基于状态估计的张量分解人脸识别方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (24): 143-145.

• 图形、图像、模式识别 • 上一篇下一篇

基于状态估计的张量分解人脸识别方法

梅蓉蓉，吴小俊，冯振华

江南大学信息工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-21 发布日期:2011-08-21

Face recognition method based on state estimation and tensorfaces algorithm

MEI Rongrong，WU Xiaojun，FENG Zhenhua

School of Information Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-21 Published:2011-08-21

摘要/Abstract

摘要： 张量脸算法是分析和表达多因素影响的人脸图像结构的一种有效的数学模型，然而张量分解对状态空间的非线性处理仍存在不足之处。对此提出了一种新的多姿态人脸图像识别方法，在原有的张量脸算法基础上结合状态估计的方法。将训练样本图库中不同状态的人脸通过PCA分解得到多种状态（角度、光照、表情）分别对应的特征空间，对于测试样本先投影到每个特征空间，利用最近邻分类器进行状态估计，对利用张量脸算法得到的张量脸进行识别。实验结果表明，该特征提取方法的识别率优于原有的张量脸算法。

关键词: 张量脸, 状态估计, 人脸识别, 最近邻分类器

Abstract: Tensorfaces algorithm is an effective mathematical model which can analyze and express the frames of multi-view face images，but there are some problems of multi-linear analysis method with nonlinear changes of face images.So an improved tensorfaces algorithm is proposed for multi-view face recognition which integrates state estimation.The training face images from different states are decomposed to some eigenspaces（views，illuminations and expressions） by PCA.Then the testing face images can be projected into each eigenspace and estimate the states of the unknown images by the closest classifier.It can recognize the faces by tensorface of every image which is obtained by the tensorfaces algorithm.Experimental results show that this method outperforms the original tensorfaces method.

Key words: tensorfaces, state estimation, face recognition, closest classifier

梅蓉蓉，吴小俊，冯振华. 基于状态估计的张量分解人脸识别方法[J]. 计算机工程与应用, 2011, 47(24): 143-145.

MEI Rongrong，WU Xiaojun，FENG Zhenhua. Face recognition method based on state estimation and tensorfaces algorithm[J]. Computer Engineering and Applications, 2011, 47(24): 143-145.

[1]	张鑫，张席. 优先状态估计的双深度Q网络[J]. 计算机工程与应用, 2021, 57(8): 78-83.
[2]	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.
[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]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[9]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[10]	徐正凤，曾维理，羊钊. 航空器轨迹预测技术研究综述[J]. 计算机工程与应用, 2021, 57(12): 65-74.
[11]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[12]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[13]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[14]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[15]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.

基于状态估计的张量分解人脸识别方法

Face recognition method based on state estimation and tensorfaces algorithm

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