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。     

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.     

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。     

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。     

基于图像熵值的加权分块2DPCA人脸识别

在分块2DPCA(Modular 2DPCA)算法的基础上,提出一种基于图像子块熵值加权的Modular 2DPCA算法(Entropy Modular 2DPCA)。Modular 2DPCA法直接计算测试图像与训练图像特征矩阵的距离,而Entropy Modular 2DPCA根据测试样本自适应确定图像子块的权值,增强包含分类信息多的子块权值,加入测试样本的信息,解决2DPCA人脸识别算法完全依赖人脸库的问题。将Entropy Modular 2DPCA算法、2DPCA算法以及Modular 2DPCA算法在ORL、自建人脸数据库上进行对比测试实验,实验结果表明,Entropy Modular 2DPCA算法具有良好的识别性能和计算速度,提高了对人脸姿态、光线、遮挡等问题的鲁棒性。     

分块二维主成分分析鉴别特征抽取能力研究

基于二维主成分分析(2DPCA),文章提出了分块二维主成分分析(M2DPCA)人脸识别方法。M2DPCA从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用2DPCA方法进行特征抽取,从而实现模式的分类。新方法的特点是能有效地抽取图像的局部特征,正是这些特征使此类模式区别于彼类。在ORL人脸数据库上测试了该方法的鉴别能力。实验的结果表明,M2DPCA在鉴别性能上优于通常的2DPCA和PCA方法,也优于基于Fisher鉴别准则的鉴别分析方法:Fisherfaces方法、F-S方法和J-Y方法。     

一种自适应加权变形的2DPCA人脸识别方法

为了充分利用图像矩阵的局部信息和更多的鉴别信息,以提高2DPCA的识别率,提出了一种自适应加权变形的2DPCA人脸识别方法.该方法将人脸图像矩阵分块,然后利用变形的2DPCA方法提取特征,接着自适应地计算每个分块在分类中的权值,最后根据类别的权值大小进行分类.在ORL人脸库中进行的实验研究表明,该方法在正确识别率和识别...     

基于L1范式的分块2DPCA人脸识别方法

在人脸识别中,增强人脸图像的重构效果和识别方法的鲁棒性一直是其中的技术难点。为了提高识别性能,先对图像矩阵进行分块,同时用一种新的图像信息熵自适应加权模式对人脸不同分块区域赋予不同的权值,然后直接应用L1范式代替L2范式进行图像特征抽取,最后用最近邻分类器进行分类。实验结果表明,新方法在识别性能上优于基于L1范式的2DPCA方法(2DPCA-L1),比2DPCA-L1更具有鲁棒性,显著地提高了有遮挡图像的重构效果。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA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：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明，M2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。     

二维投影与PCA相结合的人脸识别算法

传统的特征抽取算法是基于向量的，在模式是图像时并不方便。二维投影方法利用图像矩阵直接计算，虽然抽取特征速度快，但抽取出的特征是矩阵，对应的特征数量大，影响分类速度。该文结合二者的优点，先用二维投影处理原始图像，降维后再做主分量分析，抽取出少量的特征进行分类，识别率和分类速度均有提高。在ORL人脸库上20次实验的平均识别率达95.83%。     

Multi-directional two-dimensional PCA with matching score level fusion for face recognition

The traditional matrix-based feature extraction methods that have been widely used in face recognition essentially work on the facial image matrixes only in one or two directions. For example, 2DPCA can be seen as the row-based PCA and only reflects the information in each row, and some structure information cannot be uncovered by it. In this paper, we propose the directional 2DPCA that can extract features from the matrixes in any direction. To effectively use all the features extracted by the D2DPCA, we combine a bank of D2DPCA performed in different directions to develop a matching score level fusion method named multi-directional 2DPCA for face recognition. The results of experiments on AR and FERET datasets show that the proposed method can obtain a higher accuracy than the previous matrix-based feature extraction methods.     

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。     

Improved discriminant locality preserving projections for face and palmprint recognition

We propose in this paper two improved manifold learning methods called diagonal discriminant locality preserving projections (Dia-DLPP) and weighted two-dimensional discriminant locality preserving projections (W2D-DLPP) for face and palmprint recognition. Motivated by the fact that diagonal images outperform the original images for conventional two-dimensional (2D) subspace learning methods such as 2D principal component analysis (2DPCA) and 2D linear discriminant analysis (2DLDA), we first propose applying diagonal images to a recently proposed 2D discriminant locality preserving projections (2D-DLPP) algorithm, and formulate the Dia-DLPP method for feature extraction of face and palmprint images. Moreover, we show that transforming an image to a diagonal image is equivalent to assigning an appropriate weight to each pixel of the original image to emphasize its different importance for recognition, which provides the rationale and superiority of using diagonal images for 2D subspace learning. Inspired by this finding, we further propose a new discriminant weighted method to explicitly calculate the discriminative score of each pixel within a face and palmprint sample to duly emphasize its different importance, and incorporate it into 2D-DLPP to formulate the W2D-DLPP method to improve the recognition performance of 2D-DLPP and Dia-DLPP. Experimental results on the widely used FERET face and PolyU palmprint databases demonstrate the efficacy of the proposed methods.     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。