基于Gabor小波和二维主元分析的人脸识别

论文提出了一种基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法。该方法首先对人脸图像进行Gabor小波变换,将小波变换的系数作为人脸图像的特征向量;然后,用2DPCA对所得的人脸图像特征进行降维,并采用最近邻法进行分类;最后,利用AT&T人脸库,对基于Gabor小波和二维主元分析(2DPCA)的人脸识别方法和基于Gabor小波和PCA的人脸识别方法进行了仿真比较实验。仿真实验表明,基于Gabor小波和2DPCA的人脸识别方法具有较好的识别性能。     

一种基于同态滤波器与Radon变换的光照不变人脸识别方法

为了减轻光照变化对人脸识别精度的影响,提出了一种结合同态滤波器与Radon变换的人脸识别方法。首先用高斯同态滤波器对人脸图像进行处理,然后进行Radon变换,将变换得到的Radon特征用2DPCA/2DLDA进行降维。在Yale和PIE人脸数据库上的实验结果表明,提出的方法在光照变化较大时,其识别精度远高于2DPCA和2DLDA,是一种高精度的人脸识别算法。     

基于图像预处理下的2DPCA及人脸识别

对人脸图像进行离散小波变换来消除部分对识别无关的信息,以提高识别率并有效降低时间复杂度。同时为了抑制光照等外界条件的负面影响,还引入一种对图像灰度进行指数衰减的预处理策略,对预处理后的人脸图像采用二维主成分分析方法进行人脸识别。在YALE和ORL人脸库上试验表明,结合图像预处理的二维主成分分析(2DPCA)方法有着比PCA以及2DPCA更好的识别效果。     

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2DPCA和RBF神经网络的人脸识别方法

采用2DPCA方法提取人脸图像的特征值,通过RBF神经网络进行训练和识别,提出一种基于2DPCA和RBF神经网络的人脸识别方法,并将此方法应用于ORL人脸库。实验结果表明,该方法不仅具有较好的人脸图像识别能力,而且能明显缩短识别算法的运行时间。     

基于对角DCT与2DPCA算法的人脸识别

提出了一种对角离散余弦变换（Discrete Cosine Transform,DCT）和二维主元分析（Two－Dimensional Principal Component Analysis,2DPCA）相结合的人脸识别方法。该算法首先将人脸图像转换成对角图像,同时利用DCT压缩并重建人脸图像;然后通过2DPCA进行特征提取得到人脸识别特征;最后运用最近邻分类器进行识别。基于ORL（Olivetti Research Laboratory）、受污损ORL及Yale人脸数据库的实验结果证明了该算法的有效性。     

基于二阶双向二维主成分分析的人脸识别方法

为了克服光照变化较大的情况对识别率的影响,提出基于二阶双向二维主成分分析(Sec-(2D)2PCA)的人脸识别方法。丢弃提取人脸图像的(2D)2PCA的前几个反映光照信息的主成分。在剩余图像中再次使用(2D)2PCA方法。Yale人脸库B和Yale人脸库上的试验结果表明,该方法在识别性能上优于2DPCA、(2D)2PCA、Sec-2DPCA方法。     

基于差空间的双向2DPCA和SVM人脸识别算法

为降低SVM人脸识别算法对样本进行训练和识别的时间,提出了一种改进的基于差空间的双向2DPCA(Bidircctional two dimensions PCA)和SVM相结合的人脸识别算法。该方法充分考虑了表情和光照对人脸图像的影响,不但利用小波变换对人脸图像进行预处理,而且成功地把类内平均引入到双向2DPCA的计算中,并结合了SVM在分类识别方面的优势,有效节省了算法所需的时间。在Yale人脸库上的实验表明,它不但可以提高识别率,而且所用时间明显减少。     

人脸识别中光照补偿参数及必要性的判定方法*

针对实际人脸识别应用中大量人脸无须作光照补偿的情况,分别用2DPCA和Fisher两种人脸识别方法对FRVT标准人脸库进行识别,得出准确的影响人脸识别的光照方向参数,并提出了一种简单快速的判断是否需补偿的方法.实验证明,经过光照补偿判定后进行的人脸识别实验,需补偿人脸数目大量减少,运算量大大降低,人脸识别速度可以提高近四倍.     

