基于代数特征的多光谱图像特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了一维主成分分析（1DPCA）、二维主成分分析（2DPCA）、一维奇异值分解(1DSVD)和二维奇异值分解(2DSVD)等代数特征提取方法,并用这些方法构成图像识别框架的特征提取部分,通过识别率的大小来验证是否适合于多光谱图像特征提取。实验结果表明：①与可见光图像目标识别相比,PCA和SVD特征更适合于红外图像目标识别;②训练样本分类时,PCA和SVD特征的识别性能改善不明显;③训练样本少时,SVD重构图像、2DSVD和1DPCA特征的识别性能较好。     

基于L1范数B2DPCA的SAR目标特征提取与识别

主成分分析法(PCA)等基于L2范数最小均方准则的目标特征提取方法在合成孔径雷达(SAR)图像目标识别中得到广泛应用,L2范数易受SAR图像中野值的干扰,影响目标特征提取效果。介绍一种基于L1范数双向二维主成分分析法(B2DPCA-L1)的目标特征提取方法。L1范数对野值有较强的鲁棒性,通过在L1范数框架下实现B2DPCA,有效地改善了样本中野值对特征提取的影响,同时减少了特征矩阵维数,提高了目标识别率。实验表明,所提出方法的识别性能优于基于L2范数的特征提取方法。     

一种基于2DPCA的人耳识别方法

针对人耳识别问题,提出一种二维主分量分析(2DPCA)的人耳识别方法,该方法不需要预先将图像转换为一维向量,而是基于图像矩阵,直接计算图像协方差矩阵的特征向量作为人耳特征提取,大大加快特征提取的速度,从根本上克服了传统PCA在进行图像特征提取时耗时过多的缺点。并通过BP神经网络进行分类识别。实验结果表明,应用2DPCA方法提取人耳图像特征,可以大大提高识别效果。     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

一种M2DPCA和NFA相结合的人脸识别方法

针对非参数特征分析(nonparametric feature analysis,NFA)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,计算复杂等缺点,提出M2DPCA+NFA相结合的方法。新方法对图像矩阵进行分块,再采用2DPCA进行特征提取,再实行NFA。该方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、NFA方法以及本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NFA方法。     

基于图像协方差无关的增量特征提取方法研究

针对2维主成分分析(2DPCA)算法无法实现在线特征提取及无法体现完整数据结构信息等问题,该文提出一种基于图像协方差无关的增量式2DPCA(I2DPCA)算法。该算法无需对图像协方差矩阵进行特征值分解奇异值分解,复杂度将大为降低,提高了特征提取速度。针对I2DPCA仅提取了横向特征的问题,又提出一种增量式行列顺序2DPCA(IRC2DPCA)算法,该算法对I2DPCA的特征矩阵再次进行纵向特征提取,保留了图像的横向与纵向结构信息,实现了行列两个方向上的特征提取与数据降维。最后,以自建的物块数据集、通用的ORL和Yale人脸数据集分别进行对比实验,结果表明,该文算法在收敛率、分类率及复杂度等性能方面均得到了显著提高,其收敛率达到99%以上,分类率可达97.6%,平均处理速度为29 帧/s,能够满足增量特征提取的实时处理需求。     

一种缩减图像维数的方法及其在人脸图像上的应用

2DPCA是一种快速且有效的图像特征抽取方法。不同于传统的主分量分析(PCA)方法,该方法以全新的思路应用主分量分析技术,它直接计算图像矩阵到矢量的投影,并将其看作图像特征。实际上,2DPCA是此种思路下的最优压缩技术。对2DPCA而言,存在两种抽取图像矩阵特征的技术路线,这两种路线将图像变换到不同的空间,且分别突出人脸图像横向和纵向的特质。由于这两种技术路线抽取的特征具有互补性,该文分别设计两种方案对这两类特征加以融合。基于特征融合的识别实验取得了较优的识别正确率。     

基于小波域两向二维主分量分析的SAR目标识别

针对合成孔径雷达图像目标识别在图像域进行特征提取时空间维数较高、计算复杂度较大、识别效率较低等问题,提出基于小波域两向二维主分量分析和概率神经网络的SAR图像目标特征提取与识别方法。该方法首先引入二维离散小波变换将预处理后的SAR图像变换到小波域,得到可充分表征目标特征信息的低频成分。然后提取低频子图像的两向二维主分量分析低维特征作为训练样本和测试样本的目标特征,最后由概率神经网络分类器完成目标识别。MSTAR数据实验结果表明,在特征矩阵维数低至6×3(原始图像128×128)的情况下平均识别率高达99.32%,且最高可达99.83%,该方法不但能够有效压缩目标特征维数和提高识别率,还对目标的方位信息具有很强的鲁棒性,可有效应用于SAR图像目标特征提取和识别。     

