人耳人脸特征融合在身份鉴别中的研究

针对单一人耳识别对姿态变化鲁棒性较差的问题,鉴于人脸在图像性质和生理位置上与人耳具有相似性和互补性,使用了多模态特征融合的方法提高姿态变化下的识别率.与传统的独立成分分析首先获得独立的基向量(ICAl)不同,提出了利用ICA直接获得独立的鉴剐特征的方法(ICA2).在USTB图像库上分别将两种ICA特征进行单模态和多模态的融合.实验表明,两种特征的融合提高了单一模态的识别率,并且多模态识别优于单一的人耳或人脸识别.     

一种融合小波变化和张量PCA的人耳识别的算法*

小波变换具有良好的时频分析特性,而且具有较快的算法特点,同时还能起到降维的作用。张量主成分分析方法用于人耳识别能获得比PCA方法更高的识别率。综合利用这两个算法的优点,提出了一种新的人耳识别方法,对人耳图像先采用小波变换做预处理得到4个子带图像,然后对每个子带图像用张量PCA进行特征提取,最后利用最近邻的方法实现人耳图像识别。实验结果表明,利用此方法与只用主成分分析识别相比,提高了识别率。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

结合图像融合的PCA与NMF相融合的人脸识别

提出一种结合图像融合的PCA与NMF相融合的人脸识别的识别方法。采用小波变换对图像进行处理,对于包含主要信息的低频子图用PCA进行特征抽取,而其他三个高频子图,虽然描述信息相对较少但包含重要的分类信息。为了减少计算量,对高频子图进行图像融合,再用NMF进行特征抽取,采用最近邻分类方法进行分类。最后对这两个识别结果进行加权处理,得到最终的识别结果。实验证明可以有效地提高识别率。     

基于CCA和PCA的说话人特征降维研究

为提高说话人识别的性能,提出将CCA与PCA联合用于说话人特征降维的方法:先用CCA融合基于声道模型的LPC特征和基于听觉模型的MFCC特征,提升这两类不同特征的相关性;然后用PCA进一步去除冗余特征,降低有效特征的维数。实验显示,这两种降维方法联合的降维效果与单一的CCA降维、PCA降维或手动降维的效果比有明显提高。     

基于PIDC和二叉决策树SVM的人耳识别

提出了一种基于PIDC和二叉决策树SVM的人耳识别方法。采用PIDC方法以类间概率信息距离为监督提取人耳特征,降低了提取特征的维数;将PIDC方法与二叉决策树SVM分类方法相结合,实现了利用多类间概率信息距离监督人耳特征提取和分类。利用该方法对400个人耳进行识别实验,并将识别结果同PCA方法进行了比较,实验表明,文中方法降低了分类难度,提高了人耳识别率。     

基于独立分量分析的人耳识别方法

应用独立分量分析（ICA）方法从高阶统计相关性角度出发提取人耳图像的特征变量，并采用基于欧氏距离测度的最近距离分类器进行人耳图像的识别。与传统的主成分分析（PCA）方法相比具有更好的鉴别能力。通过与PCA的对比实验结果表明，该方法具有更高的识别率，对姿态和光照的变化也具有较好的鲁棒性。     

基于Gabor-ILLE的多姿态人耳识别

针对LLE算法对姿态变化和近邻点敏感的缺陷,提了一种融合Gabor小波和改进LLE算法的人耳识别算法（Gabor-ILLE）。该算法通过Gabor变换提取人耳特征,并对Gabor初始特征融合,采用改进LLE对特征进行降维,选择最有利于人耳识别的Gabor特征,采用K近邻算法建立人耳分类器实现人耳识别,并采用USTB3人耳图像库进行仿真实验。相对于参比人耳算法,Gabor-ILLE获得了更高的人耳识别率,实验结果验证了Gabor-ILLE算法的有效性。     

基于线性投影分析和FCM动态聚类的人脸识别*

依据主成分分析方法(PCA)对图像具有很好的表达能力,即能很好地重构原图像,而线性鉴别分析(LDA)可使图像样本具有较高可分性的特点,提出对图像先进行PCA处理,再进行LDA处理,从而降低人脸特征维数并对人脸图像进行了特征提取;并提出用FCM动态聚类算法作为识别分类器,对人脸进行识别。实验和分析结果表明,在人脸识别中,这种融合PCA和LDA的分类方法能够更好地对特征进行提取,且FCM动态聚类分类器比K近邻判别分类器更具有灵活的分类能力。     

基于局部二值模式与滤波器融合的人耳识别

人耳的丰富纹理信息为身份鉴别提供了重要解决途径。融合信号滤波变换与局部二值模式算子,构建了两种新型纹理描述算子,即局部Gabor二值模式算子与局部小波二值模式算子;提出了一套基于局部纹理特征描述算子的人耳识别方案。针对USTB人耳图像库三的测试实验表明,在选用Chi方相似性测度和局部Gabor二值模式算子时,1-NN分类器可获得98.14%的交叉验证识别率,且运行时间较少。     

二维类增广PCA及其在人脸识别中的应用

提出了一种二维类增广PCA（2DCAPCA）的人脸识别算法。用二维PCA（2DPCA）方法直接对人脸图像矩阵进行特征提取,对提取的特征进行归一化处理,将归一化处理后的特征与类别信息结合构成类增广矩阵,对类增广矩阵进行2DPCA处理,提取图像的类增广矩阵特征。由于该算法既保留了人脸图像的结构信息,又考虑了样本的类别信息,识别率有了较大的提高。通过Yale和FERET库上的实验表明,该方法对人脸识别是有效的。     

