基于曲波域与核主成分分析的人脸识别

合集下载

基于核主成分分析特征提取及支持向量机的人脸识别应用研究

基于核主成分分析特征提取及支持向量机的人脸识别应用研究一、综述近年来，随着计算机技术的发展和人类对信息安全需求的日益增长，人脸识别作为一种具有广泛应用前景的技术，得到了广泛关注。

传统的面部识别方法面临着诸多挑战，例如在复杂环境下的人脸捕捉、处理以及识别准确性等问题。

为了克服这些问题，研究者们将目光投向了更为高效的特征提取算法和支持向量机（SVM）的分类器。

核主成分分析（Kernel PCA, KDE）是一种重要的非线性特征提取方法。

它通过对原始高维数据映射到低维空间，并在此空间中求取主成分，从而有效地减少数据的维度，同时保留数据中的主要信息。

KDE 在人脸识别领域展现出了良好的性能，为解决非线性问题提供了新的思路。

支持向量机（SVM）作为另一种重要的监督学习算法，在模式分类和回归分析等领域取得了显著的成果。

相较于传统方法，SVM 通过最大化间隔原则，有效地提高了分类器的泛化能力。

在人脸识别领域，SVM 可以克服特征维度高、分类困难等问题，从而进一步提高识别的准确率和鲁棒性。

将核主成分分析和支持向量机相结合用于人脸识别的研究逐渐受到关注。

这种结合充分利用了两者的优势，提高了特征提取与分类的效率。

本文将对相关研究进行综述，介绍 KPCA 和 SVM 在人脸识别中的应用进展，分析其在实际场景中的优缺点，为后续的研究提供参考。

1. 人脸识别的研究背景和意义在信息时代的浪潮下，人脸识别技术以其捕捉便捷、操作简便的特点，逐渐成为了网络安全领域中具有重要价值的身份验证手段。

随着人们生活节奏的不断加快，对安全和便捷性的需求也日益提升，人脸识别技术在金融、医疗、教育等多个行业的应用越来越广泛。

在此背景下，研究如何通过精确的身份识别技术来维护网络空间安全，已成为当前亟待解决的问题。

人脸识别技术的研究背景源于图像处理与模式识别领域的深层次理论——主成分分析（PCA）。

作为一种广泛应用的特征提取方法，PCA能有效减少数据集中的冗余信息，并将高维数据映射至低维空间，从而简化数据结构，提升数据分析的效率与准确性。

基于小波变换和核主成分分析的人脸识别算法

ＱＵＬ —ｉｇＬｅｈａＩｅｐｎ，ＩＤ —ｕ
（ｕｚｏｇＵｉｒｔｏｃｎｅａｄＴｃｎｌｇ，ｈｎ４０７ＣｉａＨａｈｎｎｖｓｙｆｉｃｎｅｈｏｙＷｕａ３０４，ｈｎ）ｅｉＳｅｏ
Ａｂｔａｔａｃｅｏｎｔｎｉｅｃｒｎａｔｒｅｏｎｔｎａｄｔｅｒｓａｃｏｕｈｉｄｏｍａｅｐｏｅｓｎｓｒｃ：Ｆｅｒｃｇｉｏｔｕｒｔｐｔｎｒｃｇｉｏｎｈｅｅｒｈｆｃｓｉｔｅｆｆｉｇｒｃｓｉｇ，ｂｅｉｓｈｅｅｉｎｅｌ－ｌｎｏｉｅｔｙｐｒｏｉｌｇｃｌｅｈｏｏｙｏｇｔｄｎｉａｔｆｂｏｏｉａｃｎｌｇ．Ａｕｌａｅｒｃｇｉｏｙｔｍｓｍａｎｙｃｍｐｓｄｏｈｏｌｗｉｇｂｓｃｌｋｆｔｆｌｆｃｅｏｎｔｎｓｓｅｉｉｌｏｏｅｆｔｅｆｌｎａｉｎｉｏｉｆｒ：ｔｅｉｇｒｐｏｅｓｎＯｍｈｍａｅｐｅｒｃｓｉｇ，ｆｃｅｅｔｎａｄｌｃｌａｉｎ，ｔｅｆａｕｅｅｔａｔｎｃａｓｆａｉｎａｄｒｃｇｉｏ，Ｔｉａｅｄｔｃｉｎａｉｔｏｏｚｏｈｔｒｘｒｃｉｌｓｉｃｔｎｅｏｎｔｎｈｓｅｏｉｏｉａｔｌｉｌｉｔｈｍａｅｆａｕｅｅｔａｔｎｃａｓｆａｔｎｌｋａａｙｉｎｅｔｉｔａｐｉａｉｌｖｌｔｔｎ－ｒｉｅｍａｎｙａｍｓａｅｉｇｅｔｒｘｒｃｉｌｓｉｃｉｉｎｌｓｓａｄｔｓ：ｆｓｐｌｔｃｔｏｉｏｎｒｃｏｎＨａｗａｅｅｒｓａ

Curvelet域流形学习人脸识别算法研究

ｍａｉｌｓｍａｉｌａｎｎｓｅｆｒｄｏｅＣｒｅｅｅｔｒｓＳｓｔｎｗ— ｉｎｉｎｌｔｕｔｒｓｗｈｃｓｓｄｎｆｄ，ｎｆｄｌｒｉｇｉｒｏｍｅｎｔｕｖｌｔａｕｅＯａｆｄｌｄｍｅｓａｒｃｕｅ，ｉｈｉｕｅｏｏｅｐｈｆｏｉｏｏｓ
ｒｄｎｄｎｃｏｖｅｅｉｘｅｓｎｔｉｕｌｒｆａｕｅａｏｎｕｒｅｏｈｅｉａ，ａｃｎｂａｎａｓａｓｅｔｅｅｕａｙｆｗａｌｔｎｅｐｒｓｉｇｈｅｓｎｇａｅｔｒｌｇｃｖｓｆｔｍｇｅｎｄａｏｔｉｐｒｅｆａｕｒｒｐｅｅｔｔｏｅｒｓｎａｉｎ．Ｍｏｒｏｒｂｓｄｎｈｅｏｎｓｄｅａｉｔｔｈｉｄｉｅｉｎａｉａｅｅｖｅ，ａｅｏｔｃｉｒｔｏｎｈａｇｈ— ｍｎｓｏｌｍｇｍａｅｉｔｎｏｅｍｅｉｎｌｙｘｓｉｌｗｒｄｉｎｓｏａ
ＥｘｒｍｅｔｎｔｓｘｅｐｒｓｉｎａｅＢｉｈｔｎａｅｄｔｂｓｓｐｒｖｅｔｓｐｏｎｔｐｅｉｎｓｉｈｅＥｓｅｘｅｓｏｎｄＹａｌｌｇｉｇｆｃａａａｅｏｈｉｉ．Ｋｅｙｗｏｒｓ：Ｇａｒｗａｅｅ；ｍａｉｏｄｌａｎｉ；ｋｒｌｕｔｏｋｅｎｌｌａｉａｍｂｄｄｉｇ；ｆｃｅｏｇｔｏｄｂｏｖｌｔｎｆｌｅｒｎｇｅｎｅｎｃｉｎ；ｒｅｏｃｌｌｆｎｅｒｅｅｎａｅｒｃｎｉｉｎ

