一种基于分块个体子空间的人脸识别方法

针对传统PCA算法的局限性,本文提出了一种基于个体子空间和分块特征提取的人脸识别方法。该方法不同于传统的PCA算法,它为每一个体人脸对象建立一个该个体对象所独有的人脸子空间,并且运用分块特征提取,加强了对样本局部特征信息的提取。在识别过程中,将待测人脸图像对不同个体人脸子空间进行投影后,再运用最近距离分类原则进行分类识别。该方法相对于传统的PCA算法能够更好地描述不同个体人脸之间的差异性,克服各类噪声。本文的实验结果表明,该方法的识别率相对于传统PCA特征脸算法具有一定的提高,能够较好地克服光照、表情和姿态变化的影响。     

一种有监督的LPP算法及其在人脸识别中的应用

为了提高局部保持投影算法（Locality Preserving Projections,LPP）对光照、姿态等外部因素的鲁棒性,该文对传统的LPP算法进行改进,提出了一种有监督的LPP（SLPP）方法。首先对LPP子空间进行判别分析,然后选择主要反应类内差异的基向量来构造子空间,最后在子空间上进行识别。通过Havard人脸库和Umist人脸库上的实验,结果表明该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的LPP方法和其它子空间分析法识别率提高了10％以上。     

一种有监督的LPP算法及其在人脸识别中的应用

为了提高局部保持投影算法(Locality Preserving Projections,LPP)对光照、姿态等外部因素的鲁棒性,该文对传统的LPP算法进行改进,提出了一种有监督的LPP(SLPP)方法。首先对LPP子空间进行判别分析,然后选择主要反应类内差异的基向量来构造子空间,最后在子空间上进行识别。通过Havard人脸库和Umist人脸库上的实验,结果表明该方法能够对光照和姿态的变化具有一定的鲁棒性和较高的识别率,比传统的LPP方法和其它子空间分析法识别率提高了10%以上。     

行列分块的核独立成分分析的人脸识别

提出一种行列分块的核独立成分分析(RC-KICA)的人脸识别方法。RC-KICA先对人脸图像矩阵按行列分块;然后对训练样本集依次进行行和列的核独立成分分析,得到左右解混矩阵;最后把训练样本子块投影到解混矩阵构成的特征空间进行特征提取及分类识别。RC-KICA更大程度地降低了样本维数,更好地解决了KICA高维小样本的缺陷。在YALE人脸库上的实验结果表明RC-KICA优于KICA和B-KICA。     

一种应用于人脸识别的有监督NMF算法

为了提高非负矩阵分解(NMF)算法识别率,提出了一种有监督的NMF(SNMF)方法.该算法对NMF基图像进行判别分析,然后选择主要反应类内差异的基图像来构造子空间,最后在子空间上进行识别.通过UMIST人脸库和CMU PIE人脸库上的实验结果表明,该方法对光照、姿态和表情变化具有一定的鲁棒性,识别率高于NMF方法和其它子空间分析法.     

基于正则化零空间鉴别分析的人脸识别

提取有效的特征对高维数据的模式分类起着关键 作用,针对现有故障特征维数过高的问题,本文提 出了一种基于正则化零空间线性鉴别分析(Exponential Regularized Null Space Linear Discriminant Analysis, ERNSLDA)的特征提取方法。零空间线性判别分析已经在数据降维和特征提取上展现出良好 的性能,在 本文中,首先对类内样本矩阵进行正则化处理,避免小样本问题,其次对判别准则进行指数 化处理。所提 方法集成了NSLDA和RLDA在模式识别上的优势,有效地提高了人脸识别的精度,在ORL和YALE 数据库上的仿真实验证了本文所提方法的有效性。     

基于环形对称Gabor变换和分块PCA的人脸识别

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法.首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Ga-bor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余.通过实验验证该方法在3.5m内对人脸识别率达到95％,单个人脸识别时间小于0.22 s.     

基于两空间核鉴别分析的人脸识别

指出了几种线性鉴别分析方法在处理小样本人脸识别问题时存在的不足,结合核方法的思想,提出了一种基于两空间核鉴别分析的人脸识别方法.首先使用KPCA方法在核变换后的特征空间中对样本进行处理;进面将变换后的类内散布矩阵分成非零空间和零空间进行鉴别向量确定和鉴别特征提取,最后将得到的两种鉴别特征融合,从而使用最近邻法进行分类....     

分块双向2 DPCA融合局部特征的人脸识别

针对(2D)2PCA无法保存某些重要局部特征的问题,提出了一种分块双向二维主成分分析融合局部特征方法。首先,将图像分解为互不重叠的子块,每个子块包含重要的局部信息,利用(2D)2PCA对子块进行特征提取并投影到特征子空间;然后,对每个子块分别设计一个分类器并在一定置信度范围内判别测试样本所属类别。最后,根据所有子块所属类别的置信度之和完成人脸分类。在四个人脸识别数据库上的实验结果表明,相比其它几种人脸识别算法,所提方法取得了更高的识别精度。     

