求出其特征点特征值和向量［4］.设λ1 ≥λ2≥，…，≥λn 按照特征显著性排列表示其m 个光照、姿态、纹理综合三维特征值，a1，a2，…，am 表示其对应的三维特征向量，那么第i 个输入特征矢量在三维人脸模型空间中的降维变换表示为将原始人脸的N 个顶点的三维模型特征点样本集表示为图1 同一张人脸在q 取不同的值时重构的人脸图像图2 实验选取的ORL 库人脸图像其中X 表示其特征点光照特征向量，Y 表示其特征点姿态特征向量，Z 表示其特征点纹理特征向量.令γ 为变换组合系数，从而可以冗余生成出多个光照、表情及姿态的人脸特征表示为令kij=π(υi)π(υj)，可将上式化简为Mλa=ka，可求出其特征点特征值和特征向量.构造训练样本为人脸样本的超完备字典，对其进行稀疏化特征表示为测试样本，寻找最佳稀疏表示自然能区分出训练样本中的不同类别［5］.取前k 个最大特征值对应的特征向量构成稀疏变换矩阵P =［p1，p2，…，pk］，根据确定K 的，其中为样本协方差矩阵的特征值.q 的取值范围为0 至1 之间，q 越大，其变换在光照、姿态、纹理等方面相似性越大，对原始人脸图像经过上述稀疏变换、块分解作为稀疏训练样本q 取不同值，对应不同特征人脸图像，如图1 所示.3 实验过程及结果分析本文根据上述方法，从ORL 人脸数据库中选择五个人其中任意一张人脸图像为训练样本，ORL库中剩下的其他的人脸图像(包括本人和他人的)为测试样本进行实验.选取的ORL 库人脸图像如图2 所示.在单样本情况下，基于压缩感知和稀疏特征点，获取了更多的细节信息生成多样本人脸，通过多样本多特征匹配进行识别分类.通过10 副图像进行识别平均计算，本文所提的算法在时间复杂度上有所降低，在识别精度上大大提高，如表1 所示.表1 几种人脸识别算法在复杂度、精确度及耗时的比较Algorithm time complexity Accuracy Identification time(ms )PCA O(n3)94.27% 148.9 HMM O(n3) 94.71% 101.4 Bayes O(n3) 95.12% 151.7本文 O(nlogn)97.74% 107.9 4 结论本文利用压缩感知在图像处理上的优势提出的基于压缩感知单样本人脸识别方法，对原始人脸图像进行小波变换或小波包变换得到稀疏系数按照低频、横向高频、纵向高频和斜向高频分块处理之后，将人脸图像信号矩阵与观测矩阵乘积运算，得到与观测矩阵维度相同的观测测量值矩阵，在三维网络人脸模型定位后确定其显著性特征点的三维坐标，以坐标为中心点重新排列分块，通过块稀疏的正交匹配算法求解最优化重建恢复，该方法充分利用信号的稀疏结构和不相关性，大大提高人脸识别效率.参考文献:［1］ Gross R，Matthews I，Cohn J.Multi－PIE［J］.Image and Vision Computing，2010，28(5):807－813.［2］ Chang Xueping，Zheng Zhonglong，Duan Xiaohui，et al.Sparse Representation －based Face Recognition for one Training Image Per Person［A］.Advanced Intelligent Computing Theories and Applications ［C］.Berlin Heidelberg:Springer，2010:407－414.［3］ Lu Jiwen，Tan Yap－peng，Wang Gang.Discriminative time Analysis for Face Recognition From a Single Training Sample Per Person［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2013，35(1):39－51.［4］方红，章权兵，韦穗.基于非常稀疏随机投影的图像重建方法［J］.计算机工程与应用，2007，43(22):25－27.［5］周建华.一种PCA 和SVM 多生物特征融合的视频人脸识别［J］.佳木斯大学学报(自然科学版)，2010，28(4):1－4.。

单训练样本人脸识别技术综述

单训练样本人脸识别技术综述阙大顺，赵华波武汉理工大学信息工程学院，武汉（430063）E-mail：zhaohuabo1983@摘要：近年来，随着人脸识别技术的不断向前发展，人脸识别领域出现了一个新的研究问题——单样本人脸识别问题。

单样本人脸识别技术，顾名思义，就是在每类（人）只有一个训练样本的情况下对未知测试样本进行识别的技术。

本文对近年来国内外出现的单样本人脸识别技术和方法进行了分类，分析了各种方法的优缺点，还分析了单样本人脸识别技术所面临的挑战，最后对未来单样本人脸识别技术的发展方向进行了展望。

关键词：人脸识别；单训练样本；特征提取0 引言人脸识别(Face Recognition)是指基于已知的人脸样本库,利用图像处理和模式识别技术从静态或动态场景中,识别一个或多个人脸。

