基于Overcomplete ICA的人脸特征提取

人脸特征提取是人脸识别中最重要的一个环节,人脸特征提取的一种主要方法是寻找一系列的基图像,然后再把人脸表示为这一系列基图像的线性叠加。PCA和ICA在寻找基图像的过程中,源图像和基图像的数目都是相同的。本文提出了一种基于Overcomplete ICA的人脸特征提取方法,所得到的基图像数目要多于源图像数目。最后采用最小距离分离器进行人脸识别的实验,并与PCA和ICA的识别效果进行比较。     

独立成分分析应用于人脸识别中的几个问题

独立成分分析近年来广泛应用于人脸识别等模式领域。首先对人脸图像进行预处理降维,然后利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一个子空间,最后利用待识别图像在这个空间上的投影进行人脸识别。针对训练样本个数,训练人数以及独立基数目影响识别率等三个问题进行实验,得出结果并进行分析。     

人耳人脸特征融合在身份鉴别中的研究

针对单一人耳识别对姿态变化鲁棒性较差的问题,鉴于人脸在图像性质和生理位置上与人耳具有相似性和互补性,使用了多模态特征融合的方法提高姿态变化下的识别率.与传统的独立成分分析首先获得独立的基向量(ICAl)不同,提出了利用ICA直接获得独立的鉴剐特征的方法(ICA2).在USTB图像库上分别将两种ICA特征进行单模态和多模态的融合.实验表明,两种特征的融合提高了单一模态的识别率,并且多模态识别优于单一的人耳或人脸识别.     

基于信息融合的面部表情识别

文章提出用支持向量机融合四种基于不同特征表示的面部表情识别方法进行面部表情识别,即几何表示、PCA人脸表示、ICA人脸表示和FLD人脸表示。在用FLD和ICA提取表情特征前先进行PCA,把训练样本的人脸图像向量投影到一个较低维的空间,以达到降维和去除相关性的目的。然后对每一种表情特征表示都用最小距离分类器进行初步分类,最后用支持向量机融合这些分类结果来进行面部表情的最终识别,实验证明本文提出的方案是有效的。     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中,待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息,然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略,能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

基于统计学习理论的人脸识别方法研究

人脸识别过程中，待识别人脸图像的预处理、特征选择与提取以及分类器的选择是非常重要的。利用核主成分分析方法提取的人脸图像特征信息能较好地反映人脸特征的非线性结构信息，然后将此特征数据作为支持向量机的输入数据、结合二叉树判别策略，能够实现对多类人脸图像的分类识别。实验结果表明该方法能够取得较好的识别效果。     

人脸识别特征提取算法研究

人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点,人脸特征提取是人脸识别技术的关键。首先介绍了ICA算法的原理,并对ICA算法的优缺点进行了讨论,提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在ORL标准人脸数据库上的实验结果表明,这种识别算法优于PCA和ICA算法。     

结合独立成分分析和核向量机进行人脸识别

在人脸识别过程中,首先利用独立成分分析得到独立的人脸基影像,所提取的特征就是人脸图像在基影像上的投影系数,通过选择合适的特征个数可以达到较高的识别准确率。然后采用支持向量机和核向量机分别对待识别图像在基影像上的投影系数进行分类判决,结果显示二者都能达到较高的识别准确率,但随着特征个数的增加,核向量机的准确率更高,训练时间更短,支持向量更少。实验表明方法可行有效的。     

基于WT／ICA和神经网络的人脸识别方法

提出了一种基于WT／ICA和神经网络的人脸识别方法。首先利用小波分析提取原始图像的低频子图，然后利用独立分量分析（ICA）进行特征提取，最后采用径向基函数（RBF）神经网络进行分类和识别。实验表明该方法提高了人脸的识别率。     

基于独立分量分析的图像特征提取及去噪

探讨了一种新的多元统计分析方法———独立分量分析在图像特征提取及噪声去除中的应用。利用基于信息传输最大原则的infomax算法对自然图像的基向量进行迭代学习。实验表明,提取的基向量在空间频率上具有方向性和局部性,描述了输入自然景物图像的边缘特征。结合软门限算子,实现了图像中高斯噪声的去除。     

一种基于ICA和模糊LDA的特征提取方法

独立成分分析(ICA)和线性鉴别分析(LDA)是两种经典的特征提取方法.为了更好地解决人脸识别中的特征提取问题,在已有的两种方法进行特征抽取的基础上引入模糊技术,抽取重叠(离群)样本中有助于分类的特征.首先用ICA进行初次特征提取,然后采用模糊k近邻方法得到相应的样本分布信息,最后在此基础上用模糊LDA进行二次特征提取,得到有效的特征向量集.在3个人脸数据库上的实验结果表明本文方法的有效性.     

