基于PCA+LDA的热红外成像人脸识别

研究热红外成像人脸识别技术,提出一种基于主成分分析(PCA)和线性鉴别分析(LDA)的热红外成像人脸识别方法.针对热红外人脸图像的特点,首先对图像进行预处理得到一组标准热红外人脸图像,利用PCA算法对图像向量进行降维并提取其全局特征,对降维后的热红外人脸全局特征采用LDA算法训练生成一个使类间离散度最大、类内离散度最小的最佳分类器.最后,进行基于PCA+LDA的热红外人脸图像识别研究,实验结果表明该方法可获得较高的识别率.     

结合2DWT和Fisherfaces的人脸特征提取新方法

针对人脸表情变化对人脸识别的影响,提出一种结合小波变换(DWT)、特征脸方法(PCA)和线性判别法(LDA)的人脸特征提取新方法.首先将人脸图像通过二维小波变换(2DWT)提取其低频分量,然后将低频图像经过PCA变换映射到一个低维空间,最后在低维空间中利用LDA方法进行人脸特征的提取.通过此方法,采用ORL人脸库和Yale人脸库进行测试,我们可实现更准确的特征提取,并有效解决表情变化对人脸识别的影响问题.实验结果显示,本文方法在提高人脸识别率的同时,也提高了人脸识别速度.     

基于生物启发特征和SVM的人脸表情识别

将C1特征应用于静态图像人脸表情识别,提出了一种新的基于生物启发特征和SVM的表情识别算法。提取人脸图像的C1特征,利用PCA+LDA方法对特征进行降维,用SVM进行分类。在JAFFE和Extended Cohn-Kanade（CK+）人脸表情数据库上的实验结果表明,该算法具有较高的识别率,是一种有效的人脸表情识别方法。     

基于2DLDA与SVM的人脸识别算法

二维线性鉴别分析（2DLDA）算法能有效解决线性鉴别分析（LDA）算法的“小样本”效应,支持向量机(SVM)具有结构风险最小化的特点,将两者结合起来用于人脸识别。首先,利用小波变换获取人脸图像的低频分量,忽略高频分量;然后,用2DLDA算法提取人脸图像低频分量的线性鉴别特征,用“一对多”的SVM多类分类算法完成人脸识别。基于ORL人脸数据库和Yale人脸数据库的实验结果验证了2DLDA+SVM算法应用于人脸识别的有效性。     

基于PCA及机器学习的人脸识别应用研究

针对人脸识别问题,提出利用PCA算法提取特征脸,采用LDA和SVM算法进行人脸分类并比较两种算法的分类结果,展示在ORL以及Yale数据库上的实验结果,提出SVM算法在人脸光照变化的数据集上的结果更好,LDA算法在人脸方位变化的数据集上的结果更好且算法复杂度更低、识别效率更高。     

基于SVM的人脸识别研究

针对人脸结构过于复杂,导致识别精度低的问题,提出基于支持向量机（Support Vector Machine,SVM）的人脸识别方法。首先,选取Gabor小波变换算法,利用高斯函数表示短时傅里叶变换的窗函数,通过对人脸图像的卷积运算,提取人脸图像的幅值特征以及相位特征。其次,选取主成分分析方法,对所提取的人脸图像特征进行特征降维处理。最后,设置完成降维处理的人脸特征值,作为SVM的输入,利用SVM输出人脸识别结果。实验结果表明,该方法在强光等复杂环境下,仍然可以精准识别人脸,人脸识别精度高于97%。     

基于特征的人脸分类算法研究

人脸识别是计算机视觉、模式识别中的一个研究热点和难点。针对墨镜和口罩这两个属性对人脸图像进行分类,系统地研究了不同的人脸分类算法的性能,其中包括主分量分析（PCA）、线性判别分析（LDA）、相关系数（Correlation）、支持向量机（SVM）、Adaboost算法,给出了在OMRON人脸库上的实验对比结果。实验表明,降低特征向量的维数,可以大大的减少分类时间的开销,同时不会明显降低分类器的性能。另外,本文提出了一种SVM和Adaboost相结合的方法,针对每种属性,选择和训练最优的人脸特征,取得了较为理想的结果。     

基于环形对称Gabor变换和PCA加权的人脸识别算法

环形对称Gabor变换不但具有Gabor小波的一般特性,而且具有信息冗余度小、严格的旋转不变性等优点.文中提出一种基于环形对称Gabor变换和PCA加权特征的人脸识别算法.首先将人脸图像变换到环形对称Gabor变换域,然后在变换域采用PCA加权方法提取分类特征.在3个人脸库上进行实验,与传统人脸识别算法的对比实验说明该算法的可行性和对光照、姿态变化具有更好的鲁棒性.     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

