随机采样的2DPCA人脸识别方法

在2DPCA的基础上提出一种随机采样的2DPCA人脸识别方法--RRS-2DPCA.同传统通过对特征或投影向量进行采样的方法不同的是,RRS-2DPCA(Row Random Sampling 2DPCA)将随机采样建立于图像的行向量集中,然后在行向量子集中执行2DPCA.在ORL、Yale和AR人脸数据集上进行实验,结果表明RRS-2DPCA不仅具很好的识别性能和运算效率,而且对参数具有很大的稳定性.另外针对2DPCA和RRS-2DPCA对光线、遮挡等不鲁棒问题,进一步提出了局部区域随机采样的2DPCA方法LRRS-2DPCA(Local Row Random Sampling 2DPCA),将RRS-2DPCA执行在人脸图像的局部区域中.实验结果表明LRRS-2DPCA不仅具有较好的鲁棒性更大大的提高了RRS-2DPCA的识别性能.     

人脸识别技术在门禁系统中的应用

射频识别(RFID)技术与生物特征识别技术如今已经成为当代门禁技术的主流。提出了一种在门禁系统中利用RFID技术与人脸识别技术相结合进行身份验证的设计方案。实验表明,结合两种技术将会提高身份识别的安全性和有效性,满足了高度机密性场所安全保护和高效率管理的需要。     

改进的模块2DPCA人脸识别算法

提出一种改进的模块2DPCA人脸识别算法,即基于子距离的模块2DPCA人脸识别算法。该算法对图像进行分块,对每一子块独立地利用2DPCA进行处理,求出测试样本子块与训练样本对应子块间的子距离,将所有子距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库上的实验结果表明,该算法在识别性能上优于普通的模块2DPCA算法和修正的模块2DPCA算法。     

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.     

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.     

模糊支持向量机在人脸识别中的应用

针对人脸图像特征提取领域应用主成分分析和二维主成分分析方法,使用二维特征值求解相关样本隶属度,并利用相关特征值方法进行分类。该方法结合二维特征值,在特征提取时进行人脸图像重构,具有快速稳定和局部特征清晰的优点。通过引入矩阵内积与二维主成分分析特征分类结果进行比较,实验结果表明,在ORL和Yale数据库中利用该方法进行识别分类取得了很好的效果。     

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

基于完全二维对称主成分分析的人脸识别

镜像对称性是人脸的一个直观明显的自然特性,结合该特性在完全二维主成分分析的基础上提出完全二维对称主成分分析的人脸识别方法。该方法通过镜像变换得到奇对称样本和偶对称样本,分别对奇偶对称样本进行完全二维主成分分析,通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合,并采用最近邻距离分类器分类。在ORL人脸数据库上的实验表明,该方法有较好的识别效果。     

基于对称的二维主成分分析及其在人脸识别中的应用

在二维主成分分析算法中引入了对称性思想,提出了基于对称的二维主成分分析算法（STDPCA）。在该算法中,首先把人脸图像分解成奇对称图像和偶对称图像,然后分别在这两类图像中进行二维主成分分析,提取所需要的特征。该算法不仅有效利用了二维主成分分析算法的优点,而且也考虑了人脸对称性的特点,因此在人脸识别中有较高的识别率。在著名人脸库ORL、YALE中的实验证明了该算法的有效性。     

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。     

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。     

2维双树复小波不确定度加权融合的人脸识别

在人脸识别中,传统小波、Gabor小波不能很好地表征人脸特征。提出2维双树复小波多频带不确定度加权融合的人脸识别算法,使用了人脸2维双树复小波多频带特征,计算多频带不确定度及其权值并结合多频带特征进行加权融合,能很好得到人脸的特征。该加权融合算法首先计算人脸2维双树复小波多个频带特征图,然后计算多个频带滤波不确定度权值,最后进行加权融合。同时使用了2维主成分分析(2DPCA)方法对特征向量进行子空间投影,应用欧氏距离作为相似测度实现分类识别。使用英国剑桥Olivetti实验室(ORL)图像库进行了测试,实验结果表明,提出的方法相对于使用2DPCA、Wavelet和Gabor小波的特征提取方法,取得了更好的识别效果。     

改进的2DPCA人脸识别算法

在对2DPCA人脸识别方法研究的基础上,提出一种改进的2DPCA人脸识别算法,该算法对训练集进行两次2DPCA特征提取,以此重建散布矩阵,从而大大降低特征矩阵的存储空间.并在标准Yale与ORL人脸识别数据库上进行对比实验,改进的2DPCA人脸算法能有效改善识别性能,优于传统的2DPCA方法.最后,再通过和PCA,LD...     

分块PCA及其在人脸识别中的应用

主成分分析(principal component analysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域.基于PCA,提出了分块PCA的人脸识别方法.分块PCA方法先对图像进行分块,对分块得到的子图像利用PCA进行鉴别分析.其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出.与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便.此外,PCA是分块PCA的特例.在Yale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明显优于经典的PCA方法,识别率可以分别提高6.7和4.4个百分点.     

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法．引入了二维局部加权特征子空间的概念，将各类样本映射到这个局部加权特征子空间，再通过计算测试样本到加权子空间的距离进行样本的分类．使用这种方法在ORL人脸库上进行测试，结果表明，经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能，并且在提高识别率的同时算法的复杂程度并没有明显增加．     

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.     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

一种对角LDA算法及其在人脸识别上的应用

2维特征抽取方法(如2DPCA、2DLDA),因为其抽取特征的速度和识别率要比1维的方法好,所以在人脸识别中得到了广泛的应用。最近基于2DPCA又提出了对角主成份分析(diagonal principal component analysis,DiaPCA),该方法由于保持了图像的行变化和图像的列变化之间的相关性,从而克服了2DPCA仅能反映图像行之间的变化,而忽略了图像列之间变化的缺点。但是,由于DiaPCA并没在特征抽取中融入鉴别信息,同时2DLDA也具有与2DPCA同样的缺点,从而分别影响了DiaPCA与2DLDA两种方法的识别性能。针对这一问题,提出了一种对角线性鉴别分析(diagonal linear dicriminant analysis,DiaLDA)的新算法,该新算法是基于对角人脸图像来求解最优鉴别向量。该新算法在ORL和FERET人脸库进行了实验,并与PCA、Fisherface、DiaPCA、2DLDA等方法进行了比较。实验结果表明,该方法比其他方法的识别性能要好。     

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。     

改进的广义主分量分析及在人脸识别中的应用

广义主分量分析是一种利用图像矩阵直接计算的二维主分量分析,较传统主分量分析提高了特征抽取速度及识别率.通过对广义主分量分析中的产生矩阵进行分析,并重新定义,在类间散布矩阵定义的基础上引入了径向基函数,通过调整径向基函数的系数得到更有利于分类的特征信息,获得较高的识别率.在Yale,ORL两个人脸数据库上的实验结果表明了改进方法的有效性和鲁棒性.