基于LLR算法的多姿态人脸识别

人脸轮廓的提取，是计算机视觉领域的新兴热点研究课题，该课题对人脸识别、表情识别、目标跟踪等诸多相关课题的研究具有重要意义。

在人脸处于正面姿态下，能够取得较好的定位结果，然而当人脸旋转处于姿态变化中时，定位结果较差，误差很大。

为了得到多姿态下人脸的特征点，一种AAM 结合zhu-detector 的人脸特征点定位算法，经实验证明，该算法在人脸多姿态的情况下仍能够定位得到准确的特征点，能够很好适应人脸的多种姿态变化。

人脸特征点定位的方法主要可以分为三类：第一类为ASM 与AAM 类方法，ASM 和AAM 是针对人脸等特定类别物体进行特征点提取最为经典的方法，首先基于特征点的图像特征在图像上搜索匹配的特征点位置，再依据先验形状模型进行矫正，使特征点位置满足人脸轮廓形状约束条件；第二类为统计能量函数类方法，其中统计能量函数定义为描述各方面信息的子能量函数的线性综合，并使用转折点损失的负指数函数的形式进行能量函数描述，该类方法缺点是定位时间较长；第三类为深度学习类方法，深度学习方法丰富了各因素变量间的关联建模方式，其学习模型由三个层次组成，其中两个层用于描述特征点之间的空间关系，剩余一层描述关联当前的输入信息，通过构建神经网络模型进行训练学习，该类方一种基于多姿态人脸的特征点定位算法白利敏刘素兵/文法能更灵活、紧密地反应各类信息之间的联系，从而更好地解决信息的融合问题，但学习所需时间太长，学习所需样本数量巨大。

以上方法对人脸姿态的变化适应性差，在多姿态人脸特征点定位准确性较低。

由此可见，一种能够很好适应人脸姿态变化的人脸特征点定位算法，显得尤为重要。

特征点定位算法AAM特征点定位算法与Zhu-detector特征点定位算法AAM特征点定位方法最早由T.F.Cootes等人提出，该方法分别对人脸的形状和纹理建立统计模型，由一组处于初始位置的形状特征点，通过迭代匹配的方法，精确地获得图像中人脸的特征位置，是目前使用最广泛的特征点定位方法。

基于改进的卷积神经网络多姿态人脸识别研究
HAN Dong;WANG Xuejun
【期刊名称】《吉林大学学报（信息科学版）》
【年(卷),期】2018(036)005
【摘要】针对目前的人脸识别算法在面对不同姿态下的人脸图像时识别率低的问题,提出了一种基于改进的卷积神经网络的算法.该算法通过对经典的卷积神经网络LeNet-5的卷积核数目、卷积核尺寸、池化层方式和正则化手段等参数进行了优化改进,从而能对多姿态人脸图像特征进行有效提取.仿真实验结果表明,该算法在识别率与识别时间上均有显著提高.
【总页数】6页(P504-509)
【作者】HAN Dong;WANG Xuejun
【作者单位】
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于改进的局部卷积网络的多姿态人脸识别 [J], 莫建文;匡勇建;张顺岚
2.基于FSIF改进均值漂移LDA的多姿态变化人脸识别 [J], 张浩;吕真;连卫民;王硕
3.基于改进ORB特征的多姿态人脸识别 [J], 周凯汀;郑力新
4.基于多姿态人脸识别方法的改进 [J], 周洪成;严筱永
5.基于改进卷积神经网络的人脸识别研究 [J], 薛艳杰;邓燕妮
因版权原因，仅展示原文概要，查看原文内容请购买。

基于LLE算法的人脸识别方法研究摘要：非线性降维作为当前流行的机器学习算法，是研究人员的研究热点。

局部线性嵌套和等距流形映射是两个基本非线性降维方式，局部线性嵌套的优点和不足在人脸识别上值得做出深入的研究，因此测试这种降维方式在不同参数下的执行效率，分析和这种降维方式的适用特点和范围，选择局部线性嵌套和主成分分析，通过应用于人脸识别中，并人脸识别的识别率。