基于轮廓波变换和核Fisher判别分析的人脸识别

ｔｎｆｍａｄｋｒｅＦｓｅｉｒｉａｔｎｌｉＫＤｒｓｒｎｅｎｌｉｒｓｉｎｎａａｙｓ（ＦＡ）ｆｃｃｇｉｏｒｐｓｄＴｅｒｏｎｔｎｒｔａｄｒｃｇｉｏｍｅｏｃａｏｈｄｃｍｓｏｆｅｒｏｎｔｎｉｐｏｏｅ．ｈｃｇｉｏａｎｅｏｎｉｔｆａｅｒａｅｉｓｅｉｅｔｎｉｆ
（ｕｌｏｐｔｒｅｃｉｅａｔｅｔＹｎｈｎｎｖｒｔ，ｕｃｅｇ０４０，ｈｎｉＣｉａＰｂｉＣｍｕｅＴａｈｎＤｐｒｎ，ｕｃｅｇＵｉｓｙＹｎｈｎ４００Ｓａｘ，ｈｎ）．ｃｇｍｅｉ
（ｏｌｅｏｎｏｍｔｎＳｉｃｎｅｎｌｙＢｉｎｎｖｓ）ｏｈｍｃｌＴｃｎｌｙＢｉｎ００９，ｈｎＣｌｇｆｒａｉｃｎｅａｄＴｃｏｏ，ｅｉｇＵｉｒｉｆＣｅｉｅｈｏｇ，ｅｇ１０２ＣｉｅｆＩｏｅｈｇｊｅｔａｏｆａ）
ｍｈｒｓｌｉｎｍ — ｅｕｎｙｌａｓｔｎｓｗｌａｉｉｃｉａｉｎｎｏｏｙＩｔｉｐｐｒａｍｔｏａｅｎｅｎｏｒｔｕｉｏｔｎａｄｔｅｆｑｅｃｏｌａｉ）ａｅｌｓｈｇｄｅｔｎｌｙａｄａｉｔｐ．ｎｈｓａｅ，ｅｈｄｂｓｄｏｏｔｕ］ｅｕｏｉｒｃｉｏｈｒｏｔｓｒｅ
第２８卷第２期
２１年２月０１
计算机应用与软件

基于谱域特征提取与线性回归分类的智能人脸识别算法

四川省科技厅应用基础研究计划资助项目（2016JY0201）
《计算机应用研究》 2019 年第 36 卷第 11 期
针对人脸识别中由于光线、表情变化和遮挡导致人脸图像变化的问题，提出了一种谱域特征提取与线性回归分类算法相结合的智能人脸识别方法。为了实现特征提取的目的，首先使用 Viola-Jones 算法从原始图像中提取初始人脸部分，并将其转换为 120×120 像素大小的灰度图像；然后提出了一种计算极坐标傅里叶变换（FFT）以获得预处理人脸图像主要幅度谱特征的新框架，进一步在预处理的图像上执行 2D-DFT，并表示为 1D P-FFT。特征值是 1D P-FFT 幅值中的最大值，提取的特征值用于构造表示人脸图像的符号对象。最后利用快速有效的线性回归分类算法实现分类。在 AR 和 GT 数据库上进行了各种实验，分别取得了 97.51％和 98.02％的准确率。与最近报道的一些人脸识别技术相比，提出的方法识别准确率更高。
存在遮挡的情况下识别准确率受到严重影响[5]。提取最优特征无法捕捉同一主题图像的特征值的变化，并且也将具有高维度
和有效的分类方法是人脸识别系统的两个主要步骤。因此，为特征数据。研究人员为了开发特征数量更少的高效系统，采用
—————————— 收稿日期：2018-04-24；修回日期：2018-06-05 基金项目：四川省科技厅应用基础研究计划资助项目（2016JY0201）作者简介：陈汶滨（1965-），男，四川内江人，教授，硕士，主要研究方向为油田信息化､数据库技术及应用､计算机模拟与仿真（m18108096675@）；
Abstract: Aiming at the problem of face image change caused by light, expression change and occlusion in face recognition, a smart face recognition method combining spectral domain feature extraction and linear regression classification algorithm is proposed. For the purpose of feature extraction, the initial human face part is first extracted from the original image using the Viola-Jones algorithm and converted into a grayscale image with a size of 120×120 pixels. Then, a new framework is proposed to compute the polar amplitude Fourier transform (FFT) to obtain the main amplitude spectral features of the preprocessed face image. The 2D-DFT is further performed on the preprocessed image and expressed as a 1D P-FFT. The eigenvalue is the maximum value of the 1D P-FFT amplitude, and the extracted eigenvalue is used to construct a symbol object representing a face image. Finally, classification is implemented using a fast and efficient linear regression classification algorithm. Various experiments were performed on the AR and GT databases, achieving 97.51% and 98.02% accuracy, respectively. Compared with some recently reported face recognition techniques, the proposed method has higher recognition accuracy. Key words: face recognition; linear regression; fast Fourier transform; classification algorithm; spectral domain feature

一种基于核主成分特征组合的人脸识别方法

Ｋｅｗｏｄｙｒｓ：ｆｃｒｃｇｉｏＰｉｃｐｌＣｍｐｎｎＡｎｌｓｓｓｃｎ — ｒｅｒｃｐｌｏｏｅｔＡｎｌｓｓＫｅｎｌｒｎｉａａｅｅｏｎｔｎ，ｒｎｉａｏｏｅｔｉａｙｉ，ｅｏｄｏｒＰｉｉａＣｍｐｎｎａｙｉ，ｒｅＰｉｃｐｌｄｎ
维普资讯
一
种基于核主成分特征组合的人脸识别方法
徐春明１乐晓蓉王正群，２（州大学信息工程学院计算机系，苏扬州２５０）扬江２０９（城师范学院数学系，苏盐城２４０）盐江２０２
Ａｂｔａｔｓｒｃ：ＡｅａｅｒｃｇｉｏｔｏａｅｎｃｍｂｎｔｏｆＫＰｅｔｒｓｉｐｏｏｅｎｔｉｐｐｒｉｔＬｎｗｆｃｅｏｎｔｎｍｅｈｄｂｓｄｏｏｉａｉｎｏＣＡｆａｕｅｓｒｐｓｄｉｈｓａｅ．ｒｌＫ－ｉＦｓｙｔａｓｏｍｍｅｈｄｓｓｄｔｒｎｆｒｉｉａｉｇｓｔｅｅｈｓｃｎ — ｒｅｆｃｍａｅｂｒｂｉｉｇｍａｅ，ｒｎｆｒｔｏｉｕｅｏｔａｓｏｍｎｔｌｍａｅ，ｎｗｅｇｔｔｅｅｏｄｏｄｒａｅｉｇｙｅｕｌｎｉｇｓｉｈｄｔｅＫＰＡｓｕｅＯｇｔｗｏｉｄｆｆａｕｅｔｒｏｈｎｔｌｍａｅｎｉｓｃｎ－ｒｅａｅｍａｅＬｓｙ，ｅｈｎＣｉｓｄｔｅｔｋｎｓｏｅｔｒｖｃｏｆｒｔｅｉｉａｉｇａｄｔｅｏｄｏｄｒｆｃｉｇ．ａｔｗｅｓｉｓｌ

