一种改进的基于主成分分析的人脸识别技术

人脸识别的研究内容主要包括人脸特征提取和识别两部分。文章基于传统的PCA(主成分分析)人脸识别原理及优缺点,采用KPCA(核主成分分析)实现人脸识别的改进。该算法通过非线性映射,把原始图像数据变换到特征空间,再利用PCA实现人脸识别。在MATLAB环境下,进行基于ORL(Olivetti研究实验室)人脸库的实验仿真,KPCA能较好地提取非线性成分,其识别性能优于传统的PCA方法。     

改进的双向2DPCA的人脸识别方法

为了提高人脸识别的准确率,且考虑到训练样本的平均值不一定是训练样本分布中心,提出了改进的双向2DPCA人脸识别方法。首先,应用样本中间值代替样本的平均值来重建图像的总体散布矩阵,求解图像总体散布矩阵得到行列两个方向的最优投影向量,然后把人脸图像向这两个方向变换得到人脸识别特征矩阵,最后应用支持向量机进行分类识别。在ORL人脸库和Yale人脸库上对该算法进行实验研究,表明此方法在识别性能上优于普通的二维主成分分析和普通的双向二维主成分分析算法。     

基于离散余弦变换和主成分分析的光照条件人脸识别

在光照变化条件下,人脸识别的正确率急剧下降,为了解决该难题,提出了一种离散余弦变换和主成分分析相融合的光照变化条件人脸识别方法.首先对人脸图像进行分块,并采用离散余弦变换对每一个子块提取DCT系数,然后采用主成分分析提取人脸特征,并采用深度学习算法建立人脸识别的分类器,最后采用ORL和Yale B人脸库进行仿真实验,测试其有效性和优越性.实验结果表明,相比其它光照人脸识别方法,本文方法提高了光照人脸图像的识别率,消除了光照变化的不利影响,具有较强的鲁棒性.     

小波核极限学习机在人脸识别中的应用

文章提出了一种基于小波核极限学习机(Wavelet Kernel Extreme Learning Machine,WK-ELM)的人脸识别算法。首先,使用2D盖博小波变换对人脸图片进行初步的人脸特征提取。为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用主成分分析法(Principal Component Analysis,PCA)对经过初步处理后的图像再进行进一步处理,有效地降低了特征维数。然后使用小波核极限学习机对提取到的图像进行分类。实验证明,小波核极限学习机不仅识别性能高,而且训练速度也优于其他算法。     

改进的二维主成分分析的人脸识别新算法

传统二维主成分分析(2DPCA)中的变换只提取人脸图像数据的行内特征,特征提取的方向相对比较单一,没有考虑到其他方向上的特征提取。为了多角度提取图像的特征,识别提供更丰富的信息,文中提出一种改进的2DPCA人脸识别算法。该算法先将人脸图像进行倾斜角度自矫正,同时提取图片的低频信息,再利用改进的感知哈希技术得到图像的"指纹",然后将自矫正后的人脸图片进行多角度旋转,并分别提取特征,得到多角度旋转后的图像特征信息。最后将新算法在ORL     

基于四元数主成分分析的人脸识别算法

本文把四元数矩阵运算引入主成分分析,提出了一种应用于彩色图像的四元数主成分分析人脸识别算法。该算法首先用四元数矩阵模型表示彩色人脸图像,然后求该四元数矩阵的协方差矩阵,及其特征向量,通过将彩色人脸图像投影到四元数协方差矩阵特征向量组成的特征空间,比较其与已知人脸在特征空间的位置,从而达到识别彩色人脸的目的。实验表明,采用该算法能得到比经典的特征脸法更高的识别率。     

基于多特征联合稀疏表示的人脸识别方法

针对人脸识别问题,提出一种基于多特征联合稀疏表示的方法。首先,分别采用主成分分析(PCA)、核主成分分析(KPCA)和非负矩阵分解(NMF)提取人脸图像的特征矢量。三种特征从线性、非线性以及非负表示三种层面描述了人脸图像的特征。在分类阶段,采用联合稀疏表示对三种特征进行综合决策,考察它们的内在关联。最后,基于三种特征的整体重构误差判定测试样本的类别。实验中,基于AR和Yale-B人脸数据库对提出方法进行性能测试。结果表明文中方法的有效性。     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

基于主元分析法的人脸识别系统

基于 PCA(主元分析)的特征脸人脸识别方法,是一种通过模式识别进行人脸识别的很有效的方法,提取人脸图像的代数特征,以及采用 K-L 变换方法来降低人脸特征的维数并排序.这样利用所提取图像代数特征与原样本库中图像的代数特征的比较,就可对人脸图像进行识别     

基于DWT,2DPCA和KPCA的人脸识别

利用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,有效去除人脸图像高频分量的影响;再利用二维主元分析对小波变换后的人脸低频分量实行提取特征;然后使用核主元分析再次提取特征;最后用最小距离分类器完成人脸识别.基于ORL人脸数据库的实验结果表明,该算法能提高人脸识别率,有效减少计算量和降低计算复杂度.