关键词：非线性降维算法；局部线性嵌套；人脸识别FacerecognitionMethodBasedonLLEAlgorithmLIUHe-an(CenterofNetworkinformation,HunanCityUniversity,Yiyang413000,China)Abstract:Thealgorithmofnonlineardimensionalityreductionispop ularinthemanifoldlearning,It"soneoffocusintheresearchduringthere searchers.locallylinearembeddingandisometricmappingarethebasical gorithmsofnonlineardimensionalityreduction.Thispaperanalyzedanda rguedlocallylinearembedding(LLE)algorithm．Proposedfacerecogniti onmethodbasedonLLEalgorithm．Themethodwastestedagainsttwofacedat abases:PIE&YALE.Keywords:nonlineardimensionalityreduction;locallylinearembed ding;facerecognition.1数据降维及算法随着信息时代的到来，数据集增长更快、数据维度更高、非结构化性更突出。

基于多传感器融合的人体姿态识别算法研究人体姿态识别是计算机视觉和机器学习领域的重要研究方向，它对于许多应用场景具有巨大的潜力，如人机交互、运动分析、虚拟现实等。

然而，由于人体姿态的多样性和复杂性，单一传感器的数据往往难以获得准确的结果。

因此，基于多传感器融合的人体姿态识别算法的研究成为了一个重要的课题。

传感器的选择是多传感器融合算法研究中的首要问题之一。

常用的传感器包括RGB摄像头、深度摄像头、惯性测量单元（IMU）等。

其中，RGB摄像头可以提供颜色和纹理等视觉信息，深度摄像头可以提供距离等空间信息，而IMU可以提供加速度和角速度等惯性信息。

基于这些传感器的数据特点，通过融合多个传感器的数据，可以提高人体姿态识别算法的准确度和稳定性。

在传感器数据的融合过程中，最常用的方法之一是融合相应的特征向量。

特征向量可以通过机器学习算法从原始数据中提取出来，它具有良好的表达能力和分类能力。

传感器数据融合的关键是如何选择合适的特征向量并进行有效的融合。

传统的方法是将不同传感器的特征向量简单地连接在一起，形成一个新的特征向量。

然而，这种简单的融合方法忽略了不同特征之间的相关性，容易导致信息的冗余和互补。

因此，一些新的方法被提出，如主成分分析（PCA）、线性判别分析（LDA）、卷积神经网络（CNN）等。

除了特征向量的融合，多传感器融合算法还可以通过建立模型来对姿态进行识别。

常用的建模方法包括模型混合、模型集成和动态图像模型等。

模型混合方法通过将不同传感器的模型组合在一起，形成一个新的模型。

模型集成方法通过将不同传感器的输出结果进行权衡和整合，形成最终的结果。

动态图像模型将传感器数据转化为时间序列，并通过对时间序列的建模来进行姿态识别。

除了传感器数据的融合和模型的建立，人体姿态识别算法还需要考虑如何提高算法的实时性和鲁棒性。

实时性是指算法在给定的时间内能够及时产生结果。

鲁棒性是指算法对于噪声和干扰的抵抗能力。

针对这些问题，研究者们提出了一系列方法，如优化算法的运行效率、引入时序约束、增加数据样本的多样性等。

基于Gabor-ILLE的多姿态人耳识别雷军环【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)023【摘要】针对LLE算法对姿态变化和近邻点敏感的缺陷，提了一种融合Gabor小波和改进LLE算法的人耳识别算法（Gabor-ILLE）。

该算法通过Gabor变换提取人耳特征，并对Gabor初始特征融合，采用改进LLE对特征进行降维，选择最有利于人耳识别的Gabor特征，采用K近邻算法建立人耳分类器实现人耳识别，并采用USTB3人耳图像库进行仿真实验。

