基于主分量分析的最优鉴别特征抽取

传统的主分量分析方法(PCA)是最为经典的图像特征抽取方法之一,由于其本质上是在最小均方差意义下给出了模式样本的最优表示,所以它通常被作为对高维图像模式进行降维的一种常用方法.但就模式分类而言,这种表示并非是最有效的.首先从统计相关性的角度揭示了PCA抽取的特征本身就具有统计不相关的良好特性.然后通过引入一种新的最大散度差类别可分性判据,从而为在PCA抽取的特征中最优鉴别特征的选取提供了一种有效策略.最后,在AR标准人脸库上的实验结果验证了算法的有效性.     

一种新的核广义鉴别特征抽取方法

在基于核的广义鉴别特征模型的基础上,提出了一种新的核广义鉴别特征抽取方法。利用空间变换的有关理论,使得变换后的核总体散布矩阵满足非奇异性;同时通过核共轭特征抽取方法,抽取满足核共轭正交条件的特征向量,使抽取的特征满足统计不相关性。在ORL人脸库上的实验表明了所提方法的有效性,达到了比核鉴别分析等方法更好的识别效果。     

基于散度差准则的隐空间特征抽取方法

本文提出了一种新的非线性特征抽取方法——基于散度差准则的隐空间特征抽取方法。该方法的主要思想就是首先利用一核函数将原始输入空间非线性变换到隐空间，然后，在该隐空间中，利用类间离散度与类内离散度之差作为鉴别准则进行特征抽取。与现有的核特征抽取方法不同，该方法不需要核函数满足Mercer定理，从而增加了核函数的选择范围。更为重要的是，由于采用了散度差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题。在ORL人脸数据库和AR标准人脸库上的试验结果验证了本文方法的有效性。     

最大散度差无监督鉴别特征抽取与人脸识别

最大散度差准则是对Fisher准则的改进,消除了小样本问题,但是该方法是基于整体特征的人脸识另q方?法,没有考虑到样本的局部特性.无监督的鉴别投影(UDP)技术,用于对高维数据进行维数缩减,它同时考虑到样本的局部特征和非局部特征,但是在人脸等高维图像识别的应用中,不可避免地会出现小样本问题.提出一种基于散度差的无监督鉴别特征抽取,避免了局部协方差奇异所产生的问题.在ORL人脸库和AR人脸库上的实验结果验证了该算法的有效性.     

最大散度差鉴别分析及人脸识别

传统的Fisher线性鉴别分析(LDA)在人脸等高维图像识别应用中不可避免地遇到小样本问题。提出一种基于散度差准则的鉴别分析方法。与LDA方法不同的是,该方法利用样本模式的类间散布与类内散布之差而不是它们的比作为鉴别准则,这样,从根本上避免了类内散布矩阵奇异带来的困难。在ORL人脸数据库和AR人脸数据库上的实验结果验证算法的有效性。     

基于差空间的最大散度差鉴别分析及人脸识别

提出了一种新的基于差空间的最大散度差鉴别特征抽取方法。该方法首先通过构造人脸图像的差空间,部分地消除由于光照条件不同而引起的人脸图像的不稳定性,然后采用最大散度差鉴别准则函数进行最优鉴别特征的抽取,这样从根本上避免了传统的Fisher线性鉴别分析中存在的“小样本问题”。最后,在ORL标准人脸库和Yale人脸库上的实验结果验证了本文算法的有效性。     

一种新的基于最大散度差准则的特征抽取方法

本文基于最大散度差准则（MSDC）,利用统计不相关投影空间,提出了一组具有统计不相关性的最佳鉴别矢量的计算方法。该方法的目标是寻求一组鉴别矢量集,既要使投影后的特征空间的类间散度最大,而类内散度最小;又要使最佳鉴别矢量之间具有统计不相关性。另外,本文还揭示了最大散度差鉴别准则与Fisher准则的内在关系。在ORL与NUST603人脸库上的实验结果表明,本文所提出的方法在识别性能上优于原MSDC特征抽取方法与传统的PCA方法。     

融合典型相关与最大散度差的特征抽取方法

提出了一种融合典型相关分析与最大散度差鉴别分析的特征抽取新方法。该方法首先利用典型相关分析方法实现了特征信息的融合,有效地消除了特征之间的信息冗余。然后,通过采用最大散度差鉴别分析方法将训练样本中的类别信息加以充分的利用,从而有效的提高了人脸识别的正确率。最后,在ORL标准人脸库上和Yale人脸库上的实验结果验证了本文算法的有效性。     

一种新的图像特征抽取方法研究

对最佳鉴别矢量的求解方法进行了研究，根据矩阵的分块理论和优化理论，在一定的条件下，从理论上得到类间散布矩阵和总体散布矩阵的一种简洁表示方法，提出了求解最佳鉴别矢量的一种新算法，该算法的优点是计算量明显减少。ORL人脸数据库的数值实验，验证了上述论断的正确性。实验结果表明，虽然识别率与分块维数之间存在非线性关系，但可以通过选择适当的分块维数来获得较高的识别率。类间散布矩阵和总体散布矩阵的一种简洁表示方法适合于一切使用Fisher鉴别准则的模式识别问题。     

