基于多姿态人脸图像合成的识别方法研究

doi:10.3778/j.issn.1002-8331.2008.23.059

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (23): 197-200.DOI: 10.3778/j.issn.1002-8331.2008.23.059

• 图形、图像、模式识别 • 上一篇下一篇

基于多姿态人脸图像合成的识别方法研究

孙志远¹,吴小俊¹,王士同¹,杨静宇²

1.江南大学信息工程学院，江苏无锡 214122
2.南京理工大学计算机科学与技术学院，南京 210094

收稿日期:2007-10-18 修回日期:2008-01-16 出版日期:2008-08-11 发布日期:2008-08-11
通讯作者: 孙志远

Face recognition based on synthesis of face images with pose variations

SUN Zhi-yuan¹,WU Xiao-jun¹,WANG Shi-tong¹,YANG Jing-yu²

1.School of Information Technology，Jiangnan University，Wuxi，Jiangsu 214122，China
2.School of Computer Science and Technology，Nanjing University of Science and Technology，Nanjing 210094，China

Received:2007-10-18 Revised:2008-01-16 Online:2008-08-11 Published:2008-08-11
Contact: SUN Zhi-yuan

摘要/Abstract

摘要： 为了解决多姿态人脸识别问题，提出基于独立成分分析（ICA）进行正面人脸合成的新方法。首先利用ICA和PCA提取不同姿态人脸的特征子空间，然后利用通过训练得到的姿态转换矩阵合成其相对应的正面人脸图像，实验表明ICA人脸识别算法要优于PCA人脸识别算法，并在此基础上用小波对人脸图像进行预处理，据姿态转换矩阵得到的正面人脸特征系数直接进行分类比较，识别率得到了很大的提高。

关键词: 独立成分分析, 小波变换, 姿态转换矩阵

Abstract: A new frontal face synthesis method based on Independent Component Analysis（ICA） is proposed to deal with the problem of face recognition with pose variations.First，the feature subspaces are formed from different pose images using ICA and PCA.Then the pose image is transformed into its corresponding frontal face image using the transformation matrix predetermined by learning.Based on this foundation，the wavelet transform is applied to face images，and the authors compare the frontal face feature coefficients directly which are obtained by using the transformation matrix with the feature coefficients of the original face images，the recognition rate is improved greatly.

Key words: Independent Component Analysis（ICA）, wavelet transform, pose transformation

孙志远¹,吴小俊¹,王士同¹,杨静宇². 基于多姿态人脸图像合成的识别方法研究[J]. 计算机工程与应用, 2008, 44(23): 197-200.

SUN Zhi-yuan¹,WU Xiao-jun¹,WANG Shi-tong¹,YANG Jing-yu². Face recognition based on synthesis of face images with pose variations[J]. Computer Engineering and Applications, 2008, 44(23): 197-200.

[1]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[2]	范文兵，孙志远. 基于小波域广义高斯分布的SAR图像分割算法[J]. 计算机工程与应用, 2020, 56(5): 222-226.
[3]	曹军，陈鹤，张佳薇. 基于超分辨率的多聚焦图像融合算法研究[J]. 计算机工程与应用, 2020, 56(3): 180-186.
[4]	马倩茹，冶继民. FastICA算法的收敛性与一致性分析[J]. 计算机工程与应用, 2020, 56(2): 35-41.
[5]	宫睿，王小春. 基于可协调经验小波变换的多聚焦图像融合[J]. 计算机工程与应用, 2020, 56(2): 201-210.
[6]	顾婷婷，刘新会，桑庆兵，李朝锋. 基于双树复小波的无参考立体图像质量评价[J]. 计算机工程与应用, 2019, 55(2): 154-161.
[7]	杨霞，朱晓冬，刘元宁，冯家凯，刘帅. 分块小波特征结合BP神经网络的虹膜识别方法[J]. 计算机工程与应用, 2019, 55(18): 132-139.
[8]	肖文卿1,3，汪鸿浩2，詹长安1. 基于小波系数特征融合的小鼠癫痫脑电分类[J]. 计算机工程与应用, 2019, 55(14): 155-161.
[9]	谢国波，吴震禹. 基于小波变换和重力模型的混沌图像加密算法[J]. 计算机工程与应用, 2019, 55(13): 100-105.
[10]	颜宏文，卢格宇. CEEMD-WT和CNN在短期风速预测中的应用研究[J]. 计算机工程与应用, 2018, 54(9): 224-230.
[11]	张志禹1，李向月1，李向阳2. 同步挤压小波变换对随机噪声抑制的研究[J]. 计算机工程与应用, 2018, 54(5): 57-60.
[12]	陈波1，刘厚泉1，赵志凯2. 时间序列多尺度异常检测方法[J]. 计算机工程与应用, 2018, 54(20): 122-127.
[13]	贾澎涛，贾伟. 煤矿井下视频多目标轨迹跟踪算法研究[J]. 计算机工程与应用, 2018, 54(2): 222-227.
[14]	崔金鸽1，陈炳权1，2，徐庆1. 基于Dual-Tree CWT和自适应双边滤波器的图像去噪算法[J]. 计算机工程与应用, 2018, 54(18): 223-228.
[15]	张艺超，袁贞明，孙晓燕. 基于心冲击信号的睡姿识别[J]. 计算机工程与应用, 2018, 54(17): 135-140.

基于多姿态人脸图像合成的识别方法研究

Face recognition based on synthesis of face images with pose variations

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics