万方数据
万方数据
万方数据
万方数据
万方数据
万方数据
基于增强Gabor特征和直接分步线性判别分析的人脸识别
作者：邹建法， 王国胤， 龚勋， ZOU Jian-Fa， WANG Guo-Yin， GONG Xun
作者单位：邹建法,王国胤,ZOU Jian-Fa,WANG Guo-Yin(重庆邮电大学,计算机科学与技术研究所,重庆,400065)， 龚勋,GONG Xun(西南交通大学,信息科学与技术学院,成都,610031)
刊名：
模式识别与人工智能
英文刊名：PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE
年，卷(期)：2010，23(4)
被引用次数：0次
参考文献(17条)
1.Turk M.Pentland A Eigenfaces for Recognition 1991(1)
2.Belhumeur P N.Hespanda J.Kriegeman D Eigenfaces vs.Fisherfaces:Recognition Using Class Specific Linear Projection 1997(7)
3.Bartlett M S.Movellan J R.Scjnowski T J Face Recognition by Independent Component Analysis 2002(6)
4.Lu J.Phtaniotis g N.Venetsanopoulos A N Face Recognition Using LDA-Based Algorithms 2003(1)
5.Porat M.Zeevi Y The Generalized Gabor Scheme of Image Representation in Biological and Machine Vision 1988(4)
6.Wiskott L.Fellous J M.Kruger N Face Recognition by Elastic Bunch Graph Matching 1997(7)
7.Liu Chengjnn.Wechsler H Cabot Feature Based Classification Using the Enhanced Fisher Linear Discriminant Model for Face Recognition 2002(4)
8.张文超.山世光.张洪明基于局部Gabor变化直方图序列的人脸描述与识别方法 2006(12)
9.Shen Linlin.Bai Li Mutual Boost Leaming for Selecting Gabor Features for Face Recognition 2006(15)
10.龙飞.董槐林.王备战.史亮一种基于Gabor描述的概率子空间人脸识别方法 2007(3)
11.Yu Hna.Yang Jie Direct LDA Algorithm for High Dimensional Data with Application to Face Recognition 2001(10)
12.Lotlikar R.Kothari R Fractional-Step Dimensionality Reduction 2000(6)
13.Lu Juwei.Plataniotis K N.Venetsanopoulos A N Regularizatian Studies of Linear Discriminant Analysis in Small Sample Size Scenarios with Application to Face Recognition 2005(2)
14.边肇祺.张学工模式识别 2000
15.Yale University Center for Computational Vision and Control The Yale Face Database 2009
16.AT&T Laboratories Cambridge The ORL Database of Faces 2009
17.Georgia Institute of Technology The Georgia Tech Face Database 2009
相似文献(10条)
1.学位论文李伟红基于支持向量机的人脸特征选择及识别研究2006
人脸识别实质是稀疏超高维空间、典型的小样本模式识别问题。解决这类问题的关键在于如何获得对分类有意义的特征。特征选择的评价将取决于其分类识别的能力。一种好的特征选择方法应该使所选择的特征子集即使采用最普通的分类器也可以获得较好的分类结果。特征选择需要解决两个问题，一个是特征选择的判据或评估判据问题；另一个是特征搜索策略问题。
