基于小波变换和ICA的人脸识别方法

独立成分分析(ICA)最早应用于盲信号分离,近年来也广泛地应用于模式识别领域.提出一种基于小波变换(WT)及独立成分分析(ICA)的人脸识别方法.在建议的识别方法中,首先利用小波变换将人脸图像分解成不同的频率子带,对其中包含主要信息的低频子带运用ICA求取基向量,然后基于这些基向量张成的子空间实现识别.详细讲述了该方法的实验过程,实验结果表明,该方法可以取得较好的识别结果.     

基于小波分析与KPCA的人脸识别方法

对于一种有效的人脸识别方法，特征选择是极为重要的问题。而小波多分辨率分析可以获得对人脸识别有用的低频特征，KPCA则可用于提取人脸非线性特征。为此，本文〖BP）〗提出结合小波变换及KPCA的特点获取人脸特征，设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响，为了获得最优的识别效果，在UMIST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率，是一种快速、有效的人脸识别方法。     

基于SVM RFE的人脸特征选择方法

提出一种新的基于SVM RFE（Support Vector Machine Recursive Feature Elimination）的人脸特征选择方法。该方法将权重矢量和半径／间隔作为SVM RFE的特征选择标准，采用缩放因子梯度算法优化特征搜索。基于该方法构建了一种实用、有效的人脸特征提取、选择及识别框架，并在UMIST人脸数据库上进行了验证实验。对特征选择前后的分类能力及速度进行了分析比较，结果表明，该方法是一种实用、有效的人脸特征选择方法，可以在特征维数为80左右时，达到94．62％的分类识别率。     

基于核独立成分分析的人脸识别研究

在人脸识别中提出一种基于非线性子空间的核独立成分分析(KICA)方法。在简单介绍了ICA方法的基础上,对KICA方法的基本原理和算法作了较为详细的描述。为了验证基于KICA和ICA的人脸识别方法的识别效果,进行了对比实验和分析。实验和分析结果表明,在人脸识别中,基于KICA的方法优于基于ICA的方法。