基于曲波变换和Retinex人脸光照处理算法

1
引言
人脸识别技术在信息安全、视频监控和门禁本的图像处理技术对光照图像进行预处理，如：直方图均衡化和伽玛校正等方法，来获得鲁棒的光照图像。尽管此类方法可以在一定程度上消除光照的影响，但识别率依然不能令人满意。直 Retinex 理论 [7] 是 Land 提出的从信号分析角度出发，接从单张图像中提取光照不变量，没有复杂的建模过程，因而容易达到实时处理的要求。 Retinex 方法的一般步骤是首先从原始图像中估计出光照图像，然后在对数域里从原图中减去光照图像得到增强后图像。 Retinex 方法的关键在于估计图像中的光照成分，光照成分主要包含在图像的低频部分。文献 [7-8] 分别对图像的高低频域进行处理，一般舍弃图像的低频部分，对图像的高频部分进行去噪，然后逆变换得到图像光照不变量的。虽然图像的低频部分包含光照成分，但是同时它还包含了具有优异分辨能力
基金项目：国家自然科学基金（No.60574051）；江苏省产学研联合创新资金—前瞻性联合研究项目（No.BY2012067）。作者简介：宋书林（1980—），男，讲师，研究方向：嵌入式及图像处理；张彦（1987—），女，研究生，研究方向：模式识别与智能系统。 E-mail： songshulin@ 收稿日期： 2012-09-21 修回日期： 2012-11-05 文章编号： 1002-8331 （2013） 03-0171-03
江南大学轻工过程先进控制教育部重点实验室，江苏无锡 214000 Key Lab of Advanced Process Control for Light Industry Ministry of Education, Jiangnan University, Wuxi, Jiangsu 214000, China SONG Shulin, ZHANG Yan, WANG Xian, et al. Illumination processing method based on Curvelet transform and Retinex. Computer Engineering and Applications, 2013, 49 （3）： 171-173. Abstract： An illumination processing method based on Curvelet transform and Retinex model is proposed to the problem of the illumination impact on the face recognition. The method performs Curvelet transform in the logarithm domain of the illumination variation face images. The Kimmel variational method is used as smoothing filter operator to smooth the low-frequency image. The threshold denoising is used in the high-frequency coefficients. The illumination brightness composition can be obtained by inverse Curvelet transform. The Retinex model is used for illumination invariant extraction. Experimental results from Yale B and CMU PIE databases show that proposed method can effectively eliminate the effect of varying illumination on face recognition and improve the rate of face recognition. Key words： Curvelet transform; Retinex model; variational method; illumination invariant 摘要：针对光照对人脸识别影响问题，提出了一种基于曲波变换和 Retinex 人脸光照处理的算法。该算法对光照变化人

对称核主成分分析及其在人脸识别中的应用

ＳｙｍｍｅｔｒｉｃａｌＫｅｎｅｒｌＰｉｒｎｃｉｐａｌＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ（ＳＫＰＣＡ）ａｌｇｏｒｉｔｈｍ．Ｔｈｉｓａｌｇｏｒｉｔｈｍｆｕｌｌｙｕｔｉｌｉｚｅｓｔｈｅｆａｃｅｍｉｒｒｏｒｓｙｍｍｅｔｙ，ｒｔｈｅ
ｓｙｍｍｅｔｒｙ，ａｎｄｇｅｎｅｒａｌｌｙｌａｃｋｓｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓｉｎｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ，ＳＯｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｉｓｌｏｗ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａ
第３９卷第３期
Ｖ０ｌ－３９
・
计
算
机
工
程
２０１３年３月
Ｍａｒｃｈ２０１３
Ｎｏ．３
ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ
人工智能及识别技术・
文章编号：１０００ — ＿３４２８（２０１３）０３ — ＿０１７４ —０４文献标识码：Ａ
提出一种对称ＫＰＣＡ算法。利用人脸的镜像对称性，通过对训练样本进行镜像变换，得到奇对称样本和偶对称样本，分别
提取各奇偶对称样本的特征分量，使用最近邻距离分类器完成分类。实验结果表明，该算法能扩大样本容量，当多项式阶数为２时，该算法的识别率高于ＫＰＣＡ算法，识别时间短于ＫＰＣＡ算法。关健词：人脸识别；支持向量机；特征提取；镜像对称性；主成分分析；核主成分分析

人脸识别论文：人脸识别独立成分分析核独立成分分析分块

【关键词】人脸识别独立成分分析核独立成分分析分块【英文关键词】Face Recognition Independent Component Analysis Kernel IndependentComponent Analysis Block人脸识别论文：分块核独立成分分析的人脸识别方法研究【中文摘要】本文利用人脸图像分块的思想,结合核独立成分分析,提出基于列分块的核独立成分分析的人脸识别方法。

基于列分块的核独立成分分析方法先将人脸图像按列分块,得到新的样本空间,然后在新的样本空间中进行核独立成分分析提取人脸特征进行识别。

实验表明,基于列分块的核独立成分分析方法通过降低样本维数增加样本个数,在一定程度上解决了高维小样本问题,较传统的核独立成分分析方法,能更好的提取到人脸的局部特征,具有更好的识别性能。

通过改进基于列分块的核独立成分分析的人脸识别方法,本文又提出行列分块的核独立成分分析的人脸识别方法。

行列分块的核独立成分分析方法先将人脸图像按行列进行分块并重组,得到新的样本空间,然后依次进行行的核独立成分分析和列的核独立成分分析处理,最后通过求解左右解混矩阵提取人脸特征进行识别。