本论文首先对支持向量机(Support Vector Machine,SVM)的基本理论及相关的核心技术-最优化理论、核函数特征空间、泛化性理论进行了分析、研究。其次，对特征选择基本方法-嵌入式(Embedded)、过滤式(Filter)和封装式(Wrapper)特征选择模型的特性、特征选择评估判据以及启发式特征搜索方法进行了研究。针对人脸识别问题，提出将小波变换及核主元分析（KPCA）作为Filter特征选择模型，将SVM作为Wrapper特征选择模型。并基于Filter和Wrapper特征选择模型提出了复合的人脸特征选择及识别新框架以及技术解决方案。
本论文在提出的新方案中，对以SVM为核心的Wrapper特征选择模型中的特征评估判据问题进行了重点研究。
(1) 提出将支持向量对分类的贡献取决于SVM训练中具有最小间隔的支持向量原则作为特征评估判据首次用于人脸特征选择。这样，通过GSFS特征搜索策略，从而在一定分类误差阈值下得到优化的人脸特征子集。在ORL、IITL及UMIST人脸图像库上的实验表明，无论在特征维数的降低、分类识别率的性能及分类识别速度方面都有不同程度的改善。
(2) 提出将半径/间隔 作为Wrapper特征选择模型的特征评估判据首次用于人脸特征选择，在基于SVM RFE的特征搜索策略中引入缩放因子并用梯度
法代替贪婪搜索法，这种方法将有利于提高人脸识别的泛化能力。这种方法在UMIST人脸图像库上的实验表明，同样可以在保持分类识别率不变的情况下，大幅度降低特征维数，提高分类识别的速度。
(3) 提出将最小化正则化风险( )作为特征评估判据，通过SVM RFE搜索策略获得优化的特征子集，并首次用于人脸特征选择。这种方法可以有效的抑制特征选择及识别过程中“过学习”问题，调和学习能力与推广性能力间的矛盾，对解决人脸识别的小样本问题更有效、合理。这种方法分别在两个FERET人脸图像子库上进行了相应的实验，结果表明：与传统的特征选择方法相比，均能大幅度降低特征维数，提高分类识别速度，同时分类识别率也有所提高。
(4) 根据Sample-margin和Hypothesis-margin的定义分别对相关特性进行了分析。提出通过WT对人脸特征进行压缩后，基于上述不同的Margin对人脸原始特征集中的各单特征进行权重分析，在SBS特征搜索策略中剔除权重较小的特征，当达到需要的特征维数或分类误差达到一定的阈值时，输入SVM多项式分类器进行人脸识别。实验在具有光照、表情和姿态等变化较大的FERET人脸图像子库上对基于Sample-margin、Hypothesis-margin的特征选择方法与ReliefF特征选择方法进行了比较。获得了在不同特征维数，不同特征选择方法下相应的分类实验结果，并显示了这种方法的优越性。
首次提出将SVM超参数调节思想贯穿于基于Filter和Wrapper模型的人脸特征选择及识别的过程中。超参数调节可以理解为对相应特征空间的调节
，通过具有最佳超参数的核函数将人脸原始特征映射到能更好的描述人脸特征的特征空间。本论文在上述(1)-(4)中提出的不同特征选择及识别方法中，均融入了超参数调节思想。对不同人脸图像库，不同特征选择及识别方法的实验证明，所提出的超参数调节方法具有共通性。
本论文的创新点为：
1）提出了基于Filter特征选择模型（WT、KPCA）及Wrapper特征选择模型（SVM）的人脸特征选择及识别框架。这种框架是以分类为目的，可以避免子空间方法（如PCA、KPCA）在特征维数压缩后以能量大小进行特征选择的缺陷。在解决具有较大光照、时间跨度及修饰的人脸识别问题时比传统的方法有较大的改善。
2) 将4个不同的特征评估判据首次用于人脸特征选择及识别（第(4)除外）：将具有最小间隔的单特征或特征组合作为特征评估判据；将基于权重矢量 和半径/间隔 作为特征评估判据，通过缩放因子法和梯度算法优化SVM RFE搜索策略；将RRM作为特征评估判据，基于SVM RFE搜索优化特征子集；将Sample-margin和Hypothesis-margin作为特征评估判据，对SBS特征搜索策略进行改进。
3) 首次提出在人脸特征选择及识别整个过程中，融入SVM超参数调节思想，使特征选择及识别过程更加有效。
2.期刊论文霍颖瑜.HUO Yin-yu PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用-佛山科学技术学院学报
（自然科学版）2007,25(1)
在人脸识别中,基于PCA和粗糙集的联合自寻优特征选择算法首先利用PCA对人脸图像进行人脸特征的提取和约简,在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合.实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量,还有效的提高了人脸识别的正确率和减少了识别时间,并且对于一定范围内的不同取样的训练具有一定的稳定性.
