二维典型相关分析及其在人脸识别中的应用

通过对传统的基于向量的典型相关分析(CCA)方法进行改进,提出了一种新的直接基于特征矩阵的二维典型相关分析方法(2DCCA),并将其应用于人脸识别的特征融合过程中。较基于向量的典型相关分析,该方法的优点主要有两点：第一,该方法计算过程中构造的协方差矩阵维数大幅度减小,这在一定程度上避免了人脸识别中存在的“高维小样本问题”;第二,由于协方差矩阵维数的缩减,使特征抽取的速度明显提高。最后在ORL标准人脸库和AR大型人脸数据库上的实验结果有效地验证了这两点。     

典型相关分析的理论及其在特征融合中的应用

利用典型相关分析的思想,提出了一种基于特征级融合的组合特征抽取新方法．首先,探讨了将典型分析用于模式识别的理论构架,给出了其合理的描述．即先抽取同一模式的两组特征矢量,建立描述两组特征矢量之间相关性的判据准则函数,然后依此准则求取两组典型投影矢量集,通过给定的特征融合策略抽取组合的典型相关特征并用于分类．其次,解决了当两组特征矢量构成的总体协方差矩阵奇异时,典型投影矢量集的求解问题,使之适合于高维小样本的情形,推广了典型相关分析的适用范围．最后,从理论上进一步剖析了该方法之所以能有效地用于识别的内在本质．该方法巧妙地将两组特征矢量之间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余,为两组特征融合用于分类识别提出了新的思路．在肯考迪亚大学CENPARMI手写体阿拉伯数字数据库和FERET人脸图像数据库上的实验结果证实了该方法的有效性和稳定性,而且识别结果优于已有的特征融合方法及基于单一特征进行识别的方法．     

核典型相关分析特征融合方法及应用

构建了一种基于核函数的典型相关分析的特征融合算法。首先,利用核函数将图像矩阵映射到核空间,再抽取同一模式的两组特征向量,在两组特征向量之间建立描述它们的相关性的判据准则函数;然后依此准则函数抽取两组典型投影矢量集;最后通过给定的特征融合策略抽取组合的典型相关特征以用于分类识别。该算法将两组特征向量之间的相关性特征作为有效鉴别信息,既可以很好地融合信息,又可以有效地去除特征之间的信息冗余,并且避免了对映射后的数据矩阵进行分解,从而简化了数据运算。在AR、PIE、ORL、Yale人脸数据库及UCI手写体数字库上的实验结果证明了该方法的有效性和稳定性。     

核主成分分析与典型相关分析相融合的人脸识别

人脸识别具有小样本、高维等特性。典型相关分析算法(CCA)无法准确提取人脸识别特征,不能准确刻画人脸图像的局部变化,导致人脸识别率低。为提高人脸识别率,提出一种核主成分分析与典型相关分析相融合的人脸识别算法(KPCA-CCA)。首先将人脸图像划分多个子模块,然后提取局部特征,同时采用KPCA提取全局特征,并采用CCA将两种特征进行融合,降低特征向量的维数,最后采用子模式进行人脸识别,以投票方式确定人脸的类别。采用AR与Yale数据集对KPCA-CC性能进行测试,仿真结果表明,相对于对比模型,KPCA-CCA提高了人脸识别的识别率。     

子模式典型相关分析及其在人脸识别中的应用

传统的典型相关分析 (CCA) 是有效的特征提取方法之一, 已广泛应用于包括人脸识别在内的模式识别的许多领域. 但在人脸识别为代表的高维小样本问题上该方法存在如下不足: 1) 人脸识别的小样本特性使 CCA 两组特征矢量构成的总体协方差矩阵奇异, 难以直接应用; 2) 作为一种全局线性投影方法, 不足以很好地描述非线性的人脸识别问题; 3) 缺乏对局部变化的识别鲁棒性. 本文受已提出的子模式主分量分析 (SpPCA) 的启发, 提出了子模式典型相关分析 (SpCCA). 该方法将局部与全局特征矢量之间的相关性特征作为有效的判别信息, 既达到了融合局部与全局信息的目的, 又消除了特征之间的信息冗余. 通过子模式的划分, SpCCA 避免了小样本问题, 更好地描述了非线性的人脸识别问题; 并通过投票方式融合结果, 增强了对局部变化的鲁棒性. 在 AR 与 Yale 两个人脸数据集上的实验证实了该方法比对比方法不仅有更优的识别性能, 而且更加稳定和鲁棒.     

