基于小波变换和对称主成分分析的人脸识别方法

提出一种将对称主成分分析(Symmetrical Principal Component Analysis)思想应用于人脸特征提取的算法.实验结果表明,该方法减少了计算量,提高了系统的识别率.     

对称核主成分分析及其在人脸识别中的应用

核主成分分析(KPCA)没有充分利用人脸的对称性特征,在人脸识别中缺少训练样本,致使其识别率较低。为此,提出一种对称KPCA算法。利用人脸的镜像对称性,通过对训练样本进行镜像变换,得到奇对称样本和偶对称样本,分别提取各奇/偶对称样本的特征分量,使用最近邻距离分类器完成分类。实验结果表明,该算法能扩大样本容量,当多项式阶数为2时,该算法的识别率高于KPCA算法,识别时间短于KPCA算法。     

基于二阶双向二维主成分分析的人脸识别方法

为了克服光照变化较大的情况对识别率的影响,提出基于二阶双向二维主成分分析(Sec-(2D)2PCA)的人脸识别方法。丢弃提取人脸图像的(2D)2PCA的前几个反映光照信息的主成分。在剩余图像中再次使用(2D)2PCA方法。Yale人脸库B和Yale人脸库上的试验结果表明,该方法在识别性能上优于2DPCA、(2D)2PCA、Sec-2DPCA方法。     

主成分分析及支持向量机在人脸识别中的应用

文中利用主成分分析提取图像的特征信息,然后将此特征数据作为分类器的输入数据。文中采用的分类器———支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。再利用二叉树判别策略来对多类人脸图像进行了识别,实验取得了较好的效果。     

主成分分析及支持向量机在人脸识别中的应用

文中利用主成分分析提取图像的特征信息，然后将此特征数据作为分类器的输人数据。文中采用的分类器——支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。再利用二叉树判别策略来对多类人脸图像进行了识别，实验取得了较好的效果。     

基于Log-Gabor统计采样的人脸识别方法

针对传统人脸识别方法中二维Gabor滤波器及下采样方法的局限性,提出一种融合Log-Gabor的统计采样与支持向量机(SVM)的人脸识别方法。该方法使用Log-Gabor滤波器替代传统的二维Gabor滤波器提取特征,运用给出的统计下采样方法代替传统的下采样方法来初步降维,并使用主成分分析法进一步降维和应用SVM进行识别。在基于ORL与FERET人脸库的实验结果表明,该方法具有较高识别率和较强鲁棒性。     

Gabor变换仿生人脸识别

针对主成分分析(PCA) 方法在特征提取和降维方面的不足,提出一种Gabor特征筛选的仿生人脸识别方法.首先提取人脸图像Gabor特征向量, 经2DPCA方法降维处理后用仿生识别方法对其进行人脸识别.在AR 人脸库上验证了该方法的有效性.实验结果显示, 该方法的分类准确性高于仿生识别方法和PCA 等方法.     

小波变换和特征加权融合的人脸识别

在人脸识别领域,提取人脸特征和降低维数是人脸识别的关键。传统的基于小波变换的人脸识别算法仅在小波分解的低频分量上提取用于分类的图像特征,造成了高频分量中部分对识别有利信息的丢失。为了更有效地提取人脸图像特征,提出一种基于小波变换和特征加权融合的人脸识别算法。首先通过小波变换对人脸图像进行降维处理,然后对4个小波子图分别运用主成分分析法(PCA)提取特征,并把这4部分特征加权融合,最后利用支持向量机(SVM)进行分类识别。在ORL人脸库上进行实验验证,识别准确率可达到97.5%,实验结果表明该算法能够有效提高人脸识别能力,与传统识别算法相比具有较高的识别准确率和识别速度。     

基于小波分析和KPCA的人脸识别

本文探讨了基于核函数的主成分分析方法在人脸识别中的应用，首先对人脸进行haar小波分析，得到对应的人脸小波系数，再通过计算其内积核函数实现从低维空间到高维空间的非线性映射，对高维数据进行主成分分析得到用于分类的主成分，最后采用支持向量机进行分类，实验结果表明，该方法具有良好的分类性能和鲁俸性。     

基于增强的2维主成分分析的特征提取方法及其在人脸识别中的应用

为了对图像进行最优压缩,提出了两步2维主成分分析方法进行特征提取,称为增强的2维主成分分析。增强的2维主成分分析首先对图像进行行方向的2维主成分分析,再进行列方向的2维主成分分析。增强的2维主成分分析对图像进行了行方向和列方向的压缩,因此增强的2维主成分分析比2维主成分分析需要更少的系数来表示图像,需要更少的存储空间和分类时间。在ORL和FERET人脸库上的实验证明了该方法的有效性。     