基于2DPCA和LDA的人脸图像预处理与RBF神经网络的人脸图像识别研究

本文针对人脸识别应用中存在的人脸图像的高维特点,对人脸图像如何快速降维以及提取人脸主要特征,同时实现人脸识别的高效性问题进行研究。首先,分别研究了2DPCA、LDA、RBF神经网络算法。然后,综合设计了应用2DPCA+LDA方法对人脸图像进行降维和特征提取,同时利用RBF神经网络方法对人脸图像进行分类识别。最后,将本方法在ORL人脸数据库上进行实验验证,证明在识别率和时间上得到了很好的效果。     

基于自适应特征融合的人脸识别

针对单一人脸特征在人脸识别中的局限性问题和二维主成分分析人脸特征缺少判别信息的问题,利用互补思想,提出了一种改进的二维主成分分析与二维线性鉴别分析加权融合的人脸识别算法。利用离散余弦变换对原始人脸图像进行压缩并重建,以滤除图像中人眼并不敏感的中高频部分,再利用二维主成分分析方法进行人脸特征的提取;运用二维线性鉴别分析方法提取原始人脸图像中具有鉴别性的人脸特征;最后,提出一种自适应的权值选取方法,将两种人脸特征进行加权融合以实现分类识别。在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

基于2DPCA和压缩感知的人脸识别方法

提出一种基于二维主成份分析(2DPCA)和压缩感知的人脸识别方法.阐述2DPCA提取特征向量的工作原理,利用压缩感知方法求解待识别图像在足够样本下的稀疏表示.由所有训练图的特征向量构成测量矩阵,将每一幅待识别图像的特征向量作为测量值,由压缩感知中求解的L1范数极小值得到待识别图像的编码信号,根据该编码信号识别人脸图像....     

二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。     

融合WMD矩阵与2DPCA的人脸特征抽取与识别

提出了一种融合小波矩描述子(WMD)矩阵与二维主成分分析(2DPCA)的人脸特征抽取与识别算法。该方法抽取描述人脸本质特征的WMD矩阵，利用2DPCA对该矩阵进行投影压缩降维，抽取人脸最终鉴别特征，利用最近邻分类器对特征进行分类识别。NUST603人脸库上的实验结果验证了算法的有效性。     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

二维主元分析在人脸识别中的应用研究

结合二维主元分析（two-dimensional principal component analysis，2DPCA）的特点，将2DPCA算法用于人脸识别。它与主元分析（principal component analysis，PCA）的不同之处在于，2DPCA算法以图像矩阵为分析对象；而PCA算法以图像的一维向量为分析对象。2DPCA算法是直接利用原始图像矩阵构造图像的协方差矩阵。而PCA算法需对原始图像矩阵先降维、再将降维矩阵转换成列向量，然后构造图像的协方差矩阵。为了测试和评估2DPCA算法的性能，在ORL（olivetti research laboratory）与Yale人脸数据库上进行了实验，结果表明，2DPCA算法用于人脸识别的正确识别率高于PCA算法。同时，也显示了2DPCA算法在特征提取方面比PCA算法更有效。     

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.     

Color face recognition based on quaternion matrix representation

There are several methods to recognize and reconstruct a human face image. The principal component analysis (PCA) is a successful approach because of its effective extraction of the global feature and excellent reconstruction of face image. However, the crucial shortcomings of PCA are its low recognition rate and overfitting of feature extraction which leads to the dependence of training data on training samples. In this paper, a modified two-dimension principal component analysis (2DPCA) and bidirectional principal component analysis (BDPCA) methods based on quaternion matrix are proposed to recognize and reconstruct a color face image. In these methods, the spatial distribution information of color images is used to represent a color face, and the 2DPCA or BDPCA feature of color face image is extracted by reducing the dimensionality in both column and row directions. A method obtaining orthogonal eigenvector set of quaternion matrix is proposed. Numerous experiments show that the present approach based on quaternion matrix can effectively smooth the overfitting issue and substantially enhance the recognition rate.     

基于模块2DPCA的人脸识别方法

提出了模块2DPCA（two-dimensional principal component analysis）的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块，将分块得到的子图像矩阵直接用于构造总体散布矩阵，然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法（比如PCA）相比，该方法在特征抽取之前不需要将子图像矩阵转化为图像向量，能快速地降低鉴别特征的维数，可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明，模块2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。