实验表明,行列分块的核独立成分分析方法,依次对训练样本进行行和列的核独立成分分析处理,较好的消除了样本之间的相关性,取得更好的识别效果,具有更好的鲁棒性。

【英文摘要】A face recognition method based on the column-block and kernel independent components analysis is proposed combining with the kernel independent component analysis and the thought of image divided by column in this paper. First of all, the face image matrix are divided into blocks by column according to this method. Then kernel independent components analysis could be directly used to extract the feature of face image and recognition in the new eigenspace constructed by all the blocks. The Experimental results of show that this method can solve the defects of small high-dimensional and number samples in some degree through reducing the dimension of samples and increasing the number of samples. This method can extract the local feature of face image more effectively than the traditional kernel independent components analysis, besides the recognition performance of this method is better than the traditional kernel independent components analysis.Another face recognition method based on the ranks-block and kernel independent components analysis is proposed through improvement of the above method. First of all, the face image matrix are divided into blocks by columns androws according to this method, and these blocks are mixed to construct the new eigenspace. Then kernel independent components analysis used twice followed by rows and columns in the new eigenspace to obtain the left-unmixed matrix and right-unmixed matrix. At last we can extract the feature of face image and recognize according to the left-unmixed matrix and right-unmixed matrix. The Experimental results of show that this method can eliminate the correlation between the samples through the twice use of kernel independent components analysis, besides the recognition performance and the robustness of this method is better than the first method.【目录】分块核独立成分分析的人脸识别方法研究摘要4-5Abstract5目录6-8Contents8-10第一章绪论10-16 1.1 选题背景10-11 1.2 人脸识别的定义及研究内容11 1.3 人脸识别的发展阶段及研究现状11-14 1.3.1 发展阶段11-12 1.3.2 研究现状12-14 1.4 论文各部分主要内容14-16第二章独立成分分析16-23 2.1 引言16 2.2 独立成分分析16-20 2.2.1 独立成分分析的模型16-18 2.2.2 ICA模型估计方法18-20 2.3 基于ICA的人脸特征提取20-21 2.4 分类识别21-22 2.5 本章小结22-23第三章核独立成分分析23-28 3.1 引言23 3.2 核方法的基本原理23-25 3.2.1 核的定义23-24 3.2.2 核矩阵的定义及性质24 3.2.3 常用的核函数24-25 3.3 基于核独立成分分析的人脸特征提取25-27 3.4 本章小结27-28第四章基于列分块的核独立成分分析的人脸识别28-33 4.1 引言28 4.2 基于列分块的核独立成分分析的人脸识别28-31 4.2.1 列分块的基本思想28-29 4.2.2 特征提取算法29-30 4.2.3 分类识别30-31 4.3 试验结果比较及分析31-32 4.4 本章小结32-33第五章行列分块的核独立成分分析的人脸识别33-39 5.1 引言33 5.2 行列分块的核独立成分分析的人脸特征提取33-36 5.2.1 行列分块的基本思想33-34 5.2.2 特征提取算法34-36 5.2.3 分类识别36 5.3 试验结果比较及分析36-38 5.4 本章小结38-39结论39-40参考文献40-44攻读硕士学位期间发表的学术论文44-46致谢46。

基于曲波系数加权融合的人脸识别

基于曲波系数加权融合的人脸识别吉训生;沙威杰【摘要】为了提高人脸识别率和缩短识别时间,研究了基于曲波变换的人脸识别技术.考虑到传统曲波变换无法将多尺度多方向的曲波特征进行最优表示且其特征维数过大的缺点,提出了一种基于自适应加权融合的曲波变换和独立分量分析(ICA)的人脸识别算法.该算法通过曲波变换提取原始人脸图像的最优尺度和方向上的曲波系数,并对这些特征系数进行多方向上的融合,根据类别可分离性的判据原则对融合后的系数进行加权,以减少特征数量,提高处理速度;通过独立分量分析降维,将这些特征投影到更具表达力的空间,以获取有效特征,减少冗余信息,便于最近邻分类器进行人脸识别.基于在奥利维帝研究实验室(ORL)人脸库、Yale B人脸库和AR人脸库对该算法进行了测试,结果表明,其识别率分别达到98％、97％和98.57％,单幅图片的识别时间分别为65.43,158.94和20.37ms,从而验证了其实用性.【期刊名称】《高技术通讯》【年(卷),期】2015(025)005【总页数】6页(P463-468)【关键词】曲波变换;特征提取;独立分量分析(ICA);人脸识别;特征融合【作者】吉训生;沙威杰【作者单位】轻工过程先进控制教育部重点实验室(江南大学)无锡214122;轻工过程先进控制教育部重点实验室(江南大学)无锡214122【正文语种】中文人脸是生物特征中的一种，与虹膜、掌纹一样具有唯一性和不可复制性，这为身份鉴别提供了必要条件。

人脸识别技术具有结果直观、隐蔽性好等优点，在安防监控、人机交互、身份认证等方面应用较多，而且产生了一些优秀的识别算法。

人脸识别中，特征提取是最为关键的一个环节 [1-3]。

对人脸进行特征提取就是对人脸进行表示，一个良好的特征应具有识别率高和识别时间短的特点。

在过去的几十年里，各种多分辨率分析方法已被用来进行人脸的特征提取，如小波(wavelet)变换、Gabor变换、曲波(curvelet)变换等。

基于对称核主成分分析的人脸识别

（．０４００；２华中师范大学物理科学与技术学院，．武汉４０７）３０９
（通信作者电子邮箱ｄｌｓ６．ｏ）ａｕ＠１３ｃｉｎ
摘
要：了提高人脸识别技术的实用性，合人脸镜像对称性和核主成分分析提出了一种新的人脸识别方法。为结
ＬＵｏｇ ’ ，ＬＵＯｎ，ＺＨＡＮＧｏｐｉｇＩＳｎＭｉＧｕ — ｎ
（．ＣｌｇｆｒａｉｎｉｅｒｇａｅＩｓｔｔｆｒａｉａｉｅｎｈｂｉ４００ｈｎ；１ｏｌｅｏＩｏｍｔｎＥｇｎｅｉ，Ｈｂｉｎｔｕｔｎｌｉ，Ｅｉｅ４５０，ＣｉａｅｆｎｏｎｉｅｏＮｏｔｓｓＨｕ
中图分类号：Ｐ９．１Ｔ３１４文献标志码：Ａ
Ｆａｅｒｃｇｉｉｎｂａｅｏｙｍｅｒｃｌｋｒｅｒｎｉａｏｐｏｅｎｌｓｓｃｅｏｎｔｏｓｄｎｓｍｔｉａｅｎｌｐｉｃｐｌｃｍｎｎｔａａｙｉ
首先利用小波变换压缩人脸图像数据，获取小波分解的低频分量，通过镜像变换得到镜像偶对称图像和镜像奇对再
称图像，然后分别对奇偶对称图像进行核主成分分析提取奇偶特征，并且通过加权因子对奇偶特征进行融合，最后采用最近邻分类器分类。基于ＯＬ人脸数据库的实验结果表明：Ｒ该算法增大了样本容量，在一定程度上克服了光照、姿态的不利因素，高了人脸识别率。提关键词：人脸识别；镜像对称；特征提取；核主成分分析；最近邻分类器

