改进的模块2DPCA人脸识别方法

提出了一种基于类内自适应加权平均值的模块2DPCA人脸识别方法。该算法对每一类训练样本中每个训练样本的每一子块求类内自适应加权平均值,并用类内自适应加权平均值对训练样本类内的相应子块进行规范化处理,然后由所有规范化后的子块构成总体散布矩阵,从而得到最优投影矩阵;由训练集的全体子块的加权平均值对训练样本的子块和测试样本的子块进行规范化后投影到最优投影矩阵,得到识别特征;最后用最近距离分类器分类。在ORL人脸库上的实验结果表明,提出的方法在识别性能上明显优于2DPCA方法和普通模块2DPCA方法。     

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.     

一种改进的2DPCA人脸识别方法

在小样本情况下,传统的2DPCA算法中采用的训练样本的平均值不一定就是训练样本分布的中心,为了解决这个问题,提出了一种基于样本中间值的2DPCA人脸识别算法（M2DPCA）,该算法采用训练样本的中间值代替训练样本的平均值,以此重建总体散布矩阵。在ORL和FERET人脸数据库上的实验结果证明,新方法可以有效改善识别性能,优于传统的PCA和2DPCA方法。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些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人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

基于类内加权平均值的模块PCA算法

针对主成分分析（PCA）算法在人脸识别中识别率低的问题,提出一种基于类内加权平均值的模块PCA算法。该算法对每一类训练样本中每个训练样本的每个子块求类内加权平均值,用类内加权平均值对训练样本类内的相应子块进行规范化处理。由所有规范化后的子块构成总体散布矩阵,得到最优投影矩阵,由训练集全体子块的中间值对训练样本子块和测试样本子块进行规范化后投影到最优投影矩阵,得到识别特征,并用最近距离分类器分类。ORL人脸库上的实验结果表明,该算法的识别性能优于普通模块PCA算法。     

二维PCA非参数子空间分析的人脸识别算法

提出一种结合二维PCA(2DPCA)的二维非参数子空间分析(2DNSA)人脸识别算法.利用2DPCA对原始图像矩阵进行特征降维,以降维后的特征为训练样本,进行二维非参数判别分析,并综合考虑类边界样本对分类的影响,采用2DNSA实现更合理的特征提取.基于Yale、LARGE人脸数据库的实验结果表明,与(2D)2pCA、2...     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

通用学习框架在单样本人脸识别中的应用研究

针对单样本人脸识别问题,提出一种基于通用学习框架的人脸识别方法。以大量的通用样本与各个单样本按一定比例叠加的方式,增加每个类的训练样本总数,有效地运用了2DPCA方法进行特征抽取,将所有样本投影到特征子空间,再根据最大隶属度原则完成人脸识别,明显提高了识别率。该方法的有效性分别在ORL及FERET人脸数据库上得到了验证。     

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。     

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。     

改进的模块2DPCA与MSD结合的人脸识别

提出了一种改进的模块2DPCA与最大散度差鉴别分析相结合的人脸识别方法。该方法先对原始人脸图像采用改进的模块2DPCA抽取特征,然后对得到的特征图像的子图像块施行最大散度差鉴别分析,得到最终的特征图像。该方法不仅利用了原始图像的局部特征和类别信息,而且完全避免了使用矩阵的奇异值分解。在ORL人脸库上的实验结果验证了该方法的有效性。     

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。     

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。     

基于模块化2DPCA和CSKDA的人脸验证

针对客户相关的核判别分析（CSKDA）对图像列向量进行处理数据维数大、计算复杂,对图像整体处理没有考虑到局部特征等缺点,提出M2DPCA和CSKDA结合的方法。新方法对二维数据进行分块后采用2DPCA抽取局部特征,施行CSKDA,不仅考虑了类内、类间的差异,而且可以较好地描述不同个体人脸间的差异性。在XM2VTS和ORL人脸库上的实验结果表明,该方法在验证效果上优于CSKDA方法。     

基于小波包融合与矩阵主成分分析的人脸识别

提出一种改进的小波包融合＋2DPCA方法,先对图像进行二层小波包分解,再选取最利于判别分类的4幅高频子图进行融合,将融合子图与低频子图分别进行2DPCA降维和特征提取,最后进行决策级融合,得到识别结果。在Yale和JAFFE标准人脸库上的实验结果表明,该改进方法能有效提高识别率。     

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。     

一种基于共同向量结合2DPCA的人脸识别方法

提出了一种基于共同向量结合2维主成分分析(2-dimen-sional principal component analysis, 2DPCA)的人脸识别方法. 共同向量由图像通过Gram-Schmidt正交变换而求得, 具有该类图像共同不变的性质. 原始图像与该类共同向量之间的差分向量通过2DPCA处理, 依据最小距离测试得到识别结果. 实验在ORL和Yale人脸数据库进行测试, 结果表明本文提出的方法有较好的识别性能.