两向二维NMSD及其在SAR图像识别中的应用

结合非参数特征分析和最大散度差鉴别分析的思想,提出了两向二维非参数最大散度差((2D)2NMSD)鉴别分析,并用于SAR图像目标识别。首先计算二维图像的非参数散布矩阵,然后使用最大散度差准则求取投影矩阵,最后同时对数据图像矩阵的行方向和列方向进行特征提取。基于美国运动和静止目标获取与识别(MSTAR)公共数据库提供的实测数据的实验结果表明:该方法所提取的特征用于识别,可大大降低特征维数、提高识别性能,识别率可达98%以上。     

基于2DDPCA人脸识别算法

主成分分析法(PCA)是人脸识别传统方法之一,是模式识别中一种普遍的线性组合算法.传统PCA算法因光照等外界因素和计算量较大等问题导致识别率较低.为了抑制这些缺点,主要研究基于PCA人脸识别算法改进的二维主成分分析法(2DPCA)和在2DPCA算法的基础上进行第二次特征提取的2DDPCA算法,并对PCA,2DPCA,2DDPCA这3种人脸识别算法在ORL和Yale人脸数据库上进行实验.实验主要从两方面进行分析,特征向量的维数、训练样本数与识别率的关系以及3种方法分别在数据库的时间对比.实验结果表明,提出的2DDPCA算法在不明显降低识别率的基础上,能有效提高识别速率,重建性能好.     

基于PCA的人脸识别方法的比较研究

主成成份分析(PCA)方法是人脸识别技术中常用的一种一维特征抽取方法。传统PCA方法用于人脸识别常常面临图像维数高,直接计算量的问题。为了解决这2个问题,人们对PCA进行了改进,提出并实现了多种基于PCA的人脸识别。对3种基于PCA的人脸识别方法做了理论上的研究和实验上的性能比较。实验结果表明PCA 2DPCA是其中综合效果最好的一种方法。     

一种新的二维特征抽取算法及应用

二维主成分分析方法是直接利用二维图像来构建方差矩阵的。为了充分利用样本类别信息,文章以类间散布矩阵特征向量作为投影方向进行特征抽取。首先用2DPCA先作一次横向压缩,对抽取出的特征矩阵再用2DPCA作一次纵向压缩。与传统二维主成分算法比较,极大压缩了特征的维数,加快了分类速度,提高了识别率。用ORL人脸数据库进行了实验验证,证明了本方法的可行性。     

基于子模式双向二维主成分分析的人脸识别

为了减轻人脸姿态、表情和光照条件等因素变化对识别率的影响,采用了一种子模式双向二维主成分分析(Sp-(2D)2PCA)的人脸识别新方法。该方法通过对原图像进行分块处理,能有效地抽取原图像的局部特征;同时,通过采用(2D)2PCA对分块得到的子图像矩阵直接进行特征抽取,避免了矩阵向量间的转化,能精确地计算协方差矩阵的特征向量,并能有效地降低特征维数。试验结果表明,在姿态、表情和光照条件变化的情况下,Sp-(2D)2PCA都具有较好的识别性能。     

一种基于2DPCA和SVM的人脸识别方法

在人脸识别过程中,基于2DPCA特征提取方法具有直接、高效等特点。但它只包含了二阶统计信息,因而丢失了可能对分类很有用的高阶统计信息而使识别率受到一定影响。SVM采取升维的方法把线性不可分问题转变为线性可分问题,识别率较高,但直接对图像分类时运算量大、运行时间长。文章结合两者的优点,使用了2DPCA和SVM相结合的人脸识别方法,即先利用2DPCA进行特征提取,然后把降维后的数据输入SVM进行分类识别。该方法在ORL、YALE人脸库上的实验表明,不但可以提高识别率,而且所用时间明显减少。     

基于PCA算法的人脸识别方法研究比较

主成分分析(Principal Component Analysis,PCA)方法是人脸识别技术中一种广泛应用的数据降维技术。当通过使用PCA变换获得的主成分去重建原始人脸图像时,能使均方误差最小。在传统的PCA基础上,Yang等人提出了2DPCA方法,避免了从图像矩阵向一维向量的转换,并在人脸识别中获得了满意的效果。文章对这两种方法做了理论上比较并给予实验数据支持,实验证明,2DPCA在识别方面略优于传统PCA算法。     

MEEMD特征掌纹的2DPCA识别方法

为了提高识别率,提出了基于MEEMD和2DPCA的掌纹识别方法.利用MEEMD技术对掌纹图像进行分解,得到本征模式函数（IMF）分量,用高频分量重构掌纹图像,形成掌纹识别图像集.然后利用2DPCA技术进行识别.MEEMD重构掌纹能够突出掌纹细节特征,提高识别率.采用香港理工大学掌纹数据库进行实验,将此方法与不包含MEEMD的2DPCA方法进行比较,实验结果说明此方法有较高的识别率和较快的识别速度.