融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L 变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。     

LDA算法及其在人脸识别中的应用

线性特征提取在人脸识别中的应用非常广泛,LDA是其主要方法之一,它基于Fisher 判别准则,然而,当人脸训练样本数小于人脸样本向量的维数时,变换矩阵将无法直接得到,因此线性判别分析过程失效。采用了一种改进的基于Fisher 准则的LDA方法,针对小样本问题提出了一种有效地解决类内散布矩阵奇异的方法,而且用ORL人脸数据进行了实验验证。实验证明该方法在正确识别率方面表现突出。     

DCT结合特征选择的红外人脸识别

为了从生物特征和统计角度来提高识别的性能,提出了一种基于血流图的离散余弦变换（discrete cosine transform,DCT）与特征选择相结合的人脸识别方法。该方法首先利用血流模型把红外温谱图转换成血流图,得到更具丰富频率的特征。其次,采用DCT变换可以有效地消除血流图的相关性。最后,在DCT域特征提取阶段,为了提高特征提取的有效性,特征选择和子空间学习基于一致的可分性目标：特征选择引入基于可分性的DCT系数选择算法以抽取鉴别能力强的DCT系数,对抽取的DCT系数采用基于可分性的线性鉴别分析（linear discriminant analysis,LDA）方法。实验结果表明,该红外人脸识别方法可以快速有效地提取血流图中适合分类的特征,识别率优于传统DCT＋LDA方法。     

在DCT域进行LDA的唇读特征提取方法

为解决视觉语言特征提取这个唇读技术中最关键的难题,提出一种新的基于DCT和LDA的特征提取方法。为提取对不同口型最具分类能力的特征矢量,首先基于DCT对视觉语言部位变换降维,然后基于LDA算法从DCT系数提取对口型分类性能最优的特征矢量。在特定人与非特定人的唇读数据库上以及实时唇读识别的实验都表明,该方法唇读识别率比传统的人工直接选择DCT系数法以及PCA提取法有明显提高。     

巴氏距离与PCA结合的人脸识别

利用巴氏距离（Bhattacharyya Distance）和PCA（Principal Component Analysis）相结合进行人脸识别研究,提出了使用巴氏距离和PCA相合的算法对特征进行提取。当特征向量维数高时,首先对样本K-L（Karhunen-Loeve）变换进行降维,然后采用巴氏距离特征的迭代算法,得到最小错误率上界。基于ORL人脸数据库的实验表明该方法的识别性能优于LDA、HPCA、HLDA,采用文中的算法可以有效地提高识别率,减少巴氏距离特征计算时间,具有较强的实用性。     

基于DCT与改进分块2DPCA算法的人脸识别

提出一种离散余弦变换和改进的分块二维主元分析相结合的人脸识别方法。该算法利用DCT压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低所需特征的维数,减少计算量。通过IM2DPCA进行特征提取得到人脸识别特征,运用最近邻分类器完成人脸的识别。在基于ORL、YaleB、CAS-PEAL及Feret人脸数据库的实验结果证明该算法的有效性与稳健性。     

基于Gabor和支持向量机的人脸识别

支持向量机（SVM）在处理小样本高维数据及泛化性能强等方面的优势，以及Gabor小波可以很好地模拟哺乳动物视觉神经简单细胞的感受野轮廓降低外界因素的影响，提出了基于Gabor与SVM的人脸识别方法。通过对经Gabor变换人脸图像的独立成分分析得到一组Gabor人脸独立基，并且用遗传算法求得一组最优的Gabor独立基，不但可以降低特征维数，减少计算量，而且可以提高识别率。通过对耶鲁大学人脸图像数据库的测试，证实本文算法有效性。     

基于Gabor小波变换与分块PCA的人脸识别

由于Gabor小波描述的人脸特征维数太高,直接将Gabor小波提取的特征进行识别时出现计算量大、实时性差的问题,提出了基于Gabor小波变换与分块主分量分析的人脸识别新算法。首先对人脸图像进行Gabor小波变换得到人脸图像特征,然后用分块主分量分析方法对其进行降维、提取特征向量,最后用最近邻分类器分类识别。在ORL和NUST603人脸库上进行实验,结果表明,该方法的识别率优于传统PCA、分块PCA、Gabor小波变换与PCA结合的方法。     

基于两级DCT和正交投影的单样本人脸识别

针对单样本人脸识别率低的问题,提出基于人脸单样本图像生成相应的多姿态虚拟人脸样本图像的方法,并利用DCT和正交投影相结合的方法进行更快速的识别。实验表明,应用线性物体类理论和改进的特征脸方法相结合生成多姿态人脸图像,并在此基础上进行人脸识别比使用单样本和一次DCT进行识别,识别率得到很大的提高。     

基于加权小波的DCT人脸识别算法研究

针对图像维数过高,计算复杂的问题,提出一种基于加权小波分析和DCT的人脸识别方法,通过对人脸图像进行小波分解,提取低频和加权高频分量的DCT变换系数作为识别特征向量,采用加权距离进行分类识别.该方法在ORL和YALE人脸库上进行了测试比较,结果表明,无论训练时间还是识别率,都优于传统的PCA方法,和小波结合PCA的方法相比较,识别率也明显提高.     