相对于参比人耳算法，Gabor-ILLE获得了更高的人耳识别率，实验结果验证了Gabor-ILLE算法的有效性。

%LLE algorithm is very sensitive to the change of attitude and neighbor points, a novel ear recognition algorithm (Gabor-ILLE)based on Gabor wavelet and improved LLE algorithm is proposed in this paper. The ear features are ex-tracted by Gabor transform, and then the improved LLE is used to reduce dimensionality of features and select the optimal Gabor features of ear recognition, KNN is used to establish the classifier of human ear recognition, and the simulation ex-periment is carried out on USTB3 ear images. Compared with the reference methods, the proposed algorithm has obtained higher ear recognition rate, and the experimental results verify the effectiveness of the Gabor-ILLE algorithm.【总页数】5页(P163-166,224)【作者】雷军环【作者单位】长沙民政职业技术学院软件学院，长沙 410004【正文语种】中文【中图分类】TPP317【相关文献】1.局部切空间排列多姿态人耳识别 [J], 董冀媛;曾慧;穆志纯;付冬梅2.多姿态人耳识别的局部线性嵌入及其改进算法 [J], 宋鑫超;苏庆堂;刘启明3.基于力场收敛特征的多姿态人耳识别 [J], 董冀媛;穆志纯;王瑜4.基于LLE的多姿态人耳识别 [J], 谢朝霞;穆志纯;谢建军5.基于头部多姿态融合识别的疲劳检测与预警研究 [J], 冯宇航;叶辉;黄文禧;徐梓浩;林锦樱因版权原因，仅展示原文概要，查看原文内容请购买。

基于LLE和LS-SVM的人脸识别方法
谈书才;黄景涛
【期刊名称】《微电子学与计算机》
【年(卷),期】2010(0)7
【摘要】为了提高人脸识别的速度,提出了一种基于局部线性嵌套(LLE)和最小二乘支持向量机(LS-SVM)的人脸识别方法.该方法采用主成分分析(PCA)和LLE相结合的算法,对归一化处理过的人脸图像进行特征提取,利用LS-SVM对人脸图像样本集进行训练和识别,以提高识别的速度.最后将本文方法在ORL人脸数据库上进行试验,结果表明,人脸识别的速度有了一定的提高,识别率达到了90%以上.
【总页数】4页(P110-113)
【关键词】人脸识别;主成分分析;局部线性嵌套;最小二乘支持向量机
【作者】谈书才;黄景涛
【作者单位】河南科技大学电子信息工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于D-LLE算法和图像分块的人脸识别方法 [J], 丁娇
2.基于LLE算法的人脸识别方法研究 [J], 刘合安
3.基于LLE＋LDA的人脸识别方法 [J], 李小丽;陈锻生
4.视频人脸识别中基于聚类中心LLE的特征相似性融合方法 [J], 贾海龙
5.基于改进的LLE和FSVM方法在人脸识别中的应用 [J], 尹方平
因版权原因，仅展示原文概要，查看原文内容请购买。