分块PCA与最大散度差鉴别分析结合的人脸识别

提出了一种将分块PCA与最大散度差鉴别分析相结合的人脸识别方法。该方法是先对原始的人脸图像进行分块,然后对分块得到的子图像矩阵采用PCA方法进行特征抽取,从而把原始模式从高维空间映射到较低维空间。接下来再对新模式采用最大散度差线性鉴别分析,这样就避免了对新模式的类内散布矩阵非奇异的要求。在ORL人脸库和Yale人脸库上分别检验了分块PCA与最大散度差鉴别分析相结合的人脸识别方法的识别性能,实验结果表明该方法抽取的鉴别特征有较强的鉴别能力。     

面向人脸识别的WPD-HOG金字塔特征提取方法

人脸识别技术可应用于各监控和安保领域,它涉及特征提取、识别模型等关键技术。其中特征提取方法直接影响识别效果,目前所用的特征提取方法存在特征表达不全面、计算复杂度高等问题。据此,提出一种基于WPD-HOG金字塔的人脸特征提取方法,该方法结合小波包分解（Wavelet Packet Decomposition,WPD）、图像金字塔以及方向梯度直方图（Histograms of Oriented Gradients,HOG）对人脸图像特征进行有效表征,最终将WPD-HOG金字塔特征通过SVM分类器进行分类。通过在ORL人脸库上进行实验,与四种对比方法HOG、HOG金字塔、FWPD-HOG以及FWPD-HOG金字塔进行比较,实验结果表明,WPD-HOG金字塔特征提取方法的识别率要高于对比方法,且在噪声方面具有较好的鲁棒性。     

基于小波变换的优化LDA人脸特征提取

运用小波进行图像分解提取低频子带图,并利用优化的线性判别分析(LDA)算法寻找最优投影子空间,从而映射提取人脸特征,实现人脸的分类识别。该方法避免了传统LDA算法中类内离散度矩阵非奇异的要求,解决了边缘类重叠问题,具有更广泛的应用空间。实验表明:该方法优于传统的LDA方法和主分量分析(PCA)方法。     

一种融合PCA 和KFDA 的人脸识别方法

提出一种融合PCA和KFDA的人脸识别方法，即在进行非线性映射之前，首先利用经典的主分量分析(C—PCA)进行降维，然后执行KFDA．为进一步降低整个算法的计算时问，又提出一种I—PCA KFDA方法，它直接基于图像矩阵的主分量分析(I—PCA)．ORL标准人脸库的试验结果表明，与现有的核Fisher鉴别分析方法相比，两种方法可将特征抽取的速度分别提高3倍和7倍，其识别精度没有丝毫的降低．     

Multi-resolution feature fusion for face recognition

For face recognition, image features are first extracted and then matched to those features in a gallery set. The amount of information and the effectiveness of the features used will determine the recognition performance. In this paper, we propose a novel face recognition approach using information about face images at higher and lower resolutions so as to enhance the information content of the features that are extracted and combined at different resolutions. As the features from different resolutions should closely correlate with each other, we employ the cascaded generalized canonical correlation analysis (GCCA) to fuse the information to form a single feature vector for face recognition. To improve the performance and efficiency, we also employ “Gabor-feature hallucination”, which predicts the high-resolution (HR) Gabor features from the Gabor features of a face image directly by local linear regression. We also extend the algorithm to low-resolution (LR) face recognition, in which the medium-resolution (MR) and HR Gabor features of a LR input image are estimated directly. The LR Gabor features and the predicted MR and HR Gabor features are then fused using GCCA for LR face recognition. Our algorithm can avoid having to perform the interpolation/super-resolution of face images and having to extract HR Gabor features. Experimental results show that the proposed methods have a superior recognition rate and are more efficient than traditional methods.     

Complete discriminant evaluation and feature extraction in kernel space for face recognition

This work proposes a method to decompose the kernel within-class eigenspace into two subspaces: a reliable subspace spanned mainly by the facial variation and an unreliable subspace due to limited number of training samples. A weighting function is proposed to circumvent undue scaling of eigenvectors corresponding to the unreliable small and zero eigenvalues. Eigenfeatures are then extracted by the discriminant evaluation in the whole kernel space. These efforts facilitate a discriminative and stable low-dimensional feature representation of the face image. Experimental results on FERET, ORL and GT databases show that our approach consistently outperforms other kernel based face recognition methods.

旋转均值跳动特征及其在模糊人脸识别中的应用

针对目前监控摄像头由于远距离拍摄导致模糊人脸识别率欠佳的问题,提出了具有"有序"全局结构性特征的旋转均值跳动特征提取算法。该算法在图像每条垂线上按照从上至下的顺序等分选择若干采样点,运用均值跳动的方法进行编码,计算每条垂线上所有值不为0的像素的平均值,按顺序将选取的若干采样点像素值和平均值进行比较,并依次编码,生成1个8位二进制数,其对应十进制值的范围与像素值范围相同,该十进制数为整条垂线上的特征值,从而提取出描述每条垂线的纹理特征信息。结合图像预处理和直方图归一化实现对纹理图像融合特征信息提取。实验结果表明,该算法相比深度学习在模糊人脸识别方面有了明显提升。     

基于多级分类的大类别人脸识别研究 *

提出了一种新的多级分类的人脸识别算法。在类别数较大的人脸识别系统中 ,要想用一种特征一次性地把所有类别都分开是不现实的。首先使用快速的二维投影在大范围内找出测试样本的若干候选类别 ,然后对不同的测试样本分别在其候选子集中抽取特征 ,进而判断测试样本属于哪个类别。在 200人的人脸库上进行了实验 ,识别率由 71. 23%提高到 83. 75%。