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。     

巴氏距离和K-L变换结合的特征选择

该文提出巴氏距离(BhattacharyyaDistance)和K-L(Karhunen-Loeve)变换结合的特征选择。采用巴氏距离特征选择眼3,5演的迭代算法,可以获得最小错误率上界。当特征维数高时,为了减少巴氏距离特征选择计算时间,对样本先进行K-L变换,将特征降低到中间维数。然后进行巴氏距离特征选择,降低到结果的维数。用基于MNIST手写体数字库的试验表明,该文方法比单纯用巴氏距离特征选择计算时间大大减少,并比主分量方法(即单纯使用K-L变换)特征选择的错误率小得多。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

LBP 直方图与PCA 的欧式距离的人脸识别

基于LBP算子具有旋转不变性和灰度不变性等显著特点,本文通过LBP算子的特征提取,将人脸分成子区域,然后通过连接这些子区域的LBP直方图生成人脸特征向量,由于生成的特征向量的维数过高,通过PCA算法降维压缩,最后用欧式距离分类器完成测试样本和训练样本的人脸识别,通过实验比较得出很好的人脸识别效果,此人脸识别算法过程用于火车站等各种公共场合有很好的应用效果。     

基于PCA的人脸识别研究

对人脸识别进行研究,将基于主要成分分析的图像训练算法用于人脸识别中,并运用最近邻分类器欧几里德距离对处理了的人脸图像集进行分类,设计一套基于PCA的人脸识别考勤系统,并运用到公司的考勤实践当中去。实践结果表明,该套系统的识别率维持在90%以上。     

利用符号假设检验比较两类PCA人脸识别算法

基于PCA人脸识别算法分为基于经验PCA(EPCA)算法和基于自适应PCA(APCA)算法.本文分析它们各自的构造原则和应用特点,借助3个公共人像数据库,用1个新构造的符号假设检验策略对它们进行客观的实验比较,比较结果显示,就整体性能而言,如果做EPCA训练的图像与样例图同身份,基于EPCA算法和基于APCA算法间差异很小,否则,差异很大.就可得的最优性能而言,两类算法间无显著差异,基于上述结论,文中分析和解答一些较有实际意义的问题,这为深入理解和合理使用基于PCA人脸识别算法提供有益参考.     

二维投影与PCA相结合的人脸识别算法

传统的特征抽取算法是基于向量的,在模式是图像时并不方便。二维投影方法利用图像矩阵直接计算,虽然抽取特征速度快,但抽取出的特征是矩阵,对应的特征数量大,影响分类速度。该文结合二者的优点,先用二维投影处理原始图像,降维后再做主分量分析,抽取出少量的特征进行分类,识别率和分类速度均有提高。在ORL人脸库上20次实验的平均识别率达95.83%。     

基于分块PCA的人脸识别方法

本文提出了一种称为M2PCA＋FDA的新的人脸识别方法．新方法从模式的原始数字图像出发，先对样本图像进行分块，对分块得到的子图像矩阵采用PCA进行特征抽取，从而得到能代替原始模式的低维的新模式，然后，对新模式施行“Fisherfaces”方法，实现模式的分类．其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ORL和NUST603两个人脸数据库上对M2PCAA-FDA方法进行了测试，实验的结果表明，本文提出的方法在识别性能上优于“Fisherfaces”方法和PCA方法．     

多姿态人脸识别的改进PCA方法

本文研究了在每个对象只有一幅图像可用的情况下进行人脸识别。由于姿态变化所造成的自身遮掩和旋转的非线性,人脸识别的准确率将大大降低,广泛采用的主分量分析方法性能也将随之下降。通过分析用主分量分析生成的正面特征空间中的权值变化,我们发现给这些权值矢量加上系数,系统性能将大大提高。从而,我们提出了多姿态主分量分析方法。在UMIST人脸库上的实验结果表明我们的方法优于著名的特征脸方法,它大大的提高了识别率。     