随着人脸识别技术在安全验证系统、医学、档案管理系统、人机交互系统、公安工作、视频会议和图像检索等领域的广泛应用，已经成为计算机视觉和模式识别领域的一个研究热点。

目前有许多人脸识别方法，当有充分数量的有代表性的训练样本时，能取得较好的识别效果。

人脸识别方法大致可分为两类：一类是基于人脸图像的几何特征的方法，主要根据人脸的诸如眼、鼻、嘴和脸庞等局部特征及其关系来识别；另一类是基于模板的方法，利用人脸图像的全局特征来识别。

本质上是通过对人脸图像进行某种数学变换，实现人脸空间降维和代数特征提取。

单训练样本人脸识别，是指从给定的每人仅存储一幅已知身份的图像的数据库中识别出姿态、光照等因素不可预测的图像中人的身份[1]。

人脸识别技术在身份证和海关护照验证以及公安执法等应用中，因为训练集中每个人都只有一幅人脸样本图像，所以目前大多数识别方法都无法获得好的识别效果，识别率会大幅下降，有些方法甚至无法应用。

针对这种单样本人脸识别问题，许多研究人员提出了各种各样有效的识别算法。

在这些算法中，比较有代表性的方法有本征脸法(PCA)[3]、线性判别分析（LDA）[4]、隐马尔可夫模型(HMM)[5]、支持向量机(SVM)[6]、贝叶斯算法[7]、局部特征分析法(LFA)[8]、特征线方法(FLM)[9]及进化追踪(EP)[10]。

基于图像分块和特征选择的单训练样本人脸识别

基于图像分块和特征选择的单训练样本人脸识别李俊霞;张书敏;吴何胜【期刊名称】《计算机应用与软件》【年(卷),期】2015(000)009【摘要】为了提高人脸识别的正确率，针对单样本人脸识别训练样本存在的缺陷，提出一种基于图像分块和特征选择的单样本人脸识别算法。

首先将人脸图像划分成子块，并分别提取各子块的特征，连接成人脸图像特征向量，然后采用多流形判断分析算法选择对人脸识别结果贡献较大的特征。

最后计算采用支持向量机对人脸进行识别，并采用Yale B和PIE人脸库对本文人脸算法的有效性和优越性进行仿真测试。

仿真结果表明，相对于当前典型人脸识别算法，该算法提高了人脸识别正确率，获得了更加理想的人脸识别效果。

%In order to improve the accuracy rate of face recognition,we propose a single training sample face recognition algorithm which is based on image blocking and feature selection aimed at the defect of single face recognition training sample.Firstly,it divides the image into sub-blocks,and extracts the features of each sub-block separately to join them to eigenvector of face image,then it uses multi-manifold judgement and analysis algorithm to choose the features with greater contribution to face recognition result;The final calculation adopts SVM to recognise the face,and uses YaleB and PIE face library to carry out simulation test on the effectiveness and superiority of the proposed algorithm.Simulation result indicated that relative to current facerecognition algorithm,the proposed algorithm improved the accuracy rate of face recognition and obtained more ideal face recognition effect.【总页数】4页(P310-313)【作者】李俊霞;张书敏;吴何胜【作者单位】河南农业职业学院电子信息工程系河南郑州451450;河南农业职业学院电子信息工程系河南郑州451450;南京大学软件学院江苏南京210093【正文语种】中文【中图分类】TP391【相关文献】1.基于SIFT特征的单训练样本人脸识别 [J], 张奇志;周亚丽2.基于trace变换特征的单训练样本人脸识别算法 [J], 张亮;王磊;董吉文;赵磊3.基于采样的二维独立分量分析的单训练样本人脸识别 [J], 高涛;何明一4.基于镜像脸的FLDA单训练样本人脸识别方法 [J], HE Gang;YUAN Xiujuan;ZHANG Wei;YAN Shi5.基于分块2DPCA与2DLDA的单训练样本人脸识别 [J], 覃磊;李德华;周康因版权原因，仅展示原文概要，查看原文内容请购买。

单样本人脸识别综述

单样本人脸识别综述(1).大多数基于LDA的子空间算法的目标是通过最大化类间散布矩阵与类内散布矩阵的比值，在特征空间中寻找可以进行区分最佳投影方向。

然而LDA方法只有当每个人的具有许多有代表性的训练样本的时候才能工作的很好，否则，它的效果可能比特征脸方法还要差【36】。

当仅有一个训练样本的时候，基于子空间的LDA方法将会失效，由于无法获得类间散度矩阵。

于是，Zhao等【13】提出用常量矩阵来替代类间散度矩阵，这样做实际上已经LDA方法降低到特征脸方法的水平(2).基于概率的方法将人脸识别问题看作是一个二分类问题，通过估计测试图像与标准图像之间差异的概率，从而判定其是类内差异也可以是类间差异。