基于改进型PCA和LDA融合算法的人脸图像识别

研究提高人脸识别率问题,因人脸图像易受光照条件、人脸丰富的表情变化以及周围复杂环境干扰等因素的负面影响,导致其识别准确度很低,影响其识别效果。鉴于此,提出了改进型PCA和LDA融合算法人脸图像识别方法,首先通过在改进PCA算法中结合基于标准差和局部均值的图像增强处理,使其可以有效调节光照不均匀对人脸识别所造成的负面影响,进而拓展了PCA算法的应用条件范围,然后将改进的PCA算法与LDA算法相结合,运用改进的PCA算法对训练图像降维,最后再对降维以后的特征采用LDA算法,训练出一个最具判别力的分类器,实验证明本文提出的方法对光照不均匀、表情变化的人脸具有一定的鲁棒性,具有很好的人脸识别性能,提高了其识别率,优于一般的PCA算法。     

融合改进LBP和SVM的偏光片外观缺陷检测与分类

偏光片的外观缺陷是影响TFT-LCD面板质量的重要因素之一。为提高偏光片外观缺陷图像识别的准确性,提出一种改进局部二值模式（Local Binary Pattern,LBP）描述符和支持向量机（Support Vector Machine,SVM）的识别方法。缺陷图像通过暗场成像原理获得,将缺陷图像划分为不同的区,对每一个区域提取LBP特征并组成高维复合特征。将不同分区的像素均值特征与LBP复合特征进行集成,利用主成分分析（Principal Component Analysis,PCA）消除特征间的相关性和噪声,使用线性判别分析（Linear Discriminant Analysis,LDA）进一步投影变换至低维特征,使用支持向量机对上述特征进行分类。结合改进LBP描述符、PCA、LDA和SVM四种算法的优点,在总数250的数据库中进行仿真实验,结果表明,该方法识别准确率达到99.2%,单张图像识别时间为0.92 s,完全满足工业生产线的实际应用要求。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

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...     

基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式（Local Binary Pattern,LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情（JAFFE）数据库上测试,取得了70.95%的识别率。     

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法（NSA）和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA 的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。     

多种代数特征抽取方法下的人脸图像SVM算法研究

本文分别用主成分分析(PCA)、独立成分分析(ICA)以及线性鉴别分析(LDA)方法对图像进行特征抽取,采用支持向量机(SVM)算法进行人脸图像分类。通过在YALE人脸图像库上的实验结果验证表明,在多种特征抽取方法下的图像分类算法是有效的。     

一种高效的人脸识别算法

提出一种基于局部Fisher鉴别分析(LFDA)和优化支持向量机(SVM)的高效人脸识别算法。在综合考虑局部几何结构和类别信息的基础上,利用LFDA将高维人脸数据映射到低维特征空间,避免维数灾难问题。在该低维特征空间中,使用经乘性更新规则训练的优化SVM对人脸数据进行分类识别。在人脸数据库上的实验结果表明,该算法的运算速度较快,识别准确率较高。     

一种自适应加权HOG特征的人脸识别算法

为了提高人脸识别在复杂条件下的识别率,提出一种基于自适应加权梯度方向直方图特征（AW-HOG）的人脸识别方法。该方法首先将人脸图像分成均匀子块,并利用HOG描述算子提取分块人脸特征,根据各分块对识别的贡献率自适应地计算各分块的权重,然后融合权重系数以及各分块的HOG特征,形成AW-HOG特征并采用主成分分析（PCA）算法进行降维,最后利用支持向量机（SVM）进行分类识别。在Yale B 以及AR标准人脸库上的实验结果表明,提出的人脸识别方法在识别率上优于传统算法且对光照具有较强的鲁棒性。     

基于特征的弹性图匹配人脸识别算法改进

针对传统人脸识别弹性图匹配算法空间复杂度高、实时性较差的问题,提出一种弹性图匹配改进算法,将人脸图片特征点经Gabor小波预处理后,结合主成分分析(PCA)和Fisher线性判别方法(FLD)对生成的特征矢量进行处理,降低维数,减少计算量,同时在不降低识别率的前提下,提高识别速度。与传统的PCA算法、FLD算法、EGM算法进行仿真比较,证明该改进算法识别率高、实时性好。