基于Curvelet的人脸识别

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (27): 199-200.

基于Curvelet的人脸识别

张九龙¹,张志禹²,屈小娥¹,黄薇²

1.安理工大学计算机科学与工程学院,西安 710048
2.安理工大学自动化与信息工程学院,西安 710048

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-09-21 发布日期:2007-09-21
通讯作者: 张九龙

Face recognition based on Curvelet

ZHANG Jiu-long¹,ZHANG Zhi-yu²,QU Xiao-e¹,HUANG Wei²

1.School of Computer Science and Engineering,Xi’an University of Technology,Xi’an 710048,China
2.School of Automation and Information Engineering,Xi’an University of Technology,Xi’an 710048,China

Received:1900-01-01 Revised:1900-01-01 Online:2007-09-21 Published:2007-09-21
Contact: ZHANG Jiu-long

摘要/Abstract

摘要： 人脸的主要特征是曲线信息,提出了一种基于Curvelet变换的人脸识别算法。Curvelet变换在表达图像的曲线奇异性时,比小波变换和脊波变换能获得更稀疏的图像表示。在人脸识别中,用人脸的曲波系数来提取特征能更好地反映人脸的主要特征,文中使用支持向量机进行了识别。结果表明该方法比小波方法更有效。

关键词: 曲波变换, 人脸识别, 支持向量机, 小波变换

Abstract: A feature extraction method using Curvelet transform is presented for face recognition.Contrasting with wavelet transform,Curvelet transform directly takes edges as the basic representation elements and is anisotropic with strong direction.It is a multiresolution,band pass and directional function analysis method and is useful to represent the image edges and the curved singularities in images more efficiently.It yields a more sparse representation of the image than wavelet and ridgelet transform.In face recognition,the Curvelet coefficients can better represent the main features of the faces.The simulation shows that the proposed method is better than wavelet based method.

Key words: Curvelet transform, face recognition, Support Vector Machine（SVM）, wavelet transform

张九龙¹,张志禹²,屈小娥¹,黄薇². 基于Curvelet的人脸识别[J]. 计算机工程与应用, 2007, 43(27): 199-200.

ZHANG Jiu-long¹,ZHANG Zhi-yu²,QU Xiao-e¹,HUANG Wei². Face recognition based on Curvelet[J]. Computer Engineering and Applications, 2007, 43(27): 199-200.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[3]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[4]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[5]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[6]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[7]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[8]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[9]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[10]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[11]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[12]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[13]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[14]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[15]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.