基于特征加权的人脸识别

计算机应用 ›› 2005, Vol. 25 ›› Issue (11): 2584-2585.

基于特征加权的人脸识别

朱玉莲

南京航空航天大学计算中心

收稿日期:1900-01-01 修回日期:1900-01-01 发布日期:2005-11-01 出版日期:2005-11-01

Face recognition based on feature weighted and performance comparison

ZHU Yu-lian

Computer Center,Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu 211000,China

Received:1900-01-01 Revised:1900-01-01 Online:2005-11-01 Published:2005-11-01

摘要/Abstract

摘要： 现有的人脸识别方法通常未考虑不同特征或像素对识别结果的影响。实际上，人脸面部不同特征在人脸识别过程中的作用是不同的。研究了各个特征在识别中的作用，分别采用三种加权方法对人脸图像进行了预处理，并应用流行的人脸识别方法（联想记忆、主分量分析和Fisher线性判别分析）进行识别。最后用标准人脸库ORL进行了实验，实验结果表明特征加权方法对人脸识别是有效且通用的。

关键词: 人脸识别, 联想记忆, 主分量分析, Fisher线性判别分析, 特征(混合)加权

Abstract: Current face recognition methods usually do not consider the effects of different facial features.After the roles of different facial features in the course of face recognition were researched,face images were preprocessed by three feature weighted methods respectively,then were recognized by popular face recognition methods of association memory,principal component analysis and Fisher linear discriminant analysis.The experiments on ORL face database show that feature weighted methods are effective and general to face recognition.

Key words: face recognition, association memory, principal component analysis(PCA), Fisher linear discriminant analysis(FLDA), feature weighted

中图分类号:

TP391.41

朱玉莲. 基于特征加权的人脸识别[J]. 计算机应用, 2005, 25(11): 2584-2585.

ZHU Yu-lian. Face recognition based on feature weighted and performance comparison[J]. Journal of Computer Applications, 2005, 25(11): 2584-2585.

[1]	高工, 杨红雨, 刘洪. 基于深度学习的三维点云人脸识别[J]. 计算机应用, 2021, 41(9): 2736-2740.
[2]	李虹霞, 秦品乐, 闫寒梅, 曾建潮, 鲍骞月, 柴锐. 基于面部特征图对称的人脸正面化生成对抗网络算法[J]. 计算机应用, 2021, 41(3): 714-720.
[3]	方书雅, 刘守印. 基于学生人体检测的无感知课堂考勤方法[J]. 计算机应用, 2020, 40(9): 2519-2524.
[4]	赵青, 余元辉. 基于分层特征化网络的三维人脸识别[J]. 计算机应用, 2020, 40(9): 2514-2518.
[5]	李东博, 黄铝文. 重加权稀疏主成分分析算法及其在人脸识别中的应用[J]. 计算机应用, 2020, 40(3): 717-722.
[6]	龚锐, 丁胜, 章超华, 苏浩. 基于深度学习的轻量级和多姿态人脸识别方法[J]. 计算机应用, 2020, 40(3): 704-709.
[7]	陈放, 刘晓瑞, 杨明业. 基于活体检测和身份认证的人脸识别安防系统[J]. 计算机应用, 2020, 40(12): 3666-3672.
[8]	任珍文, 吴明娜. 基于熵自加权联合正则化最近点的图像集分类算法[J]. 计算机应用, 2019, 39(9): 2547-2551.
[9]	丁莲静, 刘光帅, 李旭瑞, 陈晓文. 加权信息熵与增强局部二值模式结合的人脸识别[J]. 计算机应用, 2019, 39(8): 2210-2216.
[10]	方国康, 李俊, 王垚儒. 基于深度学习的ARM平台实时人脸识别[J]. 计算机应用, 2019, 39(8): 2217-2222.
[11]	桑高丽, 闫超, 朱蓉. 基于多区域融合的表情鲁棒三维人脸识别算法[J]. 计算机应用, 2019, 39(6): 1685-1689.
[12]	杨亮东, 杨志霞. 稀疏限制的增量式鲁棒非负矩阵分解及其应用[J]. 计算机应用, 2019, 39(5): 1275-1281.
[13]	李秋珍, 栾朝阳, 汪双喜. 基于卷积神经网络的人脸图像质量评价[J]. 计算机应用, 2019, 39(3): 695-699.
[14]	谢志华, 江鹏, 余新河, 张帅. 基于VGGNet和多谱带循环网络的高光谱人脸识别系统[J]. 计算机应用, 2019, 39(2): 388-391.
[15]	张芳艳, 王新, 许新征. 基于结构化遮挡编码和极限学习机的局部遮挡人脸识别[J]. 计算机应用, 2019, 39(10): 2893-2898.