局部二维主元分析的人脸识别新方法

人脸姿态、表情、光照等变化是影响人脸识别的主要因素,如何减轻这些因素对识别率的影响是人脸识别的研究关键所在。R.G等人提出了MPCA方法,通过对人脸图像进行一次分块处理,减少了这些因素产生的影响。然而MPCA方法只消除了部分影响,仍未能完全解决这一问题。文章提出了一种进行二次分块处理的新方法——局部二维主元分析方法,进一步消除了这些因素所产生的影响。通过在Yale国际标准人脸库及UMIST人脸库上进行验证,该方法大大提高了人脸识别率。     

一种局部加权的二维主成分分析算法及其在人脸识别中的应用

提出了一种将局部特征加权与二维主成分分析相结合的局部加权的二维主成分分析方法．引入了二维局部加权特征子空间的概念，将各类样本映射到这个局部加权特征子空间，再通过计算测试样本到加权子空间的距离进行样本的分类．使用这种方法在ORL人脸库上进行测试，结果表明，经过局部特征加权的二维主成分分析方法比普通的二维主成分分析方法具有更优的性能，并且在提高识别率的同时算法的复杂程度并没有明显增加．     

基于对称的二维主成分分析及其在人脸识别中的应用

在二维主成分分析算法中引入了对称性思想,提出了基于对称的二维主成分分析算法（STDPCA）。在该算法中,首先把人脸图像分解成奇对称图像和偶对称图像,然后分别在这两类图像中进行二维主成分分析,提取所需要的特征。该算法不仅有效利用了二维主成分分析算法的优点,而且也考虑了人脸对称性的特点,因此在人脸识别中有较高的识别率。在著名人脸库ORL、YALE中的实验证明了该算法的有效性。     

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。     

基于双向二维加权主元分析的人脸表情识别

提出了一种双向二维加权主元分析方法用于人脸表情特征提取,该方法从水平和垂直两个方向对图像矩阵进行降维处理,大幅降低了所提取的特征数目;且考虑到人脸不同部位包含不同的表情信息这一特点,对各个特征赋予不同的权重系数。实验证明,与已有的二维主元分析相比较,该方法不但运算速度快,且获得了更高的识别率。     

核主元分析及其在人脸识别中的应用

传统的基于数据二阶统计矩的特征脸法(Eigenface)或主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。该文采用KPCA法提取人脸特征,利用线性支持向量机设计分类器,实验结果表明,基于核主元分析方法的识别正确率明显优于基于主元分析法。     

基于小波变换、二维主元分析与独立元分析的人脸识别方法

结合小波变换(WT)、二维主元分析(2DPCA)和独立元分析(ICA)的特点,提出一种人脸识别方法.首先,利用小波变换将原始图像分解为高频分量和低频分量,并忽略水平高频与垂直高频分量,从而消除噪声.然后,通过2DPCA对该图像进行降维,求得白化矩阵.再利用ICA获得训练样本的独立元成分,同时求得训练样本独立基构造的独立基子空间.最后,将训练样本与测试样本分别朝该独立基子空间投影,获得样本的投影特征,并依据最近邻准则完成人脸识别.基于ORL与Yale人脸数据库的实验结果表明,本文方法正确识别率高于2DPCA、2DPCA-ICA与WT-2DPCA算法.     

非负二维主成分分析及在人脸识别中的应用

二维主成分分析是一种基于整体脸的方法,保留人脸部件之间的拓扑关系.而非负矩阵分析是基于局部特征的识别,是通过提取局部信息来实现分类.文中将两种思想的优点融合在一起,提出非负二维主成分分析.该方法改善传统非负矩阵分解只是从矩阵分解的角度考虑,没有加强分类的问题.此外,该方法在矩阵分解之前不需要将图像矩阵转换为图像向量,能快速降低鉴别特征的维数.在ORL和FERET人脸库上的实验结果表明,该方法在识别性能上优于其它方法,且更具有鲁棒性.     

基于完全二维对称主成分分析的人脸识别

镜像对称性是人脸的一个直观明显的自然特性,结合该特性在完全二维主成分分析的基础上提出完全二维对称主成分分析的人脸识别方法。该方法通过镜像变换得到奇对称样本和偶对称样本,分别对奇偶对称样本进行完全二维主成分分析,通过奇偶加权因子对奇偶对称样本的特征矩阵进行组合,并采用最近邻距离分类器分类。在ORL人脸数据库上的实验表明,该方法有较好的识别效果。     

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。     

改进的2DPCA人脸识别算法

在对2DPCA人脸识别方法研究的基础上,提出一种改进的2DPCA人脸识别算法,该算法对训练集进行两次2DPCA特征提取,以此重建散布矩阵,从而大大降低特征矩阵的存储空间.并在标准Yale与ORL人脸识别数据库上进行对比实验,改进的2DPCA人脸算法能有效改善识别性能,优于传统的2DPCA方法.最后,再通过和PCA,LD...     

