Gabor变换与最小生成树在单一训练样本人脸识别中的应用

“基于Gabor变换的每类单个训练样本人脸识别研究”是一篇探讨人脸识别技术的学术论文，该研究结合了高维仿生信息学理论和图论中的最小生成树算法，针对每类仅有一个训练样本的极端情况，解决光照变化下的人脸识别问题。 在这篇论文中，研究人员提出了一种新算法，该算法首先利用Gabor小波变换对人脸图像进行处理。Gabor小波是一种多尺度、多方向的分析工具，能有效捕获图像的纹理和边缘信息，尤其适合人脸图像的特征提取。通过对每个训练图像应用Gabor滤波，可以得到40个不同的Gabor特征图，这些特征图反映了图像在不同尺度和方向上的特性。 接着，研究者采用了超香肠神经网络模型（HSN模型）来对这40个Gabor特征图进行识别。HSN模型是一种特殊的神经网络结构，具有强大的非线性映射能力，能适应复杂的数据分布，因此适合作为人脸识别的分类器。每个Gabor特征图都会通过HSN模型得出一个识别结果。 为了提高识别的准确性，论文还引入了决策融合策略。基于投票机制，所有Gabor特征图的识别结果会被汇总并采用多数投票原则来确定最终的识别决策。这种方法有助于减少单个特征图错误决策的影响，从而提升整体识别的稳定性。 实验部分，研究者在几个典型的人脸图像库上进行了测试，每类只使用一个训练样本，模拟了实际应用中的极端情况。在光照条件变化的情况下，这种结合Gabor变换、HSN模型和决策融合的方法显示出了较好的人脸识别性能，验证了其合理性和有效性。 关键词涉及到的技术点包括：Gabor小波用于特征提取，Gabor滤波进行图像变换，决策融合用于提高识别精度，高维仿生信息学作为理论基础，以及最小生成树算法在构建训练样本覆盖中的应用。这些技术和理论的综合运用，为在低样本量和复杂环境条件下实现高精度人脸识别提供了新的思路和方法。 这篇论文发表于2009年，由庄德文、周德龙和王宪保等人完成，得到了国家自然科学基金的支持。作者们分别来自浙江工业大学的信息工程学院和理学院，他们的研究方向涵盖了模式识别、人工神经网络和图像处理等领域。