二维主成分分析方法的推广及其在人脸识别中的应用

提出了分块二维主成分分析(分块2DPCA)的人脸识别方法。分块2DPCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵直接进行鉴别分析。其特点是:能方便地降低鉴别特征的维数;可以完全避免使用矩阵的奇异值分解,特征抽取方便;与2DPCA方法相比,使用低维的鉴别特征矩阵,而达到较高(至少是不低)的正确识别率。此外,2DPCA是分块2DPCA的特例。在ORL和NUST603人脸库上的试验结果表明,所提出的方法在识别性能上优于2DPCA方法。     

模块二维主成分分析——人脸识别新方法

提出了模块二维主成分分析(M2DPCA)线性鉴别分析方法。M2DPCA方法先对图像矩阵进行分块，对分块得到的子图像矩阵直接进行鉴别分析。其特点是：能有效地降低模式原始特征的维数；可以完全避免使用矩阵的奇异值分解，特征抽取方便；此外，2DPCA是M2DPCA的特例。在ORL人脸库上试验结果表明，M2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

图像特征抽取的MDNIB2DPCA方法

在多方向二维主成分分析法MD2DPCA和无迭代双边二维主成分分析（NIB2DPCA）的基础上,提出了多方向无迭代双边二维主成分分析（MDNIB2DPCA）的特征抽取新方法。该方法可以对图像矩阵在多个方向上进行特征抽取,与MD2DPCA方法相比也提高了特征抽取速度。在灰度人脸图像库上的对比实验表明,所提的方法可以提高灰度图像识别率两个百分点以上;进一步地,在基于NIB2DPCA的彩色图像识别方法的基础上,提出了将所提的MDNIB2DPCA替换NIB2DPCA的彩色图像处理的新方法。在彩色人脸库上的对比实验表明,所提方法的识别正确率也可提高约一个百分点。     

双向压缩二维特征抽取人脸识别新方法

提出了二维主成分分析(2DPCA)与二维线性鉴别分析(2DLDA)相结合的双向压缩投影的子空间人脸识别方法.该方法在进行一次2DPCA运算后,对特征矩阵进行转置,再进行2DLDA运算,与(2D)~2PCA与(2D)~2LDA相比,充分利用了2DPCA和2DLDA的优点,既包含了样本的类别信息,又消除了图像矩阵行和列的相关性,有效地提取了行和列的识别信息,识别特征维数也大幅度减少.在ORL和PERET人脸库上的实验表明,在不影响识别速度的情况下,其识别率优于现有二维特征提取方法.     

融合WMD矩阵与2DPCA的人脸特征抽取与识别

提出了一种融合小波矩描述子(WMD)矩阵与二维主成分分析(2DPCA)的人脸特征抽取与识别算法。该方法抽取描述人脸本质特征的WMD矩阵,利用2DPCA对该矩阵进行投影压缩降维,抽取人脸最终鉴别特征,利用最近邻分类器对特征进行分类识别。NUST603人脸库上的实验结果验证了算法的有效性。     

基于双向二维主成分分析的运动目标跟踪

为克服二维主成分分析（2DPCA）跟踪效率低的缺点,提出一种基于双向二维主成分分析（Bi-2DPCA）的运动目标跟踪算法。采用双向二维主成分分析作为目标表示的方法建立目标图像子空间,同时在图像均值与协方差矩阵的更新中引入基于目标图像匹配程度的自适应增量因子的增量学习的方法进一步提高算法效率。在多个包含动态背景的图像序列上的对比实验结果表明算法能在目标处于部分遮挡的情况下准确跟踪目标,同时算法在效率上高于基于二维主成分分析的目标跟踪算法。     

双向压缩的2DPCA与PCA相结合的人脸识别算法

主成分分析(PCA)直接用于人脸识别时,需将图像矩阵转换成向量,导致求解高阶矩阵计算量大.二维主成分分析(2DPCA)的实质是对图像矩阵按行进行图像压缩抽取特征,消除了图像列的相关性,但特征教量仍然较大,影响分类速度.针对这一问题,提出了采用双向压缩的二维主成分分析消除图像行间和列间的相关性,再结合PCA进一步减少特征数量,改进人脸识别算法,该算法用于ORL人脸库上得到了较高的识别率和较快的识别速度.     

基于分块二维线性鉴别分析的人脸识别

基于2DLDA方法,提出了一种基于图像分块的二维线性鉴别分析(M2DLDA)的人脸识别方法。该方法首先对原始人脸图像进行必要的预处理后进行分块,再对分块后的子图像分别采用2DLDA方法进行特征提取,最后用最小距离分类器进行识别。该方法的优点：分块后能有效的抽取人脸图像的局部特征有利于分类;降低了2DLDA方法提取的特征矩阵的维数;特征提取是基于图像矩阵的,抽取方便快速。在ORL人脸数据库上的实验结果表明：该方法在识别性能上优于2DLDA方法。     

基于分块2DPCA的人脸识别方法

为进一步提高分块二维主成分分析(2DPCA)算法在人脸识别的识别率,提出一种人脸识别算法.将训练样本人脸矩阵按光照等相似条件进行分块并进行类内平均归一化;采用2DPCA算法构造特征空间,将分块矩阵在特征空间中进行投影得到训练样本识别特征,利用支持向量机(SVM)在分类上的优势,对训练样本识别特征和经过归一化分块2DPCA的测试样本识别特征进行分类,对人脸图像进行识别.选取ORL人脸数据库的图片进行实验,将该算法与传统2DPCA、2DPCA+SVM等算法进行比较,验证了该算法的性能优于其它算法.     

