2DPCA-ICA算法在人脸识别中的应用

传统独立元分析(Independent Component Analysis,ICA)用于人脸识别首先是将人脸图像矩阵转换成向量求白化矩阵,然后利用快速固定点算法求分离矩阵,获得人脸图像独立基子空间,从而实现人脸识别.二维主元分析(Two-dimensional Principle Component Analysis,2DPCA)无须将人脸图像矩阵转换成向量,直接利用二维人脸图像矩阵求协方差矩阵,其特征值与特征向量的计算得到简化.本文结合2DPCA与ICA算法的特点,提出2DPCA-ICA人脸识别算法.该方法通过2DPCA算法计算白化矩阵;接着利用ICA算法获得人脸图像的独立元;然后构造独立基子空间;最后依据测试样本在独立基子空间上的投影特征实现人脸识别.基于ORL与Yale人脸数据库的实验结果表明,2DPCA-ICA算法正确识别率与识别效率均高于PCA-ICA算法与2DPCA算法,是一种有效的人脸识别方法.     

用于人脸识别系统的一种新PCA算法

在人脸识别系统设计中引入了一种新的基于加权主分量分析的人脸算法,该算法利用加权主分量分析的原理,将特征加权和主分量分析相结合,构造了一个新的3个中心的高斯分布函数作为加权函数对人脸各维特征进行加权,从而利用主分量分析的方法进行人脸识别.实验证明,该方法与已有的WPCA算法相比,具有更高的识别率.     

一种基于图像分块加权的（2D）2PCA人脸特征提取方法

论文针对二维主成分分析法（2DPCA）表征信息不全面且系数多的不足,提出分块加权处理的双向2DPCA（（2D）2PCA）方法提取人脸特征。该方法利用（2D）2PCA方法对人脸的各个分块提取特征,并对各分块的特征进行加权处理,然后应用支持向量机（SVM ）实现分类识别。经过在ORL人脸库的实验研究表明,该方法压缩了人脸识别系数,缩短了识别时间,提高了识别准确率。     

基于智能视觉的动态人脸跟踪

传统方法中对动态人脸识别采用的是单演局部主方向编码识别,通过分块子模式的加权融合进行人脸特征提取,因为人脸表情和姿态变化会导致识别结果出现误差。在智能视觉模式下,提出一种基于信息熵子模式主成分分析的动态人脸跟踪识别方法。基于特征状态空间重构方法,将人脸图像分成大小相等的子模块,对子模块进行信息熵特征提取,采用主成分分析方法进行人脸特征分类。仿真结果表明,采用该算法进行动态人脸跟踪识别,能有效实现人脸表情动态跟踪,人脸识别性能较好、精度较高,性能优于传统算法。     

基于掌纹、人脸关联特征的身份识别算法

首先对掌纹、人脸图像进行融合;接着利用小波变换增强融合后图像;然后利用一种新的子空间分析方法--对角离散余弦变换和二维主元判别分析(Diagonal,Discrete Cosine Traasform and Two-Dimensional Principle Component Analysis,Dia-DCT+2DPCA)相结合的算法进行特征提取;最后运用最小距离分类器进行识别.实验结果表明,本文算法有效地提高了身份识别的正确识别率.     

基于DWT,2DPCA和KPCA的人脸识别

利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,有效去除人脸图像高频分量的影响;再利用二维主元分析对小波变换后的人脸低频分量实行提取特征;然后使用核主元分析再次提取特征;最后用最小距离分类器完成人脸识别.基于ORL人脸数据库的实验结果表明,该算法能提高人脸识别率,有效减少计算量和降低计算复杂度.     

一种基于加权变形的2DPCA的人脸特征提取方法

该文首先分析了主成分分析法(PCA)和2维主成分分析法(2DPCA)的关系,针对2DPCA丢失具有鉴别能力的协方差信息以及PCA方法不能解决小样本的问题,提出了基于一种加权变形的2DPCA的人脸特征提取方法(WV2DPCA),该方法利用变形的2DPCA方法分别对人脸3个子部分分别提取特征,然后根据最近邻理论和权值进行分类。经过在ORL人脸库和YALE人脸库的实验研究表明:与2DPCA相比,提高了人脸空间的识别率,压缩了人脸空间的系数,减少了识别时间;在识别的准确率方面,更优于传统的Fisherfaces,IC,Kernel Eigenfaces的算法。     

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。     

基于离散余弦变换和支持向量机的人脸识别研究

提出了一种基于图片分割的人脸特征提取方法,该方法利用二维离散余弦变换对每个子图进行分解,并提取其中最具代表性的系数作为该子图的特征,文中构造了一对多的支持向量机作为分类器来识别不同的人脸。基于ORL人脸数据库对算法性能进行了模拟,实验结果表明,所提出的算法实现简单,并具有较好的性能。     