人脸识别中PCA方法的推广

主成分分析(PrincipalComponentAnalysis,PCA)是公认的特征抽取的最为重要的工具之一,目前仍然被广泛地应用在人脸等图像识别领域。基于PCA,该文提出了分块PCA的人脸识别方法。分块PCA方法先对图像矩阵进行分块,对分块得到的子图像矩阵利用PCA进行鉴别分析。其特点是能有效地抽取图像的局部特征,对人脸表情和光照条件变化较大的图像表现尤为突出。与PCA方法相比,由于使用子图像矩阵,分块PCA可以避免使用奇异值分解理论,过程简便。此外,PCA是分块PCA的特殊情况。在Yale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明显优于经典的PCA方法,识别率可以分别提高6.7和4个百分点。     

基于自适应预处理和PCA的人脸识别方法的研究

针对传统预处理方法在特征提取之前不能对人脸图像进行局部化处理,不能分析出感兴趣区域及受背景环境影响等缺点,提出一种人脸图像的自适应预处理方法。该方法通过二维Gabor滤波器从人脸图像中确定人眼位置,通过图像分割算法提取出感兴趣区域,缩放图像,运用主分量分析方法进行特征提取,通过二维最小近邻分类法进行分类,从而完成人脸识别过程。实验结果表明,基于自适应预处理的人脸识别方法能够有效去除头发、脖子、肩及与人脸无关的部分,提高了人脸识别率,且对一定的平移、旋转、尺度变化和表情有良好的鲁棒性。     

一种改进的模块PCA人脸识别新方法

提出了一种改进的模块PCA方法,即基于独立特征抽取的模块PCA方法。算法先对图像进行分块,然后对每一子块独立地进行PCA处理,求出测试样本子块与训练样本对应子块间的距离;最后将这些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人脸库和Yale人脸库上的实验结果表明,提出的方法在识别性能上明显优于普通模块PCA方法。     

一种融合两种主成分分析的人脸识别方法

提出了一种融合两种主成分分析的人脸识别方法。首先,利用两种不同的主成分分析方法分别获得人脸识别结果;然后,从信息融合的角度出发,采用模糊综合的原理对结果进行融合,给出最终的识别结果。基于ORL人脸数据库的实验证明该方法的识别性能优于单一的主成分分析方法。     

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。     

复杂背景下的人脸定位识别方法

现有的人脸识别算法多在标准库上进行,缺少对复杂背景下人脸识别问题的研究。提出一种快速的人脸定位识别方法,旨在解决复杂背景中人脸的定位和识别问题。在定位方面,提出一种新的自适应肤色分割的人脸定位算法,充分考虑类肤色背景对定位算法的影响,使该算法在户外环境下的人脸定位精度较传统方法有了一定的提高;识别方面,采用局部SVD方法提取人脸图像特征值,以PCA算法加以识别,新算法改进了传统PCA训练速度慢、内存占用大的缺陷。通过对ORL人脸库以及自制人脸库的实验分析,结果表明该方法不仅能解决复杂背景中人脸定位识别问题,并且高效、快速、有较好的实用性。     

融合PCA与LDA变换的仿生人脸识别研究

就基于PCA与LDA变换的传统人脸识别方法识别率低但特征提取过程中维数低和基于K-L 变换的仿生人脸识别方法识别率高但在特征提取过程中维数过高的的问题,将两者的优点相结合,提出了一种基于PCA与LDA变换的仿生人脸识别新方法。通过PCA与LDA变换对训练人脸样本进行特征提取,然后构建各类样本的覆盖区域。再通过判断待识别人脸特征在各覆盖区域的归属情况来识别人脸。实验收到了预期的效果,证明了方法的可行性。     

二维类增广PCA及其在人脸识别中的应用

提出了一种二维类增广PCA（2DCAPCA）的人脸识别算法。用二维PCA（2DPCA）方法直接对人脸图像矩阵进行特征提取,对提取的特征进行归一化处理,将归一化处理后的特征与类别信息结合构成类增广矩阵,对类增广矩阵进行2DPCA处理,提取图像的类增广矩阵特征。由于该算法既保留了人脸图像的结构信息,又考虑了样本的类别信息,识别率有了较大的提高。通过Yale和FERET库上的实验表明,该方法对人脸识别是有效的。     

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析（PCAC）和基于余弦角距离的核主成分分析（KPCAC）。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。     

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。