稀疏保持典型相关分析及在特征融合中的应用

稀疏保持投影(Sparsity preserving projections, SPP)由于保持了数据间的稀疏重构性, 因而获取的投影向量满足旋转、尺度和平移的不变性, 并能够在无标签的情况下提取样本的自然鉴别信息, 在人脸识别领域取得了较为成功的应用. 本文在典型相关分析(Canonical correlation analysis, CCA)的基础上引入稀疏保持项, 提出一种稀疏保持典型相关分析(Sparsity preserving canonical correlation analysis, SPCCA). 该方法不仅实现了两组特征集鉴别信息的有效融合, 同时对提取特征间的稀疏重构性加以约束, 增强了特征的表示和鉴别能力. 在多特征手写体字符集与人脸数据集上的实验结果表明, SPCCA比CCA具有更优的识别性能.     

特征采样和特征融合的子图像人脸识别方法

提出一种基于特征采样和特征融合的子图像人脸识别方法(RS-SpCCA).首先,对子图像进行特征采样;然后,将全局特征和采样后的特征使用CCA进行信息融合,以获取包含全局特征和局部特征的相关特征;最后,在相关特征上构建分量分类器.在该方法中,特征采样是为了构建更多且多样的分量分类器;而引入特征融合思想是为了充分利用图像的全局特征.AR,Yale和ORL这3个数据库上的实验结果表明,基于特征采样和特征融合的子图像方法(RS-SpCCA)优于单纯的信息融合方法(SpCCA)和特征采样方法(Semi-RS).     

改进的二维典型相关分析及其人脸识别应用

针对二维典型相关分析(2DCCA)中类标矩阵维数较大及算法耗时过多的问题,提出一种改进的2DCCA特征提取方法。利用图像的频谱性质定义低维的类标矩阵,从有利于模式分类的角度构造出新的准则函数,采用二维主成分分析对所得特征进一步降维,得到更具分类判别能力的低维特征。在ORL和组合人脸数据库上的实验结果表明,该特征具有较好的分类能力。     

基于核典型相关分析的多特征组合人脸识别

为了提高人脸的识别率,利用多特征和分类器之间的互补优势,提出一种基于核典型相关分析的多特征组合人脸识别方法（KCCA-MF）。提取人脸图像的LBP特征和Gabor特征,采用核典型相关分析算法对两种特征进行融合,以消除冗余特征,采用K近邻算法和支持向量机建立组合人脸分类器,并采用3个经典人脸库进行仿真分析。结果表明,相对于其他人脸识别方法,KCCA-MF提高了人脸识别的识别准确率和效率,可以满足人脸识别的实时性要求。     

基于特征互补图像的人脸识别仿真研究

研究人脸识别精度问题。由于人脸图像中存在大量干扰信息的缺点,而造成了人脸识别正确率下降,为了解决上述问题,提出了一种基于特征互补图像快速特征融合算法。算法通过对人脸图像的位平面切片图像分析,采用位平面图像分解法,通过各种合成策略构造多幅样本图像。并突出高位平面图像,采用两种加权策略将每一幅人脸图像样本都生成"特征互补图像"。然后,直接用图像的二维典型相关分析(2DCCA)法对两种特征互补图像进行特征抽取。最后通过在ORL国际标准人脸库上进行的实验,结果表明,高位平面图像的典型相关鉴别特征提高了正确识别率,并且因为摒弃了原始人脸图像的大部分干扰信息所以具有更强的鲁棒性。     

基于模糊CCA的图像特征提取和识别

利用典型相关分析(CCA)和隶属度的思想,提出一种基于模糊典型相关分析的图像特征提取新方法。通过分析图像样本的分布特点,定义合适的隶属度函数描述图像空间的样本分布。利用CCA进行多信息源特征提取,得到同时包含图像灰度信息和分布信息的有效判别特征。可证明Fisher线性判别分析是该算法的一种极限情形。在ORL标准人脸数据库上的实验结果表明新特征具有良好的分类能力,证实了该方法的有效性。     

