研究目的
评估全局和局部特征提取器及降维方法在近红外人脸识别系统中应对面部表情、眼镜、头部旋转、噪声和错位等挑战时的性能表现。
研究成果
泽尼克矩和未抽取离散小波变换是有效的特征提取方法,而谱回归判别分析是在各种挑战条件下提高近红外系统人脸识别精度的最佳降维方法。未来的工作应结合全局与局部特征以提升性能。
研究不足
该研究仅限于特定数据库(中科院自动化所近红外数据库CASIA NIR和香港理工大学近红外人脸数据库PolyU-NIRFD),未涉及时间变化和尺度变化问题;将图像缩放至64x64尺寸可能导致部分细节丢失,且方法仅在受控挑战条件下进行评估。
1:实验设计与方法选择:
本研究采用欧氏距离最近邻分类器处理全局特征(零相关矩阵ZMs、独立成分分析ICA、行离散余弦变换RDCT、行离散小波变换RDWT),通过决策融合处理局部特征(局部二值模式LBP、梯度加权GW、离散小波变换DWT、非下采样离散小波变换UDWT),并对比了主成分分析PCA、核主成分分析KPCA、Fisherface、核费希尔判别KFD、稀疏表示判别分析SRDA等降维方法。
2:样本选择与数据来源:
使用中科院自动识别实验室近红外数据库(CASIA NIR)和香港理工大学近红外人脸数据库(PolyU-NIRFD),包含受试者在不同条件下的图像;画廊集与探测集定义无重叠。
3:实验设备与材料清单:
数据库图像由特定相机采集(如CASIA采用850nm波长自制相机,PolyU采用850nm波长JAI相机)。
4:实验流程与操作规范:
预处理包括眼睛对齐、裁剪及统一缩放至64×64像素;依次进行特征提取、降维处理后实施分类。
5:数据分析方法:
基于多次随机划分的识别率、标准差及置信区间评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容