改进的LRC及其在姿态变化的人脸识别中的应用黄伟;王晓辉【摘要】分析了变量的自相似是LRC算法中线性回归模型中的不利因素，提出了改进的LRC算法。

该算法利用奇异值分解降低变量间的自相似程度，同时减少了变量的个数，提高了识别过程的速度。

在UMIST人脸数据库中的实验显示了算法的有效性。

%The disadvantageous factor of linear regression model in LRC algorithm, self similarity of vari-ables, is analyzed and the enhanced LRC is proposed in this paper. The proposed algorithm uses singular value decomposition to reduce the degree self similarity of variables. So it can reduce the number of variables and im-prove the speed of recognition. The experiments on UMIST face database show the effectiveness of the pro-posed algorithm.【期刊名称】《韩山师范学院学报》【年(卷),期】2014(000)003【总页数】6页(P24-29)【关键词】人脸识别;LRC;姿态变化;奇异值分解【作者】黄伟;王晓辉【作者单位】韩山师范学院计算机科学与工程系，广东潮州 521041;韩山师范学院计算机科学与工程系，广东潮州 521041【正文语种】中文【中图分类】TP751.1人脸识别（Face Recognition,FR）[1]作为图像分析、理解和分类计算的典型问题，涉及模式识别与人工智能、计算机应用技术、计算机视觉、计算机图形学、神经计算、生理学、心理学和认知学等众多学科，具有较高的理论研究价值.由于人脸识别系统性价比高、易于实现，并且在进行人脸识别过程中不被识别者察觉，不需要被识别者主动配合等特点，在安全监控、嫌疑人认定、智能人机接口等领域有着巨大的应用空间.因此，人脸识别在过去的几十年一直是研究的热点，新的理论方法、新的技术不断被提出[2].经典的人脸识别方法是将人脸图像拉伸成一列向量，将人脸图像看成是高维空间的分布的点，通过特征抽取（Feature Extraction,FE）的方法来寻找描述模式最具有鉴别性的描述以及实现数据描述的维数压缩.特征抽取可以分为线性和非线性两种，考虑到计算的复杂性和成熟的数学工具，基于线性的特征抽取得到重视.线性的特征抽取中最具代表性的方法有主成分分析（PrincipalComponentAnalysis,PCA）[3]和Fisher线性鉴别分析（Linear DiscriminantAnalysis,LDA）[4].PCA和LDA 都是基于统计的方法，均值和方差是他们使用的两个统计量.其中PCA是以重构的目的对高维数据进行特征抽取，而LDA则从分类的目的，构建了类内散布矩阵和类间散布矩阵使得抽取的特征更具有鉴别性.因此，LDA获得了比PCA更好的性能.随着研究的深入，人们发现如果对人脸在高维空间的分布有更准确的估计就能得到更高的识别率.因此近年来提出来了线性重构分类器（Linear Representation Classification,LRC）[5]、稀疏重构分类器（Sparse Representation based Classification,SRC）[6]等.样本的类内线性组合的重构误差最小的是LRC和SRC的基本假设，只不过LRC直接利用训练样本进行重构，将测试样本归入最小重构误差的类别中；而SRC则通过求l1范数，从所用的训练样本中找到重构误差最小的线性组合，并将测试样本归并到最多非零系数的类别中.在有姿态变化、遮挡、噪音污染等情况下，SRC表现出更出色的性能.其根本的原因是SRC是对所有的训练样本进行选择的，而LRC只能从每一类的训练样本中来求重构误差.考虑到人脸图像有非常大的相似性，而且对于高维空间而言，人脸识别是一个典型的小样本问题，因此SRC的这种对重构样本选择的策略显得更灵活，更符合高维数据的特点.本文将从训练样本的选择策略方面对LRC进行改进，提高LRC在姿态变化情况下的识别性能.1 LRC和SRC介绍对于人脸识别问题，假设有c个不同的人，∈Rd表示第i个人的第 j个样本，其中i=1,2,…,c；j=1,2,…,n；d是将人脸图像拉伸成一个向量后向量的维数.为了描述的方便，假设训练集中每类的样本数都为n，则训练集为X p=[p,…,]∈Rd×n,p=1,2,…,c.对于一个测试样本y∈Rd，LRC首先通过式（1.1）求出重构系数∈Rn×1：其中p=1,2,…c；||⋅||2表示二范数.可以利用最小二乘法解出ap：接下来就可以计算出测试样本在p类中的重构误差βp：最后，将测试样本y通过式1.4进行分类：一般而言，LRC被归类到最近邻子空间的方法中去.SRC则利用所有类的所有训练样本进行重构：其中，D∈Rd×m，m=c×n，x被称为系数.一般来说测试样本很难被精确重构，同时考虑到应用稀疏表示的方法，因此对系数x进行lp( )p=0,1范数的约束：是给定的常数.求出系数后，将测试样本归入到系数中非零最多的那一类中去.从上面的描述，可以看出LRC将类内的所有训练样本用于重构，而SRC是将所有的训练样本都用于重构.LRC的分类策略是将测试样本归并到重构误差最小的那一类中；SRC是通过稀疏的约束，使得在重构过程中尽可能找到本类的样本进行重构，然后根据系数中非零个数最多的类别作为最后的类别归属.那么上面这两种选择训练样本的方法是不是能得到最优的性能呢？能不能采用更优的选择样本的策略提高识别率呢？这些问题都值得进一步研究.2 改进的LRC方法从LRC的计算过程中，可以发现最小二乘法的线性回归算法是LRC的关键算法.假如自变量存在彼此的自相关（有些文献称为共线性）[7]的话，回归模型可能会非常糟糕.当考虑有两个自变量的回归：并假设x1和x2的相关系数为r12其中，j=1,2,Sxjxj=∑(xj-ˉ)2.在=0 时，和的方差取得最小，当 =0.95，Sxjxj保持不变，的方差为=0时的20倍.因此使用共线性自变量可能使估计出来的变量系数令人不能接受.当j=1,2,…,n时，可以将2个变量推广到n个，可以证明第 j个系数的方差为：j=1,2,…,n.其中，X j与X其他之间的复相关系数的平方记为被称为方差扩大因子简称VIF.假定X j可以取样，使得R=0而保持Sxj xj不变，那么VIF表示由于自变量间的相关系数，从而由自相关引起的方差的增大.