同样，在单样本条件下无法估计类内分布。

因此在单样本条件下这种方法也将下降至特征脸方法的水平(3).对于可靠的估计低维流形，进化追踪和Laplacianfaces 方法都依赖于大量的训练样本。

在单样本条件下，它们都将退化为标准特征脸方法。

(4).支持向量机方法、特征线方法实际上是基于特征脸空间的分类方法，单训练样本情况下，它们都无法进行有效的工作。

概括起来，目前的大多数人脸识别算法在单样本条件下都将受到一些影响，有些甚至无法工作。

2.3 单样本学习的重要性我们已经表明大多数人脸识别算法在有限的训练样本下降会遭受严重的影响。

这个问题是否值得研究，我们将从两个方面来讨论：一方面，单样本的极端情况实际上经常出现在现实中，因此，这个问题需要被提出来以便人脸识别算法能够应用在这些条件下。

另一方面，在数据库中仅存储一个样本图像有以下几个好处，在大多数真实世界应用中也是被期望的：(1).易于收集样本。

人脸识别系统的组成之一是人脸数据库，其中存储了模板人脸图像，构建这样一个人脸数据库是一件非常繁琐和耗时的工作，如果每个人仅需要采样一副样本图像则可以有效的减轻工作量。

并且，在那些直接采集图像是非常困难的应用场合中，单样本有其显著的应用。

单训练样本人脸识别技术综述

ｍｅｎｓｉｏｎＰｒｉｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，２Ｄｉ・
ＤＰＣＡ）提取
特征，增加７个虚拟样本和１１个虚拟样本后，在ＯＲＬ人脸库上实验，得到的平均识别率分别为７４．９４％和７５．２８％，比不增加虚拟样本所得到的识别率要高．ＳｈａｎⅢ’使用适当的几何变换（如图像平移、旋转及尺度变化等）和适当的灰度变化（如模拟不同方向上的光照及人造噪声等）来生成虚拟样本，使用ＬＤＡ提出特征，在Ｂｅｒｎ人脸库上实验，得到的识别效果比不增加虚拟样本时的要好．张道强幢¨提出用奇异值分解扰动（Ｓｉｎｇｕｌａｒ
ｙ＝艺哕硝，ｔ＝∑岛％，
它的视角Ｂ下的视图可表示为
挂Ｎ
ｊ，，＝∑ａｙ加，ｔ，＝艺序％＇ｒ，
其中，Ｙ，ｉ和ｆ面为第＿『个原型人脸（视角Ａ）的形状向量和纹理向量，Ｙ毗，和岛。，为第，个原型人脸（视角Ｂ）的形状向量和纹理向量，Ｙ，和ｔ，分别为Ｙ和ｔ在视角Ｂ下的虚拟形状向量和虚拟纹理向量，ａｉ和卢。分别为第，个原型人脸形状向量和纹理向量的权值，这里的原型人脸为事先选好的Ⅳ个人的人脸图像．因此可知，对于新来的人脸图像，一旦其ａ，和卢ｉ被确定，就可以利用Ｙ玑，和‘矾，计算出Ｙ，和‘，从而重建出该人脸图像在其它视角的图像．该技术最大的一个优点是仅需要一幅人脸图像就可以合成该人其它姿态的图像．Ｖｅｔｔｅｒ［Ｈ一５１及Ｐｏｇｇｉｏ（剐也利用线性物体类的思想合成“旋转”了的（姿态变换）虚拟人脸
在国内，温津伟等人¨引利用线性物体类技术创
２单训练样本人脸识别方法简介
Ｂｒｕｎｅｌｌｉ和Ｐｏｇｇｉｏ¨２】认为，人脸识别技术和方法可以分为两大类：基于几何特征的方法和基于模版匹配的方法。本节系统地分析了各种单样本人脸识别方法，并将它们分为以下６类：样本扩张法、特征子空间扩展法、通用学习框架法、图像增强法、神经网络法和三维识别方法．２．１样本扩张法样本扩张法利用各种技术从原样本图像合成多个虚拟图像，扩张每类的训练样本数目，使单训练样本人脸识别问题变成一般的人脸识别问题．Ｂａｙｍｅｒ和Ｐｏｇｇｉｏ【１３］提出一种用线性物体类（ＬｉｎｅａｒＯｂｊｅｃｔＣｌａｓｓｅｓ）合成物体不同姿态的视图的方法，其核心是认为一个真实物体可由若干个原型物体的加权和来表示．如果把某姿态下的真实物体用同姿态下的原型物体线性加权表示，那么用这组加权系数与原型物体在其他姿态下的视图线性组合就可合成该真实物体在其他姿态下的视图．具体做法如下，把每类的真实入脸视图称为标准姿态（视角为Ａ下的姿态）下的视图，想要得到其在其他姿