基于独立成分分析和核向量机的人脸识别

１概述
主成分分析的方法被广泛地应用于人脸识别中，它依据输入数据构成的协方差矩阵，计算较大特征值所对应的特征向量，以此作为最佳投影方向。但该方法是基于信号二阶统
（ｃｏｌｆｏｕｅｃｎｅＸｉｎＳｉｏｎｖｒｉ， ’ ０５ＳｈｏｏｍｐｔＳｉｃ， ’ ｈｙｕＵｉｅｓｙＸｉｎ７６）Ｃｒｅａｔａ１０
［ｂｔａｔｈｓｐｐｒｐｏｏｅｎａｇｒｈｗｈｃｄｐｓＩｄｐｎｅｔＣｏｏｅｔａｙｉ１Ａ）ｔｘｒｃａｅｆａｕｅａｄＣｒｅｔｒＡｓｒｃ］ＴｉａｅｒｐｓｓａｌｏｉｍｉｈａｏｔｎｅｅｄｎｍｐｎｎｌｓｓＣｔＡｎ（ｏｅｔｔｌｃｅｔｒｎｏｅＶｃｏａ
征个数达到较高的识别准确率。利用核向量机进行分类判决，可以快速地对大样本数据进行准确分类，产生较少的支持向量。实验证明了该方法的可行性和有效性，在ＯＲＬ人脸数据库上达到了９．８４３％的准确率。关键词：人脸识别；独Ｊ成分分析；核向量机；支持向量机－
Ｍａｈｎｓｃｉｅ（ＣＶＭ）ｏｒｃｇｉＩｓｄｔｘｒｃｓｔｔａｉｄｐｎｅｔｅｔｒｎｏｄｒｓｌｃｎｂｅｅｖｄｂｅｅｔｇｒｈｅｔｒｔｅｏｎｚＣＡｉｕｅｏｅｔｔｔｉｉｌｎｅｅｄｎａｅａｄａｇｏｅｕｔａｅｒｃｉｅｙｓｌｉｉｔａｕｅｅｓａａｓｃｆｕｃｎｇｆｎｍｂｒ．ＶＭｓｄｔｌｓｉｅｆａｕｅａｄｉｃｎｈｎｌｌｒｅｄｔｔｍｏｅｑｉｌ．ｘｅｉｎａｓｌｏａｔｅａｇｒｈａｉｌｕｅｓＣｉｕｅｃｓｆｔｔｒｎａａｄｅａｇａｓｓｒｕｃｙＥｐｒｓｏａｙｈｅｔａｅｋｍｅｔｌｅｕｔｓｗｔｔｈｌｏｉｍｉｆｓｅｒｓｈｈｔｓｅｂｚ为

核主成分分析与典型相关分析相融合的人脸识别

核主成分分析与典型相关分析相融合的人脸识别金益;姜真杰【摘要】人脸识别具有小样本、高维等特性。

典型相关分析算法（CCA）无法准确提取人脸识别特征，不能准确刻画人脸图像的局部变化，导致人脸识别率低。

为提高人脸识别率，提出一种核主成分分析与典型相关分析相融合的人脸识别算法（KPCA-CCA）。

首先将人脸图像划分多个子模块，然后提取局部特征，同时采用KPCA提取全局特征，并采用CCA将两种特征进行融合，降低特征向量的维数，最后采用子模式进行人脸识别，以投票方式确定人脸的类别。

采用AR与Yale数据集对KPCA-CC性能进行测试，仿真结果表明，相对于对比模型，KPCA-CCA提高了人脸识别的识别率。

%Face recognition has the features of small sample and high-dimensionality.Canonical correlation analysis (CCA)can’t accu-rately extract the features of face recognition,nor accurately depicts the local variations of face image as well,which lead to low face recogni-tion rate.In order to improve the face recognition rate,in this paper we propose a novel face recognition algorithm which fuses kernel princi-pal component analysis and canonical correlation analysis (KPCA-CCA).First,it divides the face image into multiple sub-models and ex-tracts local features,meanwhile the KPCA is employed to extract global features,and then these two kinds of features are fused by CCA to re-duce the dimensionality of eigenvectors,finally the sub-models are used for face recognition,and the face type is determined by voting.The performance of KPCA-CCA has been tested by AR and Yale datasets,simulation resultsshow that it raises face recognition rate with respect to the reference model.【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)001【总页数】4页(P191-193,270)【关键词】人脸识别;典型相关分析;核主成分分析;子模型;特征融合【作者】金益;姜真杰【作者单位】苏州市职业大学计算机工程系江苏苏州215104;苏州市职业大学计算机工程系江苏苏州215104【正文语种】中文【中图分类】TP391特征提取是人脸识别的重要组成部分，其目标是从众多特征选择最有效的特征，消除无效特征对后继人脸识别的不利影响，因此提取最优人脸特征成为人脸图像处理研究中的一个重要课题。

基于多域特征提取和决策层融合的人脸识别

基于多域特征提取和决策层融合的人脸识别胥松寿;齐林;高磊【摘要】为了提取人脸图像丰富、有效的互补特征集，建立三种基于空域、频域和u域（分数阶傅立叶域）的特征提取模型，分别为基于局部二元模式（ LBP）的空域多分辨率特征提取模型与基于频域和u域混合特征提取模型。

在决策层，用加权和的方法对三种模型得到的相识度矩阵进行融合得到总的相识度矩阵，用最近邻分类器进行分类得到识别结果。

实验表明，该方法能提取出丰富、有效的判别特征，与基于单一特征形式的人脸识别方法相比，识别效果得到了较高的改善。

%To extract rich and effective complementary feature sets of face images, three kinds of feature extraction models are built based on spatial domain, frequency domain and u domain ( fractional Fourier domain) respectively, they are the multi-resolution feature extraction model based on local binary patterns ( LBP) for spatial domain, the hybrid feature extraction models for frequency domain and u domain.On decision level, the weighted sum rule is used to fuse three similarity matrices generated with three models to derive general similarity matrix, and then the nearest neighbour classifier is used for classification to get the recognition result.Experiments show that this method can extract rich and effective discriminant pared with face recognition method based on single feature extraction process, its recognition performance is improved noticeably.【期刊名称】《计算机应用与软件》【年(卷),期】2014(000)011【总页数】6页(P170-174,263)【关键词】多域特征提取;局部二元模式;二维分数阶傅立叶变换;决策层融合;人脸识别【作者】胥松寿;齐林;高磊【作者单位】郑州大学信息工程学院河南郑州450052;郑州大学信息工程学院河南郑州450052;郑州大学信息工程学院河南郑州450052【正文语种】中文【中图分类】TP391.41人脸识别是一种利用计算机分析人脸图像，从中提取有效信息并进行自动鉴别的技术，在安全系统及人机交互方面的应用非常广泛，已成为计算机视觉和模式识别领域的重要研究课题之一。