基于PCA/ICA的多数据流关联及模式发现

基于主成分分析技术、独立分量分析技术以及多数据流模型,将用于数据和信号分析的PCA/ICA方法应用于多数据流模型,提出多数据流关联度分析和模式发现的新模型。该模型适用于解决在线混合数据流分离,对挖掘多数据流潜在独立内因有良好效果。探讨模型的健壮性和实时性,并在实验中验证了系统性能。     

Feature extraction for classification problems and its application to face recognition

This study investigates a new method of feature extraction for classification problems. The method is based on the independent component analysis (ICA). However, unlike the original ICA, one of the unsupervised learning methods, it is developed for classification problems by utilizing class information. The proposed method is an extension of our previous work on binary-class problems to multi-class problems. It treats the class labels as input features in order to produce two sets of new features: one that carries much information on the class labels and the other that is irrelevant to the class. The learning rule for this method is obtained using the stochastic gradient method to maximize the likelihood of the observed data. Among the new features, using only class-relevant ones, the dimension of the feature space can be greatly reduced in line with the principle of parsimony, resulting better generalization. This method was applied to recognize face identities and facial expressions using various databases such as the Yale, AT&T (former ORL), Color FERET face databases and so on. The performance of the proposed method was compared with those of conventional methods such as the principal component analysis (PCA), Fisher's linear discriminant (FLD), etc. The experimental results show that the proposed method performs well for face recognition problems.     

ICA的一种新应用：图像滤波

利用独立分量分析的特性,提出一种新颖的图像滤波方法。该方法将原始图像和整体向右平移一列的图像看作ICA观测信号,对这2幅强相关性图像组成的矩阵信息进行ICA处理,可以得到一幅锐化图像,表明ICA在这种情况下具有高通滤波的性能。计算机仿真实验结果说明,该方法提取出的锐化图像具有层次感强、定位精度高等特点,是一种有效的滤波方法。     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

基于组合特征的手写体数字识别方法*

提出了一种新的手写体数字识别方法。首先利用核主分量分析技术提取数字图像的全局特征,然后利用独立分量分析技术提取数字图像的局部特征,分别选出部分局部特征向量与部分全局特征向量组合成数字的组合特征向量,然后利用支持向量机分类器进行识别。采用USPS字库进行测试,并与其他特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其他方法。     

基于ICA的卵巢癌质谱数据分析

卵巢癌蛋白质谱数据属于高通量数据,含有大量冗余信息,且许多重要信息都包含在高阶信息中,而独立成分分析可以从高阶信息中提取有用特征。将传统的独立成分分析融入卵巢癌蛋白质谱数据的特征提取中,并利用类信息机制监督独立成分分析过程。仿真实验结果表明,独立成分分析和监督式独立成分分析在卵巢癌蛋白质谱数据集研究过程中取得了良好的效果,识别率可达98%。     

一种改进的基于PCA和FLD的掌纹识别

掌纹识别是生物特征识别中的一种,由于其分辨率要求低、设备成本低、用户易接受等优点受到众多研究者的关注.同其他生物特征识别一样也包括几何特征和数学特征识别两类方法,在数学特征中PCA、ICA、FLD等特征都可以用于掌纹识别.PCA是一种基于二阶统计的最小均方误差意义上的最优维数据压缩技术,FLD是一种较为普遍的用于特征提取的线性分类方法.将PCA和FLD结合起来进行掌纹识别,在识别阶段进一步利用了以前仅用于降维的PCA特征和FLD特征相融合进行识别.实验结果证明该方法比未改进的FLD方法在识别率上得到明显的提高.     

基于曲波变换和独立分量分析的有噪图像盲分离

曲波变换是在小波变换的基础上发展起来的一种新方法，能够有效地对具有复杂纹理的图像进行去噪。在分析独立分量分析（ICA）的基本模型和方法的基础上，提出利用快速离散曲波变换和FastICA算法进行有噪图像盲分离。仿真结果表明，对于含有加性观测噪声的混合图像，该方法能够有效地进行去噪分离。