3.学位论文李新基于进化特征选择的人脸识别算法研究2007
人脸识别是模式识别和机器视觉领域最富挑战性的研究课题之一，也是近来的一个研究热点。在人脸识别中，人脸图像特征往往是高维向量，这不但使得算法计算开销(包括时间开销和空间开销)大，而且由于高维特征中可能带有冗余信息，甚至干扰信息，从而降低了算法识别性能。特征选择方法可以有效降低数据的维数，进而降低识别算法的计算开销。此外，通过选择那些使分类效果最好的特征子集，可以有效提高算法的识别准确率。因此研究特征选择方法对人脸识别具有重要的意义。
本文研究了人脸识别中的特征提取与特征选择问题，重点研究了基于进化特征选择的人脸识别方法。论文的主要工作和创新之处包括：
(1)研究并实验比较了人脸识别特征子空间方法中几种主要方法的性能，包括FisherFace方法、直接线性鉴别分析方法、零空间线性鉴别分析方法、共同鉴别矢量方法和全空间线性鉴别分析方法。
(2)研究并实验比较了遗传算法、分布估计算法中的单变量边缘分布算法和量子遗传算法求解0～1背包问题时的性能表现。
(3)提出了一种基于单变量边缘分布估计算法进化选择的全空间线性鉴别分析算法。在全空间线性鉴别分析算法基础上，充分利用类内离散度矩阵零空间和非零空间的有效鉴别信息，在类内离散度矩阵全空间中采用单变量边缘分布估计算法进化选择策略，搜索出一组最具有鉴别信息的空间矢量子集。在ORL和FERET标准人脸数据库上的实验结果表明，在最小距离分类器下，该方法性能优于其他线性鉴别分析算法。
(4)提出了一种基于量子遗传算法进化选择的核主成分分析算法。在核主成分特征矢量空间中，采用量子遗传算法进行最优特征子集搜索，同时对三种不同适应度定义情况下的算法性能进行比较。在ORL标准数据库上的实验结果表明，该方法优于传统的KPCA算法。
4.学位论文谭晓阳单训练样本条件下基于自组织神经网络的鲁棒人脸识别技术研究2005
人脸识别系统以其方便、非侵入的特点受到军事、商业、安全、信息等多个应用领域的青睐。但是，由于人脸的外观总是处于不断的变化之中，一般的无约束环境下的人脸识别问题远未解决。本文重点研究了单训练样本下的鲁棒人脸识别问题。所谓单训练样本是指在某些应用场合（如公安数据库）每个人只有一张训练图像的一种样本极端稀缺的情形。这问题的解决，不仅有助于提高人脸识别系统的可用性，也有助于解决模式识别中极端小样本问题。
本文从局部方法入手，以自组织神经网络（SOM）为基本工具，从不同的角度（保持局部特征的拓朴结构、结合局部和全局信息、提取重要的局部区域、改进相似度计算方式）寻找解决上述问题的途径，获得了一些成果。本文的主要贡献总结如下：
（1）从人脸图像的局部特征组表示出发，提出了一个基于SOM投影和软最近邻决策的人脸识别计算模型（SOM-face），为少量训练图像情形下的人脸识别提供了一个新的思路。其主要优点是：①支持单人单幅训练图像情形下的人脸识别，②无需构造额外虚拟样本，特征提取方法简单，且在训练结束后能够对人脸进行快速和稳定的识别，③具有一定的鲁棒性，在图像缺失较为严重及姿态角度变化较大时仍能获得高于传统PCA方法的识别率，④利用SOM的可视化能力，对高维人脸数据在低维拓朴空间中的投影进行可视化，有望获得对高维人脸数据类别分布的更为深入的直观理解，⑤SOM-face实际上可视为一种低存储量的人脸表示形式，在一些存储容量极为有限的应用（如Smart Card）场合，它可作为一种有效的存储形式。
（2）从一个新的视角来研究SOM输出空间的统计特征，将文本分析中的有关思想引入到人脸识别领域，得到一种自动区分人脸图像重要区域的方法，并基于各局部区域的相对重要性进行特征选择，为研究者提供了一条新的、对高维图像进行特征选择的途径。在两个国际标准人脸库上的实验表明
，所提出的方法在不降低识别性能的前提下最多可压缩80％的测试集子块，从而有效降低了样本所需存储空间。
（3）探讨了将局部特征和全局特征进行组合而提高人脸识别系统性能的可能性。在两个标准人脸数据库（AR、FERET）上进行的实验表明，局部特征和全局特征的组合是可行的。代表局部特征的SOM-face算法和代表全局特征的Eigenface算法的组合，在所有的实验中均一致地提高了识别系统对表情、光照、姿态的鲁棒性，获得了比单独使用SOM-face或Eigenface时更好的识别效果。
（4）将核方法引入到单训练样本人脸识别中，从而自然地将非欧氏距离度量嵌入输入空间，提高了对噪声的抗干扰能力和对非线性数据的泛化能力。算法的有效性在FERET数据集上得到了证实。
