一种改进的基于奇异值扰动的单样本人脸识别方法

J4 ›› 2012, Vol. 34 ›› Issue (10): 88-91.

一种改进的基于奇异值扰动的单样本人脸识别方法

刘嵩1,2，李时东1，郑明辉1

(1.湖北民族学院信息工程学院，湖北恩施 445000；2.华中师范大学物理科学与技术学院，湖北武汉 430079）

收稿日期:2012-04-25 修回日期:2012-07-10 出版日期:2012-10-25 发布日期:2012-10-25
基金资助:
湖北省自然科学基金资助项目（2009CDB069，2011CDC017）;湖北省教育厅创新团队资助项目（T201214）

An Improved Face Recognition Method Based on SingularValuePerturbed with Single Image

LIU Song1,2,LI Shidong1,ZHENG Minghui1

(1.College of Information Engineering,Hubei University for Nationalities,Enshi 445000;2.College of Physical Science and Technology,Huazhong Normal University,Wuhan 430079,China）

Received:2012-04-25 Revised:2012-07-10 Online:2012-10-25 Published:2012-10-25

摘要/Abstract

摘要：

针对单训练样本情况下人脸识别性能不佳的问题，本文提出了一种改进的基于奇异值扰动的人脸识别方法。首先通过奇异值扰动方法扩展人脸样本，然后运用小波变换压缩扩展样本，选择小波变换分解后的低频分量作为子图像，再采用核主成分分析提取人脸的高阶特征,最后根据最近邻分类器分类。在ORL和Yale数据库上的仿真实验证明了本文方法的识别性能优于对比方法。

关键词: 人脸识别, 特征提取, 奇异值扰动, 核主成分分析, 小波变换, 最近邻分类器

Abstract:

In view of the poor performance of face recognition，an improved face recognition method based on singularvalueperturbed is proposed in this paper. Firstly, the singularvalueperturbed is applied to the single image so as to obtain expanded image set. Secondly, the wavelet decomposition is used as the preprocessing method, the lowfrequency face image is chosen as a subimage，and the highorder features are extracted by kernel principal component analysis. Finally, the nearest neighbor classifier is used for identification. The experiment results on ORL and Yale face databases show that the proposed method improves the recognition performance in comparison with the comparative approach.

Key words: face recognition;feature extract;singularvalueperturbed;kernel principal component analysis;wavelet transform;nearest neighbor classifier

刘嵩1,2，李时东1，郑明辉1. 一种改进的基于奇异值扰动的单样本人脸识别方法[J]. J4, 2012, 34(10): 88-91.

LIU Song1,2,LI Shidong1,ZHENG Minghui1 . An Improved Face Recognition Method Based on SingularValuePerturbed with Single Image[J]. J4, 2012, 34(10): 88-91.

[1]	张建伟, 周亚同, 史宝军, 何昊, 王文. 基于SSD算法的轻量化仪器表盘检测算法[J]. 计算机工程与科学, 2022, 44(08): 1418-1425.
[2]	刘云, 郑文凤, 张轶. 代价约束算法对入侵检测特征提取的优化研究[J]. 计算机工程与科学, 2022, 44(03): 447-453.
[3]	严春满, 张昱瑶, 张迪. 改进标签一致KSVD字典学习的人脸识别算法[J]. 计算机工程与科学, 2022, 44(02): 291-297.
[4]	谈恩民, 王晨. 基于表征学习的模拟电路故障诊断[J]. 计算机工程与科学, 2022, 44(01): 27-35.
[5]	徐景秀, 张青. 改进小波软阈值函数在图像去噪中的研究应用[J]. 计算机工程与科学, 2022, 44(01): 92-101.
[6]	姬子恒, 王斌. 基于深度学习的草图检索方法研究进展[J]. 计算机工程与科学, 2021, 43(12): 2190-2205.
[7]	王鑫, 廖祎玮, 赵国生, 王健, 谢宝文. 一种面向任务需求的群智感知任务分配模型[J]. 计算机工程与科学, 2021, 43(08): 1512-1520.
[8]	董霙达, 张成涛, 多化琼, 杜豫怡. 基于加权变换的蒙古族家具纹样增强研究[J]. 计算机工程与科学, 2021, 43(06): 1047-1051.
[9]	孙雨浩, 陶洋, 胡昊. 基于判别低秩矩阵恢复和协同表示的遮挡人脸识别[J]. 计算机工程与科学, 2020, 42(12): 2199-2207.
[10]	张永梅, 滑瑞敏, 马健喆, 胡蕾. 基于深度学习与超分辨率重建的遥感高时空融合方法[J]. 计算机工程与科学, 2020, 42(09): 1578-1586.
[11]	王思齐, 胡婧韬, 余广, 祝恩, 蔡志平. 智能视频异常事件检测方法综述[J]. 计算机工程与科学, 2020, 42(08): 1393-1405.
[12]	沈晓燕, 王雪梅, 王燕. 基于样本熵和模式识别的脑电信号识别算法研究[J]. 计算机工程与科学, 2020, 42(08): 1482-1488.
[13]	张贵仓, 苏金凤, 拓明秀. DTCWT域的红外与可见光图像融合算法[J]. 计算机工程与科学, 2020, 42(07): 1226-1233.
[14]	盛明伟，唐松奇，万磊，秦洪德，李俊. 基于改进CNN-RANSAC的水下图像特征配准方法[J]. 计算机工程与科学, 2020, 42(05): 859-868.
[15]	付文博1，2，何欣1，2，于俊洋1，2 . C-Canny算法和改进单层神经网络相结合的面部特征点定位[J]. 计算机工程与科学, 2020, 42(04): 658-664.