基于第二代曲波的人脸识别算法研究

基于第二代曲波的人脸识别算法研究赵庆敏;辜道平【摘要】In order to improve the effect of the face recognition, the application of the second generation curvelet method on it is studied in depth. First, the basic theory of the second generation curvelet method is analyzed. And then the weight algorithm based on second generation curvelet method is analyzed. And the face recognition algorithm based on second generation curvelet method and two dimension principal component analysis methods are proposed. Finally, the face recognition simulation experiment is carried out for the ORL and Yale face databases, and the results show that the improved algorithm has higher recognition rate and less recognition time.%为了能够提高人脸识别的效果,深入地研究了第二代曲波在人脸识别中的应用.首先,分析了第二代曲波的基本理论.其次,分析了基于第二代曲波变换的加权算法.然后,分析了基于第二代曲波加权的双向二维主成分分析人脸识别算法.最后,进行了算例分析,对ORL和Yale人脸数据库的人脸图像进行了人脸识别仿真实验,实验结果表明改进的算法具有识别率高和识别时间短的优点.【期刊名称】《湖南师范大学自然科学学报》【年(卷),期】2013(036)001【总页数】6页(P28-33)【关键词】第二代曲波;人脸识别算法;识别率【作者】赵庆敏;辜道平【作者单位】南昌大学信息工程学院,中国南昌330031;南昌大学信息工程学院,中国南昌330031【正文语种】中文【中图分类】TP317.4人脸识别属于一种生物特征识别技术，在安防监控、用户认证、人机交互等方面有着非常广泛的应用[1]．人脸识别算法已经得到广大科学家的普遍关注，并且产生了许多优秀的人脸识别算法，例如，特征脸算法，二维主成分分析算法，基于四元数Gabor小波的彩色人脸识别算法[2]等．二维主成分分析算法直接计算图像协方差矩阵的特征向量，能够准确地计算协方差矩阵[3]．二维主成分分析算法的主要不足之处就是需要较多的系数来进行图像表征，因此，该算法得到了改进，加权变形的二维主成分分析人脸识别算法及改进的模块二维主成分分析人脸识别算法[4]．双向二维主成分分析法可以同时利用行和列上的投影矩阵，在利用较少的图像表征系数的前提下可以获得与二维主成分分析法相同或者更高的识别率[5]．基于小波加权的双向二维主成分分析人脸识别算法是比较优秀的一种人脸识别技术，通过小波变换对人脸图像进行小波分解，对低频子带加权后将低频子图代替原始人脸图像，不仅能够降低数据维数，而且能够抑制随机噪声[6-7]．小波变换通常被称为“数学显微镜”，具有多分辨率的特点，已经被成功地应用于人脸识别算法中，然而小波变换不具有各向异性的特点，仅仅能反映一维信号中奇异点的性质，进而无法表达二维图像的“沿”边缘特征[8]．Candès和Donoho提出的曲波变换的在很大程度上弥补了小波变换的缺陷，能够较好地表示直线奇异和曲线奇异特征[9]，但是第一代曲波的实现过程具有较高的时间复杂度，而且容易出现较大的数据冗余量．因此，Donoho等人于2005年又提出了第二代曲波变换[10]．第二代曲波以其良好的细节表达能力可以有效地应用于人脸识别算法中，但是非线性变换过程中需要对多个参数进行调节，进而增加了人脸识别的复杂性.同时，变换函数在进行第二代曲波系数变换时没有考虑到尺度不同分布特征不同的特点，在人脸识别时存在着一定的缺陷．为了能够提高人脸识别的效果，提出了一种改进的基于第二代曲波加权的双向二维主成分分析人脸识别算法．1 第二代曲波的基本理论设在笛卡尔坐标系统下的输入为f(t1,t2)，0≤t1,t2≤n，第二代曲波变换的离散形式可以表示为如下的形式[11]：式中，表示第二代曲波函数．选取一带通函数并且进行如下的定义：对于任意一个ω=(ω1,ω2)，ω1>0，有如下公式成立：Vj(Sθlω)=Vj(2⎣j/2」ω2/ω1-l)， j>0,式中，⎣j/2」表示j/2的整数部分，Sθl表示剪切矩阵：式中:tanθl=l·2⎣j/2」，l=-2⎣j/2」,-2⎣j/2」+1,…,2⎣j/2」-1．θl的斜率是等间距的，对于每个θl∈[-π/4,π/4]，有如下公式：2 基于第二代曲波变换的加权算法2.1 Wrapping算法的基本原理Candès和Donoho设计了2种快速离散曲波算法，一种是USFFT算法，另外一种是Wrap算法．基于Wraping的快速离散曲波变换算法如下[12]：(1)在给定笛卡尔坐标系下，对二维函数做2D FFT变换所得到的二维频域表示为(2)对于频域中的每一对(j,l)，重新对采样，可以获得如下的采样值(3)窗函数和内插后的乘积可以表示为(4)围绕原点Wrap局部化(5)对上一步结果进行2D IFFT变换，可获得离散曲波因子的集合cD(j,l,k)．图1 Wrapping快速离散曲波变换的原理图 Fig.1 Theory diagram of Wrapping fast discrete curvelet transformerWrapping算法的核心思想如下[13]：利用频率周期化技术将任意区域映射到原点的仿射区域中，形成一一对应的映射；2D IFFT变换通过把图1的椭圆从原点开始进行映射，从而获得矩形区域，此时，可以利用二维数组表达．Pj,l表示一个平行四边形，含有局部窗口的支撑，对于不同的尺度j均对应2个恒定不变的数L1,j～2j和L2,j～2j．所以，针对不同的方位θl，经过复合变换Pj,l(主要包括水平方向L1,j和垂直方向L2,j)将二维平面分块．对窗口数据d[n1,n2]进行周期化，可以得到如下的方程：式中，2.2 改进的第二代曲波非线性加权算法基本的Wrapping人脸识别方法存在2个缺陷：(1)图像信息通常位于边缘，利用第二代曲波进行降噪时由于其具有平移不变性，将导致系数的“过扼杀”，从而使图像边缘产生“振铃”效应．(2)由于曲波变换具有“楔形基”的特性，因此变换因子具有一定的相关性，当系数变化时将改变空域中一条直线上的全部值，因此使图像失真．针对以上缺陷，建立基于第二代曲波的图像加权算法，算法流程如下所示：步骤1：利用下式对二维图像进行归一化：步骤2：图像经过归一化处理以后，按照直方图的图像分类确定Beta函数中的参数α和β，并且进行如下的变换：g′(i,j)=F(g(i,j)),式中，F(·)表示非完全Beta函数变换．步骤3：对g′(i,j)进行反归一化处理，获得相应的图像x(i,j)．步骤4：利用第二代曲波变换对图像x(i,j)进行分解；步骤5：分解后的低频和中频曲波系数利用如下的公式进行非线性变换：对分解后的高频曲波系数利用软阈值函数做降噪处理，软阈值函数可以表示如下：式中，为阈值大小;N×M表示图像的大小;σ表示噪声标准差;sign(·)表示符号函数;Ci,j表示曲波系数．步骤6：做第二代曲波反变换获得人脸识别结果图像x′(i,j)．3 基于第二代曲波加权的双向二维主成分分析人脸识别算法设低频人脸图像的训练样本数为N，类别数为C，第i类人脸图像Fi的样本数为Mi，Fil表示人脸图像的第i类第l个样本，人脸图像低频部分的尺寸为m×n，利用第二代曲波加权算法可以获得重构的低频人脸图像所有低频人脸图像的均值可以利用如下公式获得：双向二维主成分分析算法主要包括两个部分，分别是行二维主成分分析算法和列二维主成分分析算法[14]．