一种基于人脸垂直对称性的变形2DPCA算法

本文分析了人脸的对称性和主成分分析法(PCA)、二维主成分分析法(2DPCA)的特性,证明了2DPCA协方差矩阵就是PCA协方差矩阵的主角线的平均值,同时表明2DPCA减少了对人脸识别有用的协方差信息。提出了一种基于人脸垂直对称性的变形2DPCA算法(S2DPCA),该算法最大程度地利用了协方差鉴别信息,用更少的系数表示一张人脸图像。通过在ORL的实验比较表明,该算法与PCA算法相比降低了计算复杂性,与2DPCA方法和PCA方法相比提高了人脸识别率,在识别率方面优于传统算法(PCA(Eigenfaces)、ICA、Kernel Eigenfaces),同时也压缩了人脸的存储空间。     

基于GA的2DPCA在人脸识别中的应用

采用基于遗传算法(GA)的二维主成分分析法(2DPCA)进行人脸识别.2DPCA直接以二维图像矩阵为研究对象,以其协方差矩阵的特征向量为投影轴进行特征提取.为了达到识别时的信息最优,将遗传算法融入2DPCA,对协方差矩阵的特征向量进行优化选择得到最优投影轴,并在此基础上提取特征.最后在MIT人脸数据库上进行实验,表明识别率和速度均高于单纯使用2DPCA的方法.     

基于模块2DPCA的人脸识别方法

提出了模块2DPCA（two-dimensional principal component analysis）的人脸识别方法。模块2DPCA方法先对图像矩阵进行分块，将分块得到的子图像矩阵直接用于构造总体散布矩阵，然后利用总体散布矩阵的特征向量进行图像特征抽取。与基于图像向量的鉴别方法（比如PCA）相比，该方法在特征抽取之前不需要将子图像矩阵转化为图像向量，能快速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；此外，模块2DPCA是2DPCA的推广。在ORL和NUST603人脸库上的试验结果表明，模块2DPCA方法在识别性能上优于PCA，比2DPCA更具有鲁棒性。     

一种改进的2DPCA人脸识别方法

在小样本情况下,传统的2DPCA算法中采用的训练样本的平均值不一定就是训练样本分布的中心,为了解决这个问题,提出了一种基于样本中间值的2DPCA人脸识别算法（M2DPCA）,该算法采用训练样本的中间值代替训练样本的平均值,以此重建总体散布矩阵。在ORL和FERET人脸数据库上的实验结果证明,新方法可以有效改善识别性能,优于传统的PCA和2DPCA方法。     

结构特征下的可撤销人脸识别

目的 相对于其他生物特征识别技术,人脸识别具有非接触、不易察觉和易于推广等特点,在公共安全和日常生活中得到广泛应用。在移动互联网时代,云端人脸识别可以有效地提高识别精度,但是需要将大量的人脸数据上传到第三方服务器。由于人的面部特征是唯一的,一旦数据库泄露就会面临模板攻击和假冒攻击等安全威胁。为了保证人脸识别系统的安全性并提高其识别率,本文提出一种融合人脸结构特征的可撤销人脸识别算法。方法 首先,对原始人脸图像提取结构特征作为虚部分量,与原始人脸图像联合构建复数矩阵并通过随机二值矩阵进行置乱操作。然后,使用2维主成分分析方法将置乱的复数矩阵映射到新的特征空间。最后,采用基于曼哈顿距离的最近邻分类器计算识别率。结果 在4个不同人脸数据库上的实验结果表明,原始人脸图像和结构特征图像经过随机二值矩阵置乱后,人眼无法察觉出有用的信息且可以重新生成,而且融合方差特征后,在GT （Georgia Tech）、NIR （Near Infrared）、VIS （Visible Light）和YMU （YouTuBe Makeup）人脸数据库上,平均人脸识别率分别提高了4.9%、2.25%、2.25%和1.98%,且平均测试时间均在1.0 ms之内,表明该算法实时性强,能够满足实际应用场景的需求。结论 本文算法可在不影响识别率的情况下保证系统的安全性,满足可撤销性。同时,融合结构特征丰富了人脸信息的表征,提高了人脸识别系统的识别率。     

基于局部特征的自适应加权2DPCA的人脸识别

针对二维主成分分析(2DPCA)提取的是人脸的全局特征,但局部特征对人脸识别的作用非常大,提出了一种基于局部特征的自适应加权2DPCA。该算法首先根据局部特征把人脸图像分为上中下三个独立的子块,2DPCA应用到每个子块,自适应地计算出每个子块对识别的不同预期贡献,并把此预期贡献值作为子块权重加权到分类器中以提高识别率,实验结果证明了此算法的有效性和可行性。     

融合类别信息的二维主成分分析人脸识别算法

二维主成分分析(2DPCA)已被成功地应用在人脸识别领域,但是这种2DPCA是无监督方法,投影没有考虑到类别信息,在一定程度上影响了识别性能.因此提出一种新的2DPCA,它利用训练样本的类别标记来生成K-L变换的产生矩阵,融合了样本的类别信息,从而使2DPCA的识别性能更好.基于ORL和Yale人脸数据库的实验表明该方法比传统的2DPCA的识别性能更高.     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.