（5）提出了一种基于部分距离的非规范相似度计算方法。该方法以图像局部化为基础，自动选择最为相似的局部特征来进行人脸识别，这一方面符合人们对相似度判定的方法，另一方面能够有效避免噪
声干扰，提高模式分布的内聚性，从而提高模式分类的泛化能力。在AR和FERET数据库上的实验均证实：①所提方法能够有效提高单训练样本条件下系统的识别率，口在自动选出的少量最相似局部特征中包含了识别所需的大部分判别信息，口最相似局部特征中包括了人脸中不易变化的局部特征（如人脸轮廓信息），而排除了易变的特征（如嘴唇、眼部信息）。
5.会议论文范志刚.吕宝粮基于迭代特征选择的快速多角度人脸识别2005
针对快速多角度人脸识别问题,提出了一种利用支持向量机实现迭代特征选择的方法.根据特征选择和多类分类任务之间的统计关系,将这两个任务集成到一个统一的框架中,从而更有效地完成特征选择.这种迭代特征选择方法的特点是能在不降低泛化能力的情况下大大加快分类速度.在UMIST多角度人脸数据库上的实验结果验证了所提方法的有效性。
6.学位论文霍颖瑜PCA和粗糙集的联合自寻优特征选择在人脸识别中的应用2005
随着社会的发展，各个方面对快速有效的身份验证的要求日益迫切。由于生物特征是人的内在属性，具有很强的自身稳定性和个体差异性，因此是身份验证的理想依据。其中利用人脸特征又是最自然直接的手段，相比其他生物特征，它具有直接、友好、方便的特点，易于为用户接受。从而，人脸
识别吸引了越来越多来自计算机视觉和信号处理等领域的关注，成为模式识别、图像处理等学科的一大研究热点。
人脸识别主要由三部分构成：人脸图像的预处理、人脸特征的提取和选择、以及人脸的分类判别。其中人脸特征的提取和选择可以说是重中之重
，也是本文的研究重点。
主成分分析(PCA)法是目前应用最广泛的特征提取方法之一。它可以提供基于最小化重构误差的优化特征提取和约简，然而却并不能保证所选择的作为特征向量的主成分都是有利于分类的。而粗糙集理论中约简的计算方法可用于作为约简的主成分的挑选，从而使得这些被挑选出来的主成分可以充分描述数据集中的所有概念。本文收集和分析了近年来国内外关于粗糙集理论的学术论文及研究报告，对粗糙集理论应用于特征选择的若干理论问题进行了探讨，从而提出了PCA和粗糙集的联合自寻优特征算法。这种算法引入基于基因算法和模拟退火算法的思想的粗糙集自寻优约简方法对PCA所提取和约简的特征进行进一步约简，以期得到能够充分体现数据空间信息的最小特征集合。
在人脸识别中，联合自寻优特征选择算法首先利用PCA对人脸图像进行基于最小化重构误差的人脸特征的提取和约简，在此基础上利用粗糙集的自寻优约简方法进一步得到能充分体现人脸信息的最小人脸特征集合。实验证明此算法应用于人脸识别中不仅大大减少了特征的数量以及分类过程中的运算量，还有效的提高了人脸识别的正确率和减少了识别时间，并且对于一定范围内的不同取样的训练具有一定的稳定性。
7.学位论文郭卫锋基于统计的人脸识别算法研究2002
该文首先介绍了人脸识别技术的发展概况,在此基础上深入研究了人脸识别的特征提取、特征选择和分类识别等问题;分析了贝叶斯优化算法(BOA)在特征选择方面的应用问题.提出了基于贝叶斯优化算法的脸面特征向量子集选择算法,实验结果表明,该算法能够优化表达脸面特征,和传统的特征脸选择法相比较,可以获得更高的识别率.该文还对脸面分类算法进行了讨论,深入研究了最近特征线(NFL)分类法,从理论和实验分析了NFL在人脸识别应用的有效性.该文还引入了K最近特征线分类法(KNFL)进行脸面分类,实验结果表明KNFL能够有效适应脸面识别.针对这两种分类法计算量大的问题,该文讨论了解决这一问题的方法.该文还对人脸识别所用的距离准则进行了讨论,提出了加权的马氏距离准则,在此基础上实现了基于主成分分析的人脸识别算法,实验结果表明该准则可以有效地适应人脸识别算法,能够进一步提高识别率.
8.期刊论文史泽林.李德强.黄莎白基于模糊准则的小波特征选择在人脸识别中的应用-信息与控制2005,34(1)
提出一种基于模糊准则的小波特征选择方法来实现人脸识别.首先,利用模糊准则得到最优小波包分解;其次,亦利用模糊准则对最优小波包分解中特征(小波系数)的分类能力进行评价并排序;再次,选择鉴别能力强的特征并将它们输入到EFM模型以实现降维,并使用基于最小二乘误差的线性鉴别函数实现分类.人脸识别实验结果表明基于模糊准则的小波特征选择方法的识别率要高于主元分析(PCA)算法.