适于人脸识别的PCA算法应用研究

人脸识别问题涵盖了多个领域如图像处理、计算机视觉和模式识别等,文中主要研究了PCA算法的原理,并基于MATLAB软件平台实现了人脸识别系统。本系统对图像进行预处理后,用ORL人脸库中的部分图像作为样本,通过K-L变换获取训练样本的特征值和特征向量,从而得到特征脸向量,然后将测试样本投影到已知的特征脸空间,计算出坐标系数,进而得出分类识别的结果。实验证明了本系统有较高的人脸识别率,具有一定的实际应用价值。     

基于 环形对称Gabor变换和分块PCA的人脸识别方法研究

提出了利用一种新方法获取合适的环形对称Gabor核函数窗口提取人脸图像的纹理信息,并结合改进的PCA进行人脸识别的方法。首先将人脸与环形Gabor小波函数卷积得到图像在5个尺度上的变换,该过程采用一种新方法获取合适的Gabor核函数窗口,以保证与人脸图像卷积后得到更为合理的人脸特征,同时利用一种新的分块PCA方法,将环形Gabor滤波后的子图像分组,对分组后的图像平均分块再进行降维,在空间位置上提取出Gabor人脸细节的主要特征,有效降低了人脸特征冗余。通过实验验证该方法在3.5 m内对人脸识别率达到95%,单个人脸识别时间小于0.22 s。     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

融合奇异值分解和线性鉴别分析的人脸识别算法

本文提出了奇异值分解（SVD）和线性鉴别分析（LDA）相结合的人脸识别算法。理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合才能改善识别率。SVD和LDA之间有着明显的互补之处，LDA在fisher准则下能最大限度地把不同的类别区分开来，但作为一种子空间方法，LDA敏感于位移、旋转等几何变换。而作为一种代数特征提取方法的SVD则具有位移、旋转不变性等优点。因此，将这两种方法相结合就有可能提高分类性能（好于单独的SVD方法和单独的LDA方法）。在ORL数据库上的实验表明，SVD和LDA相融合的识别方法的确提高了人脸识别率。     

一种最近邻线非参数鉴别分析算法

特征提取是模式识别研究领域的一个热点问题。为了更好地解决人脸识别中的特征提取问题,在分布的非参数间距最大准则算法的基础上,根据最近邻线的算法思想,在点-线距离的基础上,提出一种新的算法,即最近邻线非参数鉴别分析算法,并通过在人脸数据库上的识别,验证了该算法的有效性。     

模糊二维线性鉴别分析算法

在二维线性鉴别分析的基础上,引入了模糊数学的思想,给出了模糊二维线性鉴别分析方法。模糊二维线性鉴别分析通过隶属度函数将样本归入所有的类别之中,根据隶属度重新定义了类间散布矩阵和类内散布矩阵,进而将样本的原始分布信息通过相应的隶属度函数完全融入到最后提取的特征中。通过在ORL和耶鲁人脸库上进行的实验,结果证明了基于模糊二维线性鉴别分析方法的优越性。     

基于自适应加权Fisherface算法的人脸识别

提出了一种改进的Fisherface算法。算法首先利用Karhunen-Loeve（K-L）变换降维,在降维的子空间内,根据样本与同类样本间的距离赋予该样本一权值,再用加权后的样本求取类均值,以新的类均值重建类内散布矩阵和类间散布矩阵,从而改进Fisher判别函数。在ORL和Yale人脸库上的实验结果表明,该算法优于传统的主成分分析（PCA）方法和Fisherface方法,并能有效解决小样本情况下训练样本类均值偏离类中心的问题。     

一种低维空间线性人脸识别方法的研究

本文在基于成分方法的基础上提出了一种低维空间线性人脸识别分析方法.该方法着重强调和突出判别能量较高的特征,从而提高在低维空间的人脸识别正确率.通过对ORL人脸数据库的实验,表明了本文提出的方法在低维空间比传统的线性判别分析法LDA和主成分分析法PCA有更高的识别正确率.     

一种基于Gabor描述的概率子空间人脸识别方法

该文提出了一种Gabor小波域的概率子空间人脸识别方法,简称GPSA方法。考虑到Gabor小波在人脸识别中的优势,首先给出了一种改进的人脸图像Gabor特征描述方法,在此基础上建立基于Gabor特征的概率子空间模型,人脸识别按照概率匹配方式进行,从而有机集成了Gabor特征描述和基于类内、类间变化的概率子空间分析两者所提供的鉴别信息,增强了人脸识别系统的鲁棒性。在包括190人的人脸数据库上的实验结果表明,所提出方法的识别性能较现有的概率子空间分析方法有了较明显的改善。     

鉴别投影嵌入及其在人脸识别中的应用

该文提出了一种新的监督线性降维方法,称为鉴别投影嵌入(Discriminant Projection Embedding, DPE)。和常用的线性鉴别分析相比,鉴别投影嵌入可以更好地保留类内的局部几何位置信息和提取类间的鉴别结构信息。在人脸识别公用数据库上进行了一系列的实验,实验结果表明了该文方法的可行性和有效性。     

基于PCA算法的人脸识别

PCA算法作为一种数值分析技术,主要的应用是用于简化数据、降低数据维度。将PCA算法应用到人脸识别,能提取出人脸图像中最主要特征,去除数据的冗余和噪声。文中采用PCA进行人脸识别,能为人脸识别提取区分度高的特征数据,有效提高了识别的准确性。且在ORL和YALE人脸库进行了实验。实验结果表明,该方法对实验的人脸图像有较高的识别率。