基于DCT融合2DPCA与DLDA的人脸识别

传统的基于主成分分析的人脸识别需要将图像矩阵转化为向量,特征提取需要花费大最时间.二维主成分分析直接利用图像矩阵,特征提取速度快,但特征数量大,影响分类速度.因此,提出了一种基于离散余弦变换(DCT)的二维主成分分析(2DPCA)和直接线性判决分析(DLDA)结合的人脸识别方法.算法首先用DCT对人脸图像进行压缩并重建,然后利用2DPCA和DLDA对人脸图像进行特征提取.最后选用最近邻分类器进行分类.在ORL人脸库上的测试结果表明,与DLDA或2DPCA算法相比,算法具有更高的识别率.     

双向压缩二维特征抽取人脸识别新方法

提出了二维主成分分析(2DPCA)与二维线性鉴别分析(2DLDA)相结合的双向压缩投影的子空间人脸识别方法.该方法在进行一次2DPCA运算后,对特征矩阵进行转置,再进行2DLDA运算,与(2D)~2PCA与(2D)~2LDA相比,充分利用了2DPCA和2DLDA的优点,既包含了样本的类别信息,又消除了图像矩阵行和列的相关性,有效地提取了行和列的识别信息,识别特征维数也大幅度减少.在ORL和PERET人脸库上的实验表明,在不影响识别速度的情况下,其识别率优于现有二维特征提取方法.     

基于小波分解和K2DPCA-2DLDA的手背静脉识别

提出了一种基于小波分解和二维主成分分析-二维线性判别式分析(K2DPCA-2DLDA)的手背静脉识别方法,选用db4小波基对原图进行小波分解。对其低频子图进行K2DPCA映射获得低维空间特征,通过对此低维空间特征进行2DLDA变换得到最终特征表达,利用最近邻法则进行了分类。实验结果表明,该方法能提高手背静脉识别率,有效减少识别时间。     

二维PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法.利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取.基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2pCA、2...     

2DPCA+2DLDA和改进的LPP相结合的人脸识别算法

针对局部保持投影（LPP）算法无监督且只保留局部信息的特性,提出一种2DPCA+2DLDA和改进的LPP相结合的人脸识别算法。将训练集样本用2DPCA+2DLDA算法进行投影,保留数据整体空间信息和分类信息;引入类内、类间信息对LPP算法的关系矩阵进行优化,使LPP成为有监督的非线性学习方法,采用改进的LPP（ILPP）算法对训练集图像进行二次投影,提取样本的局部流形信息,并作为人脸识别信息进行鉴别。在Yale和ORL人脸库的测试结果验证了该方法的有效性。     

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点：分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明：该方法在识别性能上优于2DLDA方法。     

基于二维复判别分析的人脸识别研究

为了提高人脸正确识别率和效率,在行列方向的二维线性判别分析((2D)2LDA)基础之上,提出了一种二维复判别分析(2DCCDA)的人脸识别方法.该方法通过(2D)2LDA并行提取到的行和列特征矩阵,利用复二维鉴别式分析(C2DLDA)将行和列特征融合成复数特征矩阵,从复数特征矩阵中提取出最具分类能力的系数组成特征向量.相比较二维线性判别分析(2DLDA)和(2D)2LDA方法,2DCCDA需要更少的特征系数来表征一幅图像,并且正确识别率也相应提高.     

基于PCA和LDA结合的人脸识别方法的比较研究

针对用于人脸识别的主分量分析(PCA)计算量大、识别效果不佳和分类时间长,线性判别分析(LDA)存在小样本问题,比较研究几种基于PCA和LDA的人脸识别方法,这些方法包括PCA+ LDA、2DPCA+ DLDA和2DPCA+2DLDA.在理论和实验上比较研究这些方法,且在ORL和Yale人脸库的实验数据表明,结合后的方法比结合前的方法分类效果好,分类时间短,且在这几种方法中,2DPCA+2DLDA的效果最佳.     

基于分块2DPCA的人脸识别方法

为进一步提高分块二维主成分分析(2DPCA)算法在人脸识别的识别率,提出一种人脸识别算法.将训练样本人脸矩阵按光照等相似条件进行分块并进行类内平均归一化;采用2DPCA算法构造特征空间,将分块矩阵在特征空间中进行投影得到训练样本识别特征,利用支持向量机(SVM)在分类上的优势,对训练样本识别特征和经过归一化分块2DPCA的测试样本识别特征进行分类,对人脸图像进行识别.选取ORL人脸数据库的图片进行实验,将该算法与传统2DPCA、2DPCA+SVM等算法进行比较,验证了该算法的性能优于其它算法.     

基于Gabor-2DLDA方法的人脸识别研究

结合Gabor小波、二维线性鉴别分析（2DLDA）的特点,提出一种人脸识别方法。算法首先对人脸图像进行Gabor小波变换,然后进行2DLDA处理,最后使用最近邻法则进行分类。使用这种方法在ORL、Yale人脸库上进行测试,结果表明,Gabor-2DLDA方法比其它传统方法具有更优的性能,而且在提高识别率的同时算法的复杂程度并没有明显增加。     

环F2+uF2+u2F2上的(1+u+u2）—循环码*

通过定义一种从环F2+uF2+u2F2到域F2上新的Gray映射,将环F2+uF2+u2F2上的线性(1+u+u2)—循环码等距映射成域F2的线性循环码;进一步又给出了在码长n=3(mod 4)时环F2+uF2+u2F2上的线性(1+u+u2)—循环码的Gray象的生成多项式,这对构造新的好码具有重要意义。     

F2+uF2+u2F2+u3F2上的循环码和自对偶码

构造了一个含有16个元素的有限环,给出了这个有限环上码长为奇数的循环码的必要条件。然后给出了这个有限环上码长为奇数的循环码的一个生成多项式,得到了在这个环上的自对偶码存在的一个充分必要条件。     

环F2+uF2+u2F2上的线性码及其Gray像

记R=F₂+uF₂+u²F₂,R₁=F₂+uF₂,定义了从Rⁿ到F³ⁿ₂的Gray映射Ф以及从Rⁿ₁到Rⁿ的映射f。通过对环R上线性码C的生成矩阵的研究,给出了线性码C的对偶码C^⊥和Gray像Ф（C）的生成矩阵,并且Ф（C）与Ф（C^⊥）是F₂上的对偶码。通过映射f将环R₁上的线性码与环R上的一类线性码对应起来。     

环F2+uF2+u2F2上线性码的深度分布

记R=F₂+uF₂+u²F₂,定义了环R上码字的深度以及R上线性码的深度分布,研究了环R上码字深度的性质,给出了计算环[R]上码字深度的递归算法。利用环R上的线性码C及其生成矩阵,得到了域F2上的线性码C1,Cu,Cu2及相应的生成矩阵。通过域F2上的线性码C1,Cu,Cu2之间的关系,讨论了环R上的线性码的深度谱和深度分布,进而得到R上一类线性码的深度分布。     

A 2-phase 2-D thresholding algorithm

When using 2-D thresholding to segment images, the used threshold would partition the 2-D histogram into four quadrants, two of which are corresponding to the object and background, while the other two are corresponding to edges and noise. However, unsuccessful segmentation will often happen because many existing 2-D thresholding methods ignore edges and noise quadrants in calculation. To solve this problem, in this paper a novel 2-D threshold line segmentation strategy is proposed, in which the second threshold point is determined adaptively by considering the information of incorrectly classified pixels. The experiments on typical images demonstrated that the proposed method achieves very competitive segmentation results in comparison with the existing representative methods.