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。     

一种广义的主成分分析特征提取方法

提出了一种广义的PCA特征提取方法。该方法先将图像矩阵进行重组,根据重组的图像矩阵构造出总体散布矩阵,然后求出最佳投影向量进行特征提取。它是2DPCA和模块2DPCA的进一步推广,可以建立任意维数的散布矩阵,得到任意维数的投影向量。实验表明,随着总体散布矩阵维数的减小,广义PCA的特征提取能力更强,特征提取的速度也更快。     

单样本条件下权重模块2DPCA人脸识别

针对单样本人脸识别问题,提出了权重模块2DPCA识别方法。该方法首先利用模块2DPCA方法对图像矩阵进行区域分块和子图像主成分特征提取,再用光流方法度量测试图像和样本图像对应分块像素区域由于人物变化、表情不同、饰物遮蔽等造成的差异,并以此为依据对得到的样本和测试图像的特征矩阵之间的差分矩阵分块区域赋以相对权重,最后进行最邻近分类判别。在JAFFE和ORL人脸库上的实验结果表明,在同等鉴别特征维数下,权重模块2DPCA识别方法较之传统2DPCA方法和模块2DPCA方法具有更高的识别率和鲁棒性,证明了在基于PCA的人脸识别方法中加入先验知识以提高识别能力的可行性。     

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。     

基于类间散布矩阵的二维主分量分析

主分量分析是一种线性特征抽取方法，被广泛地应用在人脸等图像识别领域。但传统的PCA都以总体散布矩阵作为产生矩阵，并且要将作为图像的矩阵转换为列向量进行计算。该文给出了一种利用图像矩阵直接计算的二维PCA，以类间散布矩阵的本征向量作为投影方向，取得了比利用总体散布矩阵更好的识别效果，并且特征抽取速度更快。在ORL和NUSTFDBⅡ标准人脸库上的实验验证了该方法的有效性。     

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。     

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。     

改进的手指静脉图像识别算法仿真研究

为了解决传统 PCA 方法和小波矩融合 PCA 方法在光照条件变化较大时不能有效抽取图像局部特征,导致识别率较低的问题,提出了一种直接基于子图像向量的线性鉴别分析方法,即模块 PCA 手指静脉特征提取算法.上述算法通过对图像进行分块,利用 PCA 对分块得到的子图进行鉴别分析.由于使用子图像矩阵,能有效地抽取图像的局部特征,避免使用奇异值分解理论,过程简便.实验结果表明,所提出的方法在识别性能上明显优于传统 PCA 算法和小波矩融合 PCA 方法,识别率可以分别提高 5.6 和 4.1 个百分点.     

一种基于局部排序PCA的线性鉴别算法

主分量分析(Principal Component Analysis,PCA)是模式识别领域中一种重要的特征抽取方法,该方法通过K-L展开式来抽取样本的主要特征。基于此,提出一种拓展的PCA人脸识别方法,即分块排序PCA人脸识别方法(MSPCA)。分块排序PCA方法先对图像矩阵进行分块,对所有分块得到的子图像矩阵利用PCA方法求出矩阵的所有特征值所对应的特征向量并加以标识;然后找出这些所有的特征值中k个最大的特征值所对应的特征向量,用这些特征向量分别去抽取所属的子图像的特征;最后,在MSPCA的基础上,将抽取子图像所得到的特征矩阵合并,把这个合并后的特征矩阵作为新的样本进行PCA+LDA。与PCA和PCA+LDA方法相比,分块排序PCA由于使用子图像矩阵,可以避免使用奇异值分解理论,从而更加简便。在ORL人脸库上的实验结果表明,所提出的方法在识别性能上明显优于经典的PCA和PCA+LDA方法。     

Two-dimensional PCA: a new approach to appearance-based face representation and recognition

In this paper, a new technique coined two-dimensional principal component analysis (2DPCA) is developed for image representation. As opposed to PCA, 2DPCA is based on 2D image matrices rather than 1D vectors so the image matrix does not need to be transformed into a vector prior to feature extraction. Instead, an image covariance matrix is constructed directly using the original image matrices, and its eigenvectors are derived for image feature extraction. To test 2DPCA and evaluate its performance, a series of experiments were performed on three face image databases: ORL, AR, and Yale face databases. The recognition rate across all trials was higher using 2DPCA than PCA. The experimental results also indicated that the extraction of image features is computationally more efficient using 2DPCA than PCA.     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,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,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用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的特殊情况。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个百分点。     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其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和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA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%。     

关于二维主成分分析方法的研究

The principal component analysis (PCA), or the eigenfaces method, is a de facto standard in human face recognition. Numerous algorithms tried to generalize PCA in different aspects. More recently, a technique called two-dimensional PCA (2DPCA) was proposed to cut the computational cost of the standard PCA. Unlike PCA that treats images as vectors, 2DPCA views an image as a matrix. With a properly defined criterion, 2DPCA results in an eigenvalue problem which has a much lower dimensionality than that of PCA. In this paper, we show that 2DPCA is equivalent to a special case of an existing feature extraction method, i.e., the block-based PCA. Using the FERET database, extensive experimental results demonstrate that block-based PCA outperforms PCA on datasets that consist of relatively simple images for recognition, while PCA is more robust than 2DPCA in harder situations.