基于Gabor变换和双方向PCA的人脸识别

提出了一种可以解决小样本问题的人脸识别新算法。算法首先把人脸图像经过Gabor小波变换后得到的每个输出图像都看成是独立的样本,从而大大增加了每一类人脸样本的样本数。然后采用双方向PCA算法来提取人脸特征,并专门设计了针对人脸特征矩阵的最近邻分类器和最小距离分类器来进行分类判决。在ORL人脸库和FERET人脸库中的实验结果表明,算法能有效地解决人脸识别中的小样本问题,甚至当每类训练样本数仅为1时,也能得到较高的识别率。     

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PCA算法的人脸识别

介绍了隐马尔可夫特征脸模型（HMEM）,由概率性主成分分析方法（PPCA）与离散空间马尔可夫模型法（SL-HMM）整合而成,具有PPCA和SL-HMM的双重特性。利用ORL数据库进行人脸识别实验,结果说明该模型在性能上表现出较大的优势。     

基于集成主成分分析的人脸识别

设计了一种基于主成分分析的分类器集成方法。应用随机子空间法获得多个初始分类器,由它们的分类性能给出分类器的保留分值,从而确定它们的保留优先级别,最后由保留优先级别选择一组分类器组成集成。理论分析和在人脸数据库ORL上的实验结果表明,这种基于集成PCA的分类方法能够更好地对模式进行分类。     

基于曲波与主分量分析的人脸识别

本文提出了基于曲波变换和主分量分析的人脸识别算法。针对小波变换仅能有效表达图像中的点奇异性的弱点,采用曲波变换提取面部主要特征。由于人脸的主要特征是面部的曲线信息,而曲波变换直接以曲线为表达基元,其变换系数能有效表示沿曲线的奇异性,而且是各向异性的,所以能更好地表达面部特征。进一步使用主分量分析将特征投影到更具表达力的空间中,从而达到更高的识别率。实验结果表明曲波的性能优于小波,尤其是曲波小尺度系数的识别率明显高于小波高频系数。     

融合小波和自适应类增广PCA的人脸识别

提出了融合小波变换和自适应类增广PCA（CAPCA）的人脸识别算法。用离散小波变换对人脸图像进行压缩,提取人脸的低频分量,再利用自适应的类增广PCA方法对小波变换后的人脸低频分量进行特征提取,从而达到进一步降维的目的。不同于类增广PCA,该方法不需要构建样本的类间信息,使用起来更加灵活,又由于小波变换对图像的预处理,算法的识别率和耗时也得到了进一步的优化。Yale和FERET库上的实验表明了该算法的有效性。     

基于改进PCA的人脸识别算法

针对传统主成分分析法在特征提取中出现的耗时过长、平均对待所有像素点等问题,提出一种双中心羽化加权双向PCA(Bidirectional WPCA,BD-WPCA)的算法。算法首先将训练人脸样本和测试人脸样本图片进行双中心羽化加权处理,以增加人脸主要器官在识别中所占的比重;再用双向PCA算法分别在行和列方向上降维并提取特征;最后用K近邻法匹配分类。实验结果表明,该算法在降低运算耗费时间的同时能获得较高的识别率,具有可行性。     

基于2D-PCA和2D-LDA的人脸识别方法

提出了基于2D-PCA、2D-LDA两种特征采用融合分类器的人脸识别方法.首先提取人脸图像的2D-PCA和2D-LDA特征,对不同特征在决策层对分类器进行融合.在ORL人脸库上的试验结果表明,分类器决策层融合方法在识别性能上优于2D-PCA和2D-LDA,更具有鲁棒性.     

基于小波变换和多特征融合算法的人脸识别

提出了基于小波变换和多特征融合算法的人脸识别方法。该方法先对原始人脸图像进行简单加权小波变换以降低维数,施行改进的模块二维主成分分析（M2DPCA）抽取特征,再进行加权最大散度差鉴别分析（WMSD）得到最终的特征图像,采用最近邻分类器对人脸分类识别。该方法不仅利用了人脸图像的局部特征和类别信息,而且避免了矩阵的奇异值分解可能遇到的问题。在ORL人脸库上实验,以验证该方法的有效性。     

基于PCA+AdaBoost算法的人脸识别技术

人脸识别技术是图像处理方面的重要技术,然而识别率不高却一直妨碍人脸识别技术的广泛应用。主成分分析（PCA）是人脸识别技术的一个重要算法,将PCA与AdaBoost算法相结合改进了原来的算法,并称新算法为PCA+AdaBoost算法。实验证明PCA+AdaBoost算法的识别率明显高于PCA算法,相对于Fisherface算法的识别率也有明显的提高。