首先，双向二维主成分分析算法从体现人脸图像行间信息的训练样本中获得最优矩阵Y，接着，把m×n的人脸图像投影到最优矩阵Y，最终可以获得m×d的矩阵，可以表示如下的公式：其次，利用相同的方法，行列二维主成分分析算法从一组能够体现人脸图像列间信息的训练样本中获取最优矩阵P，接着，将m×n的人脸图像投影到最优矩阵P，从而可以得到如下的q×n矩阵：最后，将m×n的人脸图像同时投影到Y和P上，最终能够获得一个q×d的矩阵L，可以表示为如下的形式：式中，L表示系数矩阵.用来重构人脸图像可以表示如下的形式式中，L表示人脸识别的特征矩阵．样本的分类利用最近邻域准则[15]来实现.对于给定的测试样本A，可以计算出相应的特征矩阵L．对于每一个低频人脸图像将其投影到Y和P可以获得训练特征矩阵Lk．最后，利用如下的公式计算出Lk和L的距离如果并且满足Lk∈ωi(ωi表示第i个类别)，则识别结果为L∈ωi．4 实验结果及分析为了能够验证算法的有效性，从ORL和Yale人脸数据库选取人脸图像样本，ORL 人脸数据库的基本信息为：人脸总数为400张；共分类40类，图像尺寸为112×92，影响人脸识别的因素为表情、饰物和姿势．Yale人脸数据库的基本信息：人脸总数为165，一共有15类，图像的尺寸为100×100，影响人脸识别的因素有表情，光照、饰物和姿势．样本图像如图2和图3所示．图2 ORL人脸数据库的样本图像图3 Yale人脸数据库的样本图像Fig.2 Sample diagram of OLR face database Fig.3 Sample diagram of Yale face database为了能够验证该算法的有效性，分别利用小波加权双向二维主成分分析算法和第二代曲波加权的双向二维主成分分析算法对以上两个人脸数据库进行人脸识别．在实验前，对所有人脸的数据进行归一化处理，在实验过程中对特征向量进行单位化处理．在ORL人脸数据库选取150张人脸图像作为训练集合，其余250张人脸图相作为测试集合．在Yale人脸数据库选取60张人脸图像作为训练集合，其余105张图像作为测试集合．在不同的特征矩阵的维数下，分别任意地进行20次实验，仿真实验利用MATLAB软件实现，相应的实验结果见表1和表2．其相应的人脸识别仿真曲线如图4和图5所示，表及图中的识别率为20次实验的平均识别率．表1 ORL人脸数据库的性能仿真结果Tab.1 Performance simulation results of ORL face database算法特征向量维数=4特征向量维数=8特征向量维数=16识别率/%识别时间/s识别率/%识别时间/s识别率/%识别时间/s小波加权双向二维主成分分析算法75.450.540 394.260.558 692.470.545 4第二代曲波加权的双向二维主成分分析算法83.180.394 598.280.431 596.480.413 3表2 Yale人脸数据库的性能仿真结果Tab.2 Performance simulation results of Yale database算法特征向量维数=4特征向量维数=12特征向量维数=20识别率/%识别时间/s识别率/%识别时间/s识别率/%识别时间/s小波加权双向二维主成分分析算法79.250.264 891.590.350 690.840.318 4第二代曲波加权的双向二维主成分分析算法81.370.255 698.230.301 593.960.294 6从表1和表2的结果可以看出，对于ORL人脸数据库，特征向量维数为8时，第二代曲波加权的双向二维主成分分析人脸识别算法的平均识别率最高，可以获得较好的人脸效果，识别时间最少，因此具有较好的算法优势．Yale人脸数据库，当特征向量维数为12时，平均最佳识别率最高，并且所用的识别时间也最短，因此，第二代曲波加权的双向二维主成分分析算法明显优越于小波加权双向二维主成分分析算法．图4 ORL人脸数据库的识别仿真曲线图5 Yale人脸数据库的识别仿真曲线Fig.4 Identifying simulation curve of ORL face database Fig.5 Identifying simulation curve of Yale face database从图4和图5可以进一步看出，第二代曲波加权的双向二维主成分分析算法在人脸识别率上明显优越于小波加权双向二维主成分分析算法．5 结论将改进的基于第二代曲波加权的双向二维主成分分析算法应用于人脸识别中，建立了算法流程．以ORL人脸数据库和Yale人脸数据库为例进行了仿真分析.仿真结果表明，改进的人脸识别算法具有较好的人脸识别效果，与传统的人脸识别算法相比，不仅提高了识别率，而且缩短了识别时间，在人脸识别中具有广阔的应用前景．参考文献：[1] 李苗在，谷海红. 人脸识别研究综述[J]. 电脑知识与技术, 2011,7(24):5992-5994.[2] 郎方年，周激流. 四元数矩阵正交特征向量系的求解方法及其在彩色人脸识别中的应用[J]. 自动化学报, 2008,34(2):121-129.[3] YANG J, ZHANG D, FRANGI A F, et al. Two-dimensional PCA: A new approach to appearance-based face representation and recognition[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence, 2004,26(1):131-137.[4] 贲晛烨，安实，王科俊,等．改进的完全二维主成分分析及其在步态识别中的应用研究[J]. 计算机应用研究， 2011,28(6):2088-2091.[5] ZHANG D Q, ZHOU Z H. (2D)2PCA: Two-directional two-dimensional PCA for efficient face representation and recognition[J]. Neurocomputing, 2005,69(1-3):224-231.[6] 彭义刚，谢旭东，徐文立,等. 基于小波变换的人脸识别技术综述[J]. 测控技术, 2009,28(5):7-10.[7] 曹雪. 小波理论在人脸识别中的应用研究[D]. 南京：南京理工大学， 2012.[8] 焦李成. 图像多尺度几何分析[M]. 西安: 西安电子科技大学出版社， 2008.[9] CANDS E J, DONOHO D L. Curvelet-A surprisingly effective nonadaptive representation for objects with edges[C]//Curve and Surface Fitting: Saint-Malo 1999[M]. COHEN A, RABUT C, SCHUMAKER L L. Nashville, TN: Van-derbilt Univ. Press, 1999.[10] CANDS E J, DEMANET L, DONOHO D L. Fast discrete curvelet transforms[R]. Applied and Computational Mathematics. California: California Institute of Technology, 2005.[11] 王宪，慕鑫，张彦,等. 基于曲波域与核主成分分析的人脸识别[J]. 光电工程, 2011,38(10):98-102.[12] 闰敬文，屈小波. 超小波分析及应用[M]. 北京：国际工业出版社， 2008.[13] 贾西贝. 基于曲波变换的人脸识别算法研究[D]. 哈尔滨：哈尔滨工程大学，2011.[14] 李童. 基于改进的2DPCA人脸识别方法研究[J]. 重庆工商大学学报:自然科学版, 2012,29(4):45-49.[15] CHIEN J T, WU C C. Diseriminant wavelet faces and nearest feature classifiers for face recognition[J]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2002,24(12):1644-1649.。