结合CNN不同层信息的全变量建模人脸特征表达学习方法

如何学习有效的人脸特征表达是人脸识别的关键性问题。现有基于卷积神经网络（Convolutional Neural Networks, CNN）的人脸深度特征表达学习方法大多在人脸图像经过了有效检测和校正的情况下，能够获得优异的性能，而在复杂场景下其推广性和鲁棒性受到极大限制。对此，本文提出了结合CNN不同层信息的全变量建模人脸特征表达学习方法，将提取的人脸局部深度特征中所包含的差异信息按照子空间进行建模，有效聚合局部深度特征的同时得到人脸在低维子空间的特征表达（iVector）。在IJB-A（IARPA Janus Benchmark A）上的实验结果表明，与现有的深度特征表达相比，该方法学习得到的人脸iVector表达能够显著提升人脸识别系统的识别性能和计算效率。      

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CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

基于PCA和ICA的人脸识别

提出利用主成分分析(PCA)和独立成分分析(ICA)相结合的方法对人脸进行识别。首先对预处理后的图像进行降维,即利用PCA算法对图像进行去二阶相关和降维处理,然后再利用ICA算法获得人脸影像独立基成分,利用人脸影像独立基来构造一子空间,最后利用待识别图像在这个空间上的投影系数进行人脸识别。从两个不同的数据集,将传统的PCA人脸识别算法和提出的人脸识别算法进行比较。从实验数据结果看,提出的PCA和ICA结合人脸识别算法优于传统的PCA人脸识别算法。     

基于B2DPCA和极端学习机的人脸识别

介绍一种新的基于双向二维主成分分析(B2DPCA)和极端学习机(ELM)的人脸识别方法,该方法是根据人脸曲波图像分解和一种改进的降维技术,通过B2DPCA生成识别特征集来提高分类精度.该方法还能够有效地提高分类正确率和降低对原型数量的依赖.通过做大量的实验,把结果和现存技术相比较.     

特征提取在人脸自动识别技术中的研究

人脸识别技术目前是生物特征识别中研究的热点之一,在商业、司法、监控和视频检索等领域有着广泛的应用前景。人脸特征的自动提取则是人脸自动识别过程中至关重要的环节。主要基于主成分分析PCA、线性差别分析LDA和非负矩阵分析NMF三种常用的子空间分析方法进行人脸特征提取的研究。     

一种基于相关性投影的人脸性别分类算法

针对于人脸图像检测的有效利用性,为了提高其检测的性能,提出一种新的基于 监督学习的优化相关性投影(ORP)人脸性别分类算法,并将其应用到基 于Eigenface算法与Fisherface算法的人脸识别中,以及应 用WPCA到基于PGA的性别分类中。本文算法首先基于带权主成分分析(WPCA)算法来降低脸部 维度,将脸部特征提取出;然后,对其进行优化,同时 计算ORP的误差函数;最后,最小化脸部ORP误差函数,计算特征向量的 欧式距离,进行人脸性别分类。将提出方法与 传统方法进行对比,在FERET数据库上进行了实验,证明了本文方法的有效性,获得了优 于传统方法的识别率。     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

基于混合核函数的快速KPCA人脸识别算法

为提高人脸识别的速率和识别率,文中提出一种基于混合核函数的快速核主成分分析算法用于进行人脸识别,首先构造两种混合核函数,利用均值矢量的方法构建核矩阵,并利用文中提出的核主成分分析算法计算核矩阵的特征向量。分别在ORL和AR人脸数据库中做了相关实验,并且与传统的核主成分分析方法在识别率和算法运行时间上进行了比较,结果表明,文中所提核主成分分析方法具有较高的识别率和更短的运行时间,从而为实时地具有大数据的人脸识别系统提供技术支持。     

基于二维Gabor小波的人脸识别算法

该文提出了一种基于二维Gabor小波的人脸识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,然后在图像上放置一组网格结点,每个结点用该结点处的多尺度Gabor幅度特征描述,采用主元分析法对每个结点进行去相关、降维,最后形成特征结。把每个特征结作为观测向量,对隐马尔可夫模型进行训练,并把优化的模型参数用于人脸识别。实验结果表明,该方法识别率高,复杂度较低。     

A non-parameter bayesian classifier for face recognition

A non-parameter Bayesian classifier based on Kernel Density Estimation (KDE) is presented for face recognition, which can be regarded as a weighted Nearest Neighbor (NN) classifier in formation. The class conditional density is estimated by KDE and the bandwidth of the kernel function is estimated by Expectation Maximum (EM) algorithm. Two subspace analysis methods-linear Principal Component Analysis (PCA) and Kernel-based PCA (KPCA) are respectively used to extract features, and the proposed method is compared with Probabilistic Reasoning Models (PRM), Nearest Center (NC) and NN classifiers which are widely used in face recognition systems. The experiments are performed on two benchmarks an.el the experimental results show that the KDE outperforms PRM, NC and NN classifiers.