分块PCA鉴别特征抽取能力的分析研究

基于主成分分析(Principal Component Analysis,PCA),本文提出了分块 PCA 人脸识别方法。分块 PCA 从模式的原始数字图像出发,先对图像进行分块,对分块得到的子图像矩阵采用 PCA 方法进行特征抽取,从而实现模式的分类。新方法的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 Yale 人脸数据库上测试了该方法的鉴别能力。实验的结果表明,分块 PCA 在识别性能上优于通常的 PCA 方法,也优于基于 Fisher 鉴别准则的鉴别分析方法:Fisherfaces 方法、F-S 方法、组合鉴别方法,识别率可以达到100%。     

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。     

改进的模块2DPCA人脸识别算法

提出一种改进的模块2DPCA人脸识别算法,即基于子距离的模块2DPCA人脸识别算法。该算法对图像进行分块,对每一子块独立地利用2DPCA进行处理,求出测试样本子块与训练样本对应子块间的子距离,将所有子距离相加得到测试样本与训练样本的距离,用最近距离分类器分类。在ORL人脸库上的实验结果表明,该算法在识别性能上优于普通的模块2DPCA算法和修正的模块2DPCA算法。     

基于DCT与改进分块2DPCA算法的人脸识别

提出一种离散余弦变换和改进的分块二维主元分析相结合的人脸识别方法。该算法利用DCT压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低所需特征的维数,减少计算量。通过IM2DPCA进行特征提取得到人脸识别特征,运用最近邻分类器完成人脸的识别。在基于ORL、YaleB、CAS-PEAL及Feret人脸数据库的实验结果证明该算法的有效性与稳健性。     

基于样本扩充和改进2DPCA的单样本人脸识别

针对大多数人脸识别方法在单个训练样本条件下识别性能下降的问题,提出了结合多种样本扩充方法和改进二维主成分分析(2DPCA)的人脸识别算法。通过分析各种样本扩充方法的优缺点,用多种样本扩充方法来生成虚拟样本,以充分利用单一样本所提供的信息。采用改进的2DPCA方法对生成的虚拟样本进行特征提取,对训练样本进行分块,并用类内平均值规范后的分块来构造总体散布矩阵。在ORL和Yale人脸库上的实验表明,所提出的方法在识别性能方面优于普通的2DPCA方法,优于单一的样本扩充方法。     

小空间占用的快速彩色图像特征抽取方法

为了有效降低已有彩色图像特征抽取算法的空间占用,使得这类算法可以适用于仅有有限计算能力和计算空间的计算环境,提出了一种小空间占用的快速彩色图像特征抽取方法。此方法首先用无迭代双边二维主成分分析方法NIB2DPCA对彩色图像的R、G、B三个通道分别做特征抽取;然后把抽取到的三个特征矩阵重构为一个二维矩阵;接着用NIB2DPCA对此二维矩阵抽取特征得到最终的分类特征矩阵。最后用最近邻分类器验证提出方法的有效性。在CVL和FEI人脸库上的大量实验表明,提出的方法采用两次特征抽取方法对彩色图像的信息进行了有效的压缩从而使计算过程中占用的内存空间减小了两个数量级以上,由此导致了计算时间的缩短,计算速度的提高;而且识别率还有所提高。     

一种M2DPCA和NSA相结合的人脸识别方法

将非参数子空间分析方法（NSA）和模块化2DPCA方法相结合,提出了一种模块化2DPCA+NSA方法。NSA方法需将图像矩阵转化为向量后进行特征提取,导致数据维数很大,没有考虑到图像的局部特征,对图像矩阵进行分块,采用2DPCA进行特征提取,得到替代原始图像的低维新模式,施行NSA。该法能有效提取图像的局部特征,而由于考虑到类内、类间的差异,可弥补PCA 的缺陷。在ORL人脸库和XM2VTS人脸库上对LDA方法、NSA方法以及该方法分别进行了评价和测试,结果显示,所提方法在识别效果上优于LDA方法和NSA方法。     

基于子模式的完全二维主成分分析的步态识别算法

提出一种基于子模式的完全二维主成分分析的步态识别算法.首先对步态能量图进行子块划分,自适应地去掉对分类无用的子块.然后分别对每个子图像采用完全二维主成分分析方法进行特征抽取.最后将各个子块的特征合为整体采用最近邻分类器来测试识别.应用上述方法在CASIA步态数据库上进行实验,通过实验确定分块数目.实验结果表明本文算法明显好于完全二维主成分分析方法,不但有利于提取局部特征,而且对外套变化、背包,行走方向变化的步态识别也较有效.     

一种双向压缩的二维特征抽取算法及其应用

针对二维主分量分析（2DPCA）在最优投影轴上的投影是一个向量,其抽取出的图像特征是一个矩阵,特征数据量大,不便于直接分类的弱点,提出了一种特征抽取新方法。首先用2DPCA作一次横向压缩,对抽取出的特征矩阵再作一次2DPCA进行纵向压缩。这样抽取出的特征数量大大减少,可加快分类速度。ORL人脸库的试验结果表明了该方法的有效性。