从式（2.3）可以看出，严重的共线性将影响线性回归的性能.一般来说可以通过基于特征值的常用量成为条件数来衡量数据共线性的严重程度，定义为：条件数值越大表示自相关越强.人脸（尤其是同一个人的人脸）图像具有高度的相似性，图1是在人脸数据库中的同一类不同的样本图像，图2是其条件数的变化.从图2中可以看出，人脸图像还是具有很严重的自相关的.同时考虑到噪音的普遍存在，对训练样本进行重新选择，去除自相关和噪音部分，应该能够有效提高线性回归的性能，从而提高人脸识别的识别率.因此对训练样本集中的样本进行一定处理和选择达到这样的目的：去除样本和样本间的相关性；尽可能去除样本的噪音.首先对训练样本集进行了奇异值分解，使得样本集中各个样本之间是正交的.在选择变量时，根据值计算的提示，可以考虑只选择前若干个特征向量所对应的特征值作为最后的变量.因此第一步对训练样本集进行奇异值分解：其中∑=diag(σ1,σ2,…,σr)，σi(i=1,2,…,r)，为 X p的非零奇异值.一方面降低自相关的影响，另一方面考虑到不同训练样本集的不同情况，并不统一取前k个特征值对应的特征向量组成最后的训练样本集，而是根据各个训练样本集的特点来进行选取.设一事先给定的阀值θ，（0＜θ＜1），并根据下列式子计算出最小的：从而求出训练集中每个 p类的前tp特征值所对应的特征向量作为新的训练样本集.将代替X p并利用1.2-1.4式子进行人脸识别.改进的LRC算法的计算过程如下：输入：训练集X p，p=1,2,…,c，测试样本y.计算：y的类别.（1）给定θ值，利用奇异值分解，求出训练集的前若干个特征值作为新的训练样本集.（2）根据求出测试样本y在各个训练集中的重构（3）计算测试样本y在各个训练集中的重构误差：βp=‖y- ‖ 2（4）根据1.4式求出测试样本y的类别.3 仿真实验及分析在实验中，使用了由英国曼切斯特大学采集的UMIST人脸数据库进行仿真实验.该数据库包括20个人，每人19到38张不等的图像，共564幅图像.该数据库主要包括不同角度、不同姿态的变化.图1是UMIST人脸数据库的样例.为了实验及比较的方便，选取了每个人前19幅图片作为实验对象.在UMIST人脸库中，进行了两个实验.第一个实验是考察人脸数据的相关性大小.第二个实验是改进的LRC算法和LRC算法的性能比较.图1 UMIST中第一个人的前19张人脸图像3.1 UMIST中条件数k值的比较将UMIST中每个类的前19张人脸图像作为实验的对象，通过公式（2.4）计算出的k值如图2所示，其中横坐标是类别数，纵坐标是各个类别数的k值.从图2中可以看出：（1）所有类别的k都比较大.（2）各个类别中的自相关程度是不一样的.在所有类别中，k值最大的是第3类，达到10.4，最小的是第19类，也达到了8.2，平均值是9.45.考虑到LRC是利用最小重构误差进行分类的，所以有必要根据不同的类别的训练样本的情况降低样本间自相关的严重性，使得参与重构的所有训练样本有接近的相关性，从而提高识别率.图2 UMIST中前19个样本中的值3.2 在UMIST中的识别实验在实验中，分别将每类的前i(i = 10,11,…,15)个样本作为训练样本，其余的作为测试样本，一共进行6组实验.其中，θ取值0.99，实验结果如表1所示：表1 LRC和改进LRC在UMIST人脸数据中的识别率比较LRC改进的LRC 10 75.56 77.89 11 80.00 81.87 12 86.45 85.71 13 89.17 89.17 14 90.00 90.00 15 93.75 96.25另外考虑到不同训练集中自相关的不同，统一取值为0.99，对不同的训练集来说，最后得到的训练样本数可能不一样.图3给出了当训练样本数等于10时最后取得的样本的个数.从表1可以看出，除了第三组实验外，改进的LRC的识别率都大于或者等于LRC的识别率.尤其第一组和最后一组，识别率有较高的提升.从图3可以看出，对于自相似程度不同的训练集，最后选择的样本数也不同.当θ=0.99时，大部分类别所取得的样本数集中在6～8之间，比原来的10小，因此在测试过程中速度也得到提高.图3 θ=0.99时各类最后取得的样本个数4 小结和展望由于LRC中训练样本出现的自相似会导致估计的系数出现较大的误差，因此提出来先对训练样本进行奇异值分解，然后再选取奇异值较大所对应的特征值作为训练样本的改进的LRC算法.该算法保证了被选取的训练样本为相互正交，有较小的条件数，降低了相互间的自相似度.在姿态和角度变化严重的UMIST人脸库中的实验表明，改进的LRC算法比LRC算法有一定的改进.由于人脸识别是一个典型的小样本问题，下一步通过模拟光照、表情和姿态变化来获得更多的训练样本，结合改进的LRC进一步探求提高人脸识别率的方法.另外，文中提出的算法是基于无监督的，下一步可以将其推广到有监督的方法，进一步提高识别率.【相关文献】[1]ROSENFELD AZRIEL.Survey：Image analysis and computer vision:1996[J].Computer Vision and Image Understanding,1997，66（1）：33-93.[2]李武军，王崇骏，张炜，等.人脸识别综述[J].模式识别与人工智能.2006，19（1）：58-66.[3]BISCHEL M，PENTLAND A.Human face recognition and the face image set’s topology[J].CVFIP:Image Understanding,1994，59（2）：254-261.[4]YU HUA,YANG JIE.A direct LDA algorithm for high-dimensional data-with application to face recognition[J].Pattern Recognition，2001，34（10）：2067-2070.[5]]WRIGHT J,YANG Y,SASTRY S S,etal.Robustface recognition via sparse representation[J].IEEE Trans.Pattern Analysis and Machine Intelligence，2009，31（2）：210-227.[6]NASEEM I,TOGNERI R,BENNAMOUN M.Linear Regression for Face Recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010，32（11）：2106-2112.[7]WERSBERG S.应用线性回归[M].北京：中国统计出版社，1998：205-208.。