9.学位论文黄向生基于Boosting学习的自动人脸识别算法研究2005
统计学习方法，特别是Boosting学习，在计算机视觉中得到广泛的应用。本文研究基于Boosting自动人脸识别算法。在理论上，本文提出一种改进的Boosting学习算法；在实践上，本文将Boosting学习方法应用到人脸检测、人脸对齐、对齐评估和人脸识别中。主要贡献是：
首先，本文提出一种基于理论分析的特征选择准则的Boosting学习算法，称为Jensen-Shannon(JS)Boost。采用相对熵(RelativeEntropy)作为弱分类器性能评价的目标函数。我们推导表明，在Boosting每轮弱分类器选择学习中，使得Jensen-Shannon(JS)散度最小的弱分类器正好是使得相对熵最小的弱分类器。由于JS散度比其它测度(例如Kullback-Leibler散度)计算稳定，所以JS散度能为两类之间提供一种更合适的相似性度量。因此，我们将
JS散度与Boosting学习过程结合学习出更优化的弱分类器。将JSBoost学习算法应用于人脸识别中。实验结果表明，JSBoost能比其他Boost变种(例如RealBoost，GentleBoost，KLBoost)得到更好的识别效果。
其次，Viola和Jones提出一种称为Haar-like的特征，并将其应用到人脸检测中。后来有不少研究人员对Haar-like特征进行扩展，企图描述带有方向信息的特征。然而，这些方法始终不能很好地描述人脸的形状和边缘信息。Sobel算子是一种简单有效的边缘描述算子。但Sobel算子本身对噪声比较敏感。我们引入一种称为Sobel-like特征。在特征构造过程中，我们采用图像块的平均值，而不是像素值，与Sobel算子进行卷积。然后，用Boosting学习这种Sobel-like特征来训练人脸检测模型。
第三，对很多人脸分析和合成来说，精确的关键点定位是非常重要。主动形状模型(ASM)是一种很强的人脸对齐工具。然而，由于姿态、表情、光线的影响，主动形状模型很难对人脸图像给出精确的定位。本文提出一种改进的主动形状模型，对每个关键点用统计学习的方法建立相应的模型。在建立关键点模型时候，我们采用关键点及其周围点的Gabor特征作为特征空间，然后采用Boosting学习方法学习出比较能刻画该关键点的特征，并构造成为分类器。
第四，本文采用统计学习的方法构造人脸对齐的评估函数。从一个正(对齐好的)负(对齐不好的)样本集中学习得到一种非线性的分类器，并将该分类器用于对齐结果的评估。基于边缘信息构造弱分类器，采用Boosting学习出弱分类器，并组合成一个强分类器。我们还采用重采样的方法选择负样本，训练多个强分类器。在评估过程中，训练出来的分类器给测试样本一个合理的评价分数。值得指出，在这里本文采用多个强分类器级联的cascade策略进行训练和测试。Cascade策略是一种分治策略，使得训练变得容易，使测试速度变快。
第五，本文提出一种新的人脸识别算法，该识别算法是基于局部统计Gabor变换系数作为特征的。对人脸图像每个像素点进行Gabor变换得到Gabor的实部系数和虚部系数，并将这两种系数转化为幅度系数和相位系数。用5个尺度和8个方向的Gabor滤波器与人脸图像进行卷积可以得到40幅度系数图像和40幅相位系数图像。然后，用一个子窗口对这些系数图象进行从上到下从左到右的扫描得到一系列的子窗口。统计各个子窗口的直方图。将人脸识别这种多类分类问题转化为两类分类问题，即类内/类间。用子窗口的直方图来构造图像对的类内/类间特征，并用咖方距离(ChiSquareStatisticDistance)来度量直方图的相似性，从而构造出一系列的类内/类间特征。最后，本文采用Boosting学习的方法从特征集中学习出一个强分类器。
10.期刊论文李伟红.陈伟民.杨利平.龚卫国.Li Wei-hong.Chen Wei-min.Yang Li-ping.Gong Wei-guo基于不同
Margin的人脸特征选择及识别方法-电子与信息学报2007,29(7)
Margin在机器学习中具有很重要的意义,基于margin的特征选择方法就是从分类的角度对特征集各特征的权重进行分析.该文对不同的margin进行了分析,提出将sample-margin和hypothesis-margin分别作为特征选择标准对SBS特征选择方法进行改进,然后设计具有最佳超参数的SVM多项式分类器进行人脸识别.实验在FRERT人脸图像库上进行并与Relief特征选择方法进行了比较,对SVM和NN分类器的实验结果也进行了分析.实验结果显示:该文提出的人脸识别特征选择及识别方法是有效、适用的.
本文链接：https://www.doczj.com/doc/d66280225.html,/Periodical_mssbyrgzn201004006.aspx
授权使用：广东工业大学图书馆(gdgydxtsg)，授权号：b83c2cac-ece4-4ad9-9e87-9ea6015d2418
下载时间：2011年3月14日