基于掌纹、人脸在特征层融合的身份识别算法

首先利用小波变换增强掌纹、人脸图像;然后利用一种新的子空间分析方法——对角离散余弦变换和二维主元判别分析(Diagonal,Discrete Cosine Transform and Two-Dimensional Principle Component Analysis,Dia-DCT+2DPCA)相结合的算法提出了一种掌纹、人脸特征融合的识别方法;最后运用最小距离分类器进行识别。实验结果表明,该文提出的掌纹、人脸特征融合方法实现了特征层融合,有效地提高了身份识别的正确识别率。     

基于典型相关分析的组合特征抽取及脸像鉴别

利用典型相关分析的思想,提出了一种基于特征级融合的组合特征抽取新方法.首先,抽取同 一模式的两组特征矢量,给出描述两组特征矢量之间相关性的判据准则函数;然后依此准则 抽取它们的典型相关特征,构成有效鉴别特征矢量用于识别.该方法巧妙地将两组特征矢量之 间的相关性特征作为有效判别信息,既达到了信息融合之目的,又消除了特征之间的信息冗余 ,为两组特征融合用于分类识别提供了新的思路.此外,从理论上进一步剖析了所提出的方法 之所以能有效地用于识别的内在本质.在Yale和ORL标准人脸数据库上的实验结果证实了所提 算法的有效性和稳定性,而且识别率大大高于用单一特征进行识别的结果.     

一种基于2DLPP和2DLDA的人脸识别方法研究

局部保持投影（locality preserving projection,LPP）和线性鉴别分析（linear discrimin antanalysis,LDA）是两种有效的一维特征提取方法,广泛应用于人脸识别领域。但采用一维特征提取方法时会存在列向量化时样本的结构信息被破坏和样本在提取特征时必须对协方差矩阵进行特征分解,对于高维小样本的问题很容易出现协方差矩阵奇异的问题。文中提出将二维局部保持投影（2DLPP）和二维线性鉴别分析（2DLDA）这两种方法在特征层进行融合并应用在人脸识别。基于人脸库AR上的实验表明,该方法比传统的IJPP和LDA识别性能更高,因此可作为一种新的人脸识别方法。     

基于特征融合和流形增强的视频人脸识别

提出一种在视频环境下的人脸识别算法(FFME)。将人脸划分为不同的区域,并融合针对人脸不同区域变化特点的不同类型局部特征,建立K-NN模型,根据sum rule划分人脸分类,利用流形建立参考人脸图集,以此重排分类结果,增强人脸识别准确率。在视频人脸数据库Mobo数据集和Honda/UCSD数据集上的实验结果表明,FFME的识别性能优于主成分分析、线性鉴别分析、隐马尔科夫模型、局部线性嵌入,以及流形距离等方法。     

融合全局与局部特征的贝叶斯人脸识别方法

针对人脸识别特征提取阶段中的数据降维方法往往难以兼顾保持全局与局部特征信息的问题，以及匹配识别阶段贝叶斯分类器中小样本问题，提出了一种融合全局与局部特征的贝叶斯人脸识别方法。该方法通过核主元分析提取出人脸数据的全局非线性特征，并在此基础上通过正交化局部敏感判别分析挖掘出人脸数据的局部流形结构信息，以达到提取出具有高判别力低维本质人脸特征的目的；采用一种最大信息量协方差选择的方法，来对协方差矩阵进行估算，以解决贝叶斯分类器设计中的小样本问题。在ORL、AR、 YALE、FLW人脸库上设计实验来进行验证。结果表明，提出的特征提取算法以及对贝叶斯分类器的改进取得了比较好的效果，通过对这两个阶段的优化，可以显著提升人脸识别的效果。     

基于卷积神经网络特征融合的人脸识别算法

为提高卷积神经网络的识别性能,提出了一种基于多种卷积神经网络模型的特征融合方法。论文通过构建一个深度学习网络,将多种卷积神经网络模型如ResNet、InceptionV3和VGG19提取的特征进行融合,并将融合后的特征应用到人脸识别中,据此训练出特征融合网络模型的网络参数;最后利用计算求出的阈值来区分类别。实验结果表明,在人脸库LFW数据集上,论文算法的人脸识别率可达98%;与现有的单一卷积神经网络相比,论文算法识别率更高。