基于LLR算法的多姿态人脸识别谭晓衡;张建慧【期刊名称】《计算机应用研究》【年(卷),期】2011(028)001【摘要】多姿态人脸识别是模式识别领域的难点之一,针对该问题提出的很多效果较好的算法都有其局限性,不能适应人脸状态多变的特征.在局部线性回归算法(LLR)的基础上,对人脸进行归一化校正,并通过引入一个局部常量因子,对不同水平旋转角度的侧脸进行姿态估计得到其正脸.改进后的LLR算法对人脸识别率有较大改善,这表明采用局部常量化和线性化分析,可以较好地弥补侧脸到正脸变换的非线性信息丢失.%Multi-pose face recognition is one of the most difficult problems in pattern recognition field.In order to solve this problem, put forward many algorithms, but almost none of them could adapt to the changing characteristics of the human faces.In this thesis, normalized both side faces and their corresponding frontal faces based on LLR algorithm, and by introducing a new local constant factor to the traditional LLR, obtained frontal faces from side faces in different poses.The improved LLR can perform better face recognition, which shows that with the help of the local constant factor and local linearization, the nonlinear information loss of the transformation from side faces to frontal faces can be compensated effectively.【总页数】3页(P392-394)【作者】谭晓衡;张建慧【作者单位】重庆大学,通信与测控中心,重庆,400044;重庆大学,通信与测控中心,重庆,400044【正文语种】中文【中图分类】TP391【相关文献】1.基于正投影视图的多姿态人脸识别算法 [J], 武芒;王燕;刘志镜;李夏忠2.基于单视图的多姿态人脸识别算法 [J], 朱长仁;王润生3.基于稀疏编码和机器学习的多姿态人脸识别算法 [J], 赵玉兰;苑全德;孟祥萍4.基于张量脸的多姿态人脸识别算法 [J], 姜珊;王羽;田春娜5.基于正交视图的多姿态人脸识别算法 [J], 刘志镜;夏勇;李夏忠因版权原因，仅展示原文概要，查看原文内容请购买。