基于主分量特征与独立分量特征的人脸识别实验

PCA是一种基于二阶统计的最小均方误差意义上的最优维数压缩技术,PCA方法所抽取特征的各分量之间是统计不相关的。ICA方法使用数据的二阶和高阶信息抽取数据的独立分量特征。在人脸图象识别的实际应用中,PCA与ICA方法各有胜负。PCA方法抽取出的主分量特征与ICA方法抽取出的独立分量特征是对原数据的两类不同描述,并设计出一个基于这两类特征的分类器组合方案;联合使用这两类特征,实验得出的人脸识别结果显示,基于分类器组合方案的识别结果优于单独使用PCA特征或ICA特征的单分类器方法。     

基于万有引力定律的人脸识别方法

把万有引力定律引入到人脸识别中,构建基于万有引力定律的人脸识别模型。用传统的主成分分析方法对图像进行特征提取,建立图像与图像之间的相似度模型以及各个类别对图像潜在作用力的表达式,根据该作用力大小决定图像所属类别。在ORL人脸数据库上的实验表明,该模型有一定的可行性。     

文本分类中一种混合型特征降维方法

提出一种基于特征选择和特征抽取的混合型文本特征降维方法,分析基于选择和抽取的特征降维方法各自的特点,借助特征项的类别分布差异信息对特征集进行初步选择。使用一种新的基于PCA的特征抽取方法对剩余特征集进行二次抽取,在最大限度减少信息损失的前提下实现了文本特征的有效降维。对文本的分类实验结果表明,该特征降维方法具有良好的分类效果。     

全局判别与局部稀疏保持HSI半监督特征提取

针对高光谱图像存在“维数灾难”的问题，提出一种全局判别与局部稀疏保持的高光谱图像半监督特征提取算法（GLSSFE）。该算法通过LDA算法的散度矩阵保存有类标样本的全局类内判别信息和全局类间判别信息，结合利用半监督PCA算法对有类标和无类标样本进行主成分分析，保存样本的全局结构；利用稀疏表示优化模型自适应揭示样本数据间的非线性结构，将局部类间判别权值和局部类内判别权值嵌入半监督LPP算法保留样本数据的局部结构，从而最大化同类样本的相似性和异类样本的差异性。通过1-NN和SVM两个分类器分别对Indian Pines和Pavia University两个公共高光谱图像数据集进行分类，验证所提特征提取方法的有效性。实验结果表明，该GLSSFE算法最高总体分类精度分别达到89.10%和92.09%，优于现有的特征提取算法，能有效地挖掘高光谱图像的全局特征和局部特征，极大地提升高光谱图像的地物分类效果。     

基于互信息的主成分分析特征选择算法

主成分分析是一种常用的特征选择算法,经典方法是计算各个特征之间的相关,但是相关无法评估变量间的非线性关系.互信息可用于衡量两个变量间相互依赖的强弱程度,且不局限于线性相关,鉴于此,提出一种基于互信息的主成分分析特征选择算法.该算法计算特征间的互信息,以互信息矩阵的特征值作为评价准则确定主成分的个数,并衡量主成分分析特征选择的效果.通过实例对所提出方法和传统主成分分析方法进行比较,并以神经网络为分类器分析分类效果.     

一种DCT和ELBP融合的人脸特征提取方法

仅使用单一算法提取人脸图像的特征不足以捕捉人脸多方面的信息,为了更好地获取人脸面部特征,针对离散余弦变换（Discrete Cosine Transform,DCT）只能提取人脸面部图像的频域特征,而未考虑近邻像素之间的关系、不能提取纹理特质信息等问题进行了研究,提出一种融合DCT特征和伸长的局部二值模式（Elongated Local Binary Pattern,ELBP）的特征提取方法。该方法首先考虑将人脸图像经DCT变换后的少量低频系数作为人脸的频域特征,然后对人脸图像中贡献相对较大的眼部和嘴部区域进行ELBP特征提取,将该ELBP特征作为人脸的空域特征,并采用PCA方法对所提取的空频域特征进行有效融合,得到更有效的人脸特征,最后用最近邻分类器进行识别。在ORL人脸库和Yale人脸库上的实验结果表明：所提方法比单独采用DCT、ELBP方法或采用DCT和LBP相结合的方法提取的特征更有利于识别,提高了识别的准确性。     

Robust ear based authentication using Local Principal Independent Components

This paper presents the ear based authentication using Local Principal Independent Components (LPIC) an extension of PCA. As PCA is a global approach dealing with all pixel intensities, it is difficult to get finer details from the ear image. The concept of information sets is introduced in this paper so as to have leverage over the local information. These sets are based on the granularization of the ear image in the form of windows. The features based on these sets allow us to change the local information which goes into LPIC as the input. Thus LPIC not only uses this local information but also helps to reduce the dimensions of the deduced features far less than that can be achieved with PCA. For the extraction of sparse information from ear, features such as Effective information (EI), Energy feature (EF), Sigmoid feature (SF), Multi Quadratic feature (MQD) are derived and then LPIC is applied to get the reduced number of features. Inner product classifier (IPC) is developed for the classification of these features. The experiments carried out on constrained and unconstrained databases show that LPIC is effective not only under the ideal conditions but also under the unconstrained environment.     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其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和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

基于相关性和冗余度的联合特征选择方法

比较研究了与类别信息无关的文档频率和与类别信息有关的信息增益、互信息和χ2统计特征选择方法,在此基础上分析了以往直接组合这两类特征选择方法的弊端,并提出基于相关性和冗余度的联合特征选择算法。该算法将文档频率方法分别与信息增益、互信息和χ2统计方法联合进行特征选择,旨在删除冗余特征,并保留有利于分类的特征,从而提高文本情感分类效果。实验结果表明,该联合特征选择方法具有较好的性能,并且能够有效降低特征维数。