基于曲波变换和Retinex人脸光照处理算法

基于曲波变换和Retinex人脸光照处理算法宋书林;张彦;王宪;毛琪波【期刊名称】《计算机工程与应用》【年(卷),期】2013(049)003【摘要】针对光照对人脸识别影响问题,提出了一种基于曲波变换和Retinex人脸光照处理的算法.该算法对光照变化人脸对数变化后的图片进行曲波变换(Curvelet)；利用Kimmel变分模型作为平滑滤波算子对低频图像进行平滑滤波,对高频系数进行阈值去噪.通过曲波逆变换得到光照亮度成分图像；利用Retinex模型提取光照不变成分.通过Yale B与CMU PIE人脸库的实验结果表明:该算法能有效地消除光照变化对人脸识别的影响并提高人脸识别率.%An illumination processing method based on Curvelet transform and Retinex model is proposed tothe problem of the illumination impact on the face recognition. The method performs Curvelet transform in the logarithm domain of the illumination variation face images. The Kimmel variational method is used as smoothing filter operator to smooth the low-frequency image. The threshold denoising is used in the high-frequency coefficients. The illumination brightness composition can be obtained by inverse Curvelet transform. The Retinex model is used for illumination invariant extraction. Experimental results from Yale B and CMU PIE databases show that proposed method can effectively eliminate the effect of varying illumination on face recognition and improve the rate of face recognition.【总页数】4页(P171-173,177)【作者】宋书林;张彦;王宪;毛琪波【作者单位】江南大学轻工过程先进控制教育部重点实验室,江苏无锡214000;江南大学轻工过程先进控制教育部重点实验室,江苏无锡214000;江南大学轻工过程先进控制教育部重点实验室,江苏无锡214000;江南大学轻工过程先进控制教育部重点实验室,江苏无锡214000【正文语种】中文【中图分类】TP391.41【相关文献】1.基于Retinex的人脸光补偿算法研究 [J], 李孟歆;李东昊;张锐;宋晓丽2.基于稀疏差分和Mean-Shift滤波的Retinex算法在人脸识别中的应用 [J], 陈莉;龙光利3.基于一维经验模式分解与梯度脸的人脸光照处理算法 [J], 何雪;杨志军;熊文怡;聂祥飞4.基于多尺度Retinex算法结合PCA特征加权的人脸识别方法 [J], 于梦;云利军;李艾瞳5.基于一维经验模式分解与梯度脸的人脸光照处理算法 [J], 何雪;杨志军;熊文怡;聂祥飞因版权原因，仅展示原文概要，查看原文内容请购买。

基于核独立成分分析和 BP 网络的人脸识别

２００７，４３（２６）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用１引言人脸的自动识别是模式识别领域中的一个十分活跃的课题，自２０世纪９０年代初开始得到高度的重视。

它现已广泛地应用于公安系统的罪犯身份识别、驾驶执照及护照等与实际持证人的核对、银行和海关的监控系统及自动门卫系统等领域。

在９１１恐怖袭击事件以后，全世界掀起了新一轮的身份识别研究热潮，其中一个非常重要的课题就是人脸识别。

人脸识别一般包括三个步骤：人脸检测、人脸特征提取、人脸识别与验证。

也有人对此进行了扩展，在以上三个步骤的基础上，增加了前期校正与规范化、以及后期分类与管理这两个步骤。

由于本论文所用英国剑桥大学Ｏｌｉｖｅｔｔｉ实验室的人脸数据库进行实验，因此不存在人脸检测这个步骤。

目前已存在很多种人脸特征提取算法，大多数是采用无监督统计方法。

这些无监督统计方法找出一组人脸基图像，然后用这组基图像的线性组合来表示人脸图像。

主成分分析（ＰＣＡ）就是这种方法中比较受欢迎的一种。

但是这种方法只基于数据的二阶统计信息，忽略其高阶统计信息。

而在人脸识别这样的应用中，识别所需要的重要信息可能包含数据间的高阶统计关系，因此采用对这些高阶信息敏感的特征能获得更好的识别效果。

核独立成份分析（ＫＩＣＡ）是这种高阶统计方法中的一种。

在独立成份分析中，数据的二阶和高阶的统计信息都能得到利用，并能消除数据的高阶相关性。

因此本文采用ＫＩＣＡ作为提取特征的方法。

设计一个好的分类器是解决人脸识别问题的两个关键之一。

常用的人脸识别分类器有最近邻分类器、最小距离分类器与人工神经网络分类器等。

ＢＰ神经网络是应用最广泛的一种人工神经网络，在各门学科领域中都具有很重要的实用意义，其学习能力和容错能力对不确定性模式识别具有独到之处，因此本文用ＢＰ神经网络作分类器。

２特征提取２．１独立成分分析方法概述独立成分分析方法是由法国学者Ｈｅｒａｕｌｔ和Ｊｕｔｔｅｎ于１９８５年提出的［１］，它是一种非常有效的盲源分离技术（ＢｌｉｎｄＳｏｕｒｃｅｓＳｅｐａｒａｔｉｏｎ，ＢＳＳ）。

基于核独立成分分析和BP网络的人脸识别

基于核独立成分分析和BP网络的人脸识别
陈玉山;席斌
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(43)26
【摘要】用基于非线性子空间的核独立成分分析方法(KICA)对人脸图像进行特征提取,用三层的BP网络作为分类器,对人脸进行识别.在简单介绍基本的独立成分分析(ICA)的基本原理的基础上,对KICA的原理和算法作了详细的描述,并详细介绍了三层BP网络的设计.最后为了验证KICA+BP网络的效果,进行对比实验和分析.实验和分析的结果表明,在人脸识别中,该方法的效果明显好于其它方法.
【总页数】3页(P230-232)
【作者】陈玉山;席斌
【作者单位】厦门大学,信息科学与技术学院,自动化系,模式识别与智能系统,福建,厦门,361005;厦门大学,信息科学与技术学院,自动化系,模式识别与智能系统,福建,厦门,361005
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于独立成分分析和核向量机的人脸识别 [J], 彭中亚;程国建
2.基于核独立成分分析的人脸识别研究 [J], 尹克重;龚卫国;李伟红;梁毅雄;张红梅
3.一种基于独立成分分析和径向基神经网络的人脸识别新方法 [J], 范燕;祁云嵩;宋
晓宁
4.基于多遗传算法的BP神经网络人脸识别 [J], 曾坤;姜志侠
5.一种基于改进PCA和BP神经网络的人脸识别算法 [J], 岳也;王川龙
因版权原因，仅展示原文概要，查看原文内容请购买。