基于高维仿生覆盖的人脸识别方法

应用仿生模式识别的理论,提出了基于“认识”事物的人脸识别。根据同一人脸的分布在一定的高维空间的类聚性,提出了一种新颖的基于最小生成树的最邻近覆盖方法。利用小波变换对人脸图像进行分解,对分解后的4个子带分量进行加权融合,用K-L变换提取人脸特征子空间,应用提出的覆盖方法进行人脸识别。在ORL 人脸库上的实验结果表明,与传统的模式识别相比,不仅解决了未训练样本的误识问题,而且能获得更高的识别率。     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

半随机子空间的LDA人脸识别方法

小样本问题和对局部变化（如遮挡、表情、光照等）识别的不鲁棒性是线性判别分析（LDA）在处理人脸图像时所常面临的问题。针对LDA的这些不足,提出了一种基于LDA的半随机子空间方法（SemiRS-LDA）。与传统的基于整个人脸样本特征集采样的随机子空间方法不同的是,SemiRS-LDA将随机采样建立在人脸图像的子图像上。该方法首先将人脸图像集划分成若干个子图像集,然后将随机子空间方法应用于每个子图像集上并构建多个LDA分类器,最后使用投票方法将各分类器进行组合。在两个标准人脸数据库（AR、ORL）上进行了实验,结果表明了所提方法不仅能获得较高的识别性能,而且对图像的光线、遮挡等也具有较强的鲁棒性。     

邻域保持判别非负矩阵分解

非负矩阵分解（NMF）是一种新的矩阵分解技术,为了提高NMF算法的识别率,提出了一种新的方法——邻域保持判别非负矩阵分解（NPDNMF）,该方法通过将邻域保持判别分析（NPDA）与NMF相结合来实现。邻域保持判别分析是一个将线性判别分析（LDA）与局部保持投影（LPP）综合考虑的判别分析方法,该算法既保持了LDA的判别能力,同时又可以保持原始数据的几何结构。通过将NPDA与NMF相结合,提取得到局部化同时又有很强判别能力的基图像。在ORL人脸数据库上进行人脸识别实验,结果表明该方法得到较好的识别效果。     

基于核正交半监督鉴别分析的人脸识别算法

针对人脸识别中的非线性特征提取和有标记样本不足问题,提出了在核空间具有正交性半监督鉴别矢量的计算方法。算法利用核函数将人脸数据映射到高维非线性空间,在该空间采用边界Fisher判别分析（Marginal Fisher Analysis,MFA）算法将少量有类别标签样本进行降维,同时采用无监督鉴别投影（Unsupervised Discriminant Projection,UDP）对大量无标签样本进行学习,以半监督的方法构造算法的目标函数,在特征值求解时以正交方式找出最优投影向量,进行人脸识别。通过实验,在ORL和YALE人脸数据库上验证了该算法的有效性。     

融合改进LBP和SVM的偏光片外观缺陷检测与分类

偏光片的外观缺陷是影响TFT-LCD面板质量的重要因素之一。为提高偏光片外观缺陷图像识别的准确性,提出一种改进局部二值模式（Local Binary Pattern,LBP）描述符和支持向量机（Support Vector Machine,SVM）的识别方法。缺陷图像通过暗场成像原理获得,将缺陷图像划分为不同的区,对每一个区域提取LBP特征并组成高维复合特征。将不同分区的像素均值特征与LBP复合特征进行集成,利用主成分分析（Principal Component Analysis,PCA）消除特征间的相关性和噪声,使用线性判别分析（Linear Discriminant Analysis,LDA）进一步投影变换至低维特征,使用支持向量机对上述特征进行分类。结合改进LBP描述符、PCA、LDA和SVM四种算法的优点,在总数250的数据库中进行仿真实验,结果表明,该方法识别准确率达到99.2%,单张图像识别时间为0.92 s,完全满足工业生产线的实际应用要求。     

行为识别中基于GA优化的加速度特征选择方法

在基于加速度信号的人体行为识别中,LDA是较常用的特征降维方法之一,然而LDA并不直接以训练误差作为目标函数,无法保证获得训练误差最小的投影空间。针对这一情况,采用基于GA优化的LDA进行特征选择。提取加速度信号特征,利用PCA方法解决“小样本问题”,通过GA调整LDA中类间离散度矩阵的特征值矢量,使获得的投影空间训练误差最小。采用SVM对7种日常行为进行分类。实验结果表明,与单独采用PCA和采用PCA+LDA方法相比,基于GA优化的LDA算法在保证较高识别率的同时能有效降低特征维数并减小分